پیش‌بینی جریان

پیش‌بینی جریان ماتریس مبدأ-مقصد (OD) با مدل جاذبه (GM) و شبکه‌ی عصبی (NN)

زمینه‌های مرتبط: مهندسی حمل‌ونقل، مهندسی ترافیک، یادگیری ماشین، شبکه‌ی عصبی با PyTorch

معرفی پروژه

خب، کمربندها را ببندید! 🚀 در این پروژه مدل جاذبه (GM) را با دو روش تازه‌تر مقایسه می‌کنیم: شبکه‌های عصبی (NN) و شبکه‌های عصبی گرافی (GNN). می‌خواهیم ببینیم هر کدام کجا قوی است، کجا کم می‌آورد و کجا از همه بهتر جواب می‌دهد.

داده‌های خوبی از Sioux Falls، Anaheim و Chicago دستمان است؛ داده‌های واقعی شهری که نقشه‌ی گنج این کارند. 🌆 با آن‌ها می‌بینیم GM و NN و GNN در خیابان‌های شلوغ شهرهای مختلف کنار هم چطور عمل می‌کنند. فقط عدد بالا و پایین نمی‌کنیم؛ دنبال آن نکته‌هایی هستیم که از نگاه این مدل‌ها چیز تازه‌ای درباره‌ی زندگی شهری نشان می‌دهد.

پس آماده‌ایم که نتیجه‌های جسورانه بگیریم، الگوهای جالب پیدا کنیم و شاید بعضی چیزهایی را که درباره‌ی این شهرها فکر می‌کردیم می‌دانیم زیر سؤال ببریم. کی فکرش را می‌کرد تحلیل داده این‌قدر هیجان داشته باشد؟ 😄

مراحل کار

  • کدنویسی مدل جاذبه با ۴ رویکرد: ۱. نمایی ۲. توانی ۳. تنر (Tanner) ۴. Guess
  • رویکرد آخر (Guess) را خودم ساخته‌ام و تازه است.
  • مدل‌سازی NN و GNN
  • وصل کردن همه‌ی بخش‌ها به هم برای گرفتن نتیجه‌ی نهایی.

نتایج پروژه

هنوز روی نتیجه‌گیری کار می‌کنیم.

کد و منابع

این مدل با PyTorch ساخته شده است.

همه‌ی کدها و نتیجه‌ها این‌جاست:

آخرین تغییرات:

Github-Transportation-FlowPrediction

برگشت به بالای صفحه