<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه قم</PublisherName>
				<JournalTitle>پژوهش های زیرساخت های عمرانی</JournalTitle>
				<Issn>2783-140X</Issn>
				<Volume>1</Volume>
				<Issue>1 (ویژه نامه راه و ترابری)</Issue>
				<PubDate PubStatus="epublish">
					<Year>2014</Year>
					<Month>08</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>PREDICTION OF SPEED FLOW IN THE ROAD NETWORK</ArticleTitle>
<VernacularTitle>پیش‌بینی سرعت جریان تردد در شبکه بزرگراهی کشور (مطالعه موردی: شبکه بزرگراهی استان مرکزی)</VernacularTitle>
			<FirstPage>29</FirstPage>
			<LastPage>38</LastPage>
			<ELocationID EIdType="pii">573</ELocationID>
			
<ELocationID EIdType="doi">10.22091/cer.2014.573</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>محمد</FirstName>
					<LastName>محسنی</LastName>
<Affiliation>کارشناس ارشد مهندسی عمران گرایش راه و ترابری دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر، تهران</Affiliation>

</Author>
<Author>
					<FirstName>غلامعباس</FirstName>
					<LastName>بهرامی نیا</LastName>
<Affiliation>کارشناس ارشد مهندسی عمران گرایش برنامه ریزی حمل و نقل، دانشکده تحصیلات تکمیلی تهران جنوب، دانشگاه آزاد اسلامی، تهران</Affiliation>

</Author>
<Author>
					<FirstName>حامد</FirstName>
					<LastName>عابدی</LastName>
<Affiliation>کارشناس ارشد مهندسی عمران گرایش راه و ترابری دانشکده مهندسی عمران، دانشگاه علم و صنعت، تهران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2014</Year>
					<Month>03</Month>
					<Day>29</Day>
				</PubDate>
			</History>
		<Abstract>The purpose of this study is to provide a model to predict the speed of the traffic flow, in the road network. Using a neural network in which estimated relationship between the flow and traffic parameters including flow rate, volume flow percentage of heavy vehicles. The distinctive feature of this study with previous studies is using neural network model and the efficacy of both volume and percentage of heavy vehicles in estimating the flow rate. The data used in this study is derived from the output of loops in the road networks of Markazi province. The results of the modeling showed that by increasing the volume to capacity of up to 0.6, It is not seen a noticeable change in speed. And in these conditions and in the case of percentage of heavy vehicles is less than 10% of the flow rate, speed flow is more than 90% of the free flow speed. The results also showed that in the common day in the road network , the level of speed is on the A and B.</Abstract>
			<OtherAbstract Language="FA">هدف این تحقیق ارائه مدل پیش بینی سرعت جریان تردد، در شبکه بزرگراهی کشور می­باشد، که در آن با استفاده از شبکه عصبی رابطه بین سرعت جریان و پارامترهای ترافیکی شامل سرعت جریان آزاد، حجم جریان و سهم وسایل سنگین، برآورد شده است. وجه تمایز این تحقیق با مطالعات پیشین استفاده از روش شبکه عصبی و همچنین بررسی تاثیر هم زمان حجم جریان و سهم وسایل سنگین در برآورد سرعت جریان می­باشد. اطلاعات مورد استفاده در این تحقیق برگرفته از خروجی دستگاه­های تردد شمار برخط موجود در شبکه بزرگراهی استان مرکزی می­باشد. نتایج این مدل­سازی نشان داد که با افزایش نسبت­ حجم به ظرفیت تا 6/0 تغییر محسوسی در سرعت جریان مشاهده نمی­شود و در این شرایط و در حالتی که سهم وسایل سنگین کمتر از 10 درصد باشد سرعت جریان بیش از 90 درصد سرعت جریان آزاد می­باشد. همچنین بررسی نتایج بیانگر این موضوع می­باشد که در روزهای عادی سطح سرویس در سطح بزرگراه­های کشور در سطح A و  B می­باشد.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">نسبت حجم به ظرفیت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سهم وسایل سنگین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سرعت آزاد جریان</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکه عصبی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://cer.qom.ac.ir/article_573_d97118de40c6fcab7da1297fc66aec5d.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
