{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TA624",
        "title": "پیش بینی جریان ترافیک با استفاده از سری های زمانی و یادگیری عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1400",
        "last_update": "2026-07-04",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TA624",
        "title": "پیش بینی جریان ترافیک با استفاده از سری های زمانی و یادگیری عمیق",
        "degree": null,
        "faculty": "مهندسی عمران",
        "year": 1400,
        "authors": [
            {
                "name": "مجتبی محمدزاده",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "عبدالاحد چوپانی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "پیش بینی حجم تردد",
            "سری های زمانی",
            "ARIMA",
            "LSTM",
            "شبکه عصبی مصنوعی",
            "یادگیری عمیق"
        ],
        "abstract": "پیش بینی جریان ترافیک در چند دهه گذشته توجه زیادی را به خود جلب کرده است. این موضوع هنوز یک موضوع چالش برانگیز برای محققان ترافیک و حمل و نقل می باشد. باتوجه به ویژگی های تصادفی جریان ترافیک پیش بینی دقیق ترافیک کار ساده ای نخواهد بود. از این جهت برای حل این موضوع تکنیک های زیادی برای مدلسازی و پیش بینی جریان ترافیک به کار گرفته شده است. در پژوهش حاضر از روش  پارامتریک، ARIMA (AutoRegressive Integrated Moving Average )، روش غیرپارامتریک، شبکه عصبی مصنوعی (Artificial neural network) و روش یادگیری عمیق، LSTM (Long short-term memory ) برای پیش بینی حجم تردد ترافیک جاده ای برای 6 مسیر رفت و برگشت منتهی به شهر مشهد استفاده گردیده است و نتایج این سه روش با یکدیگر مقایسه شده اند. نتایج، نشان دهنده عملکرد بهتر روش یادگیری عمیق LSTM نسبت به دو روش دیگر می باشد. مقادیر شاخص های RMSE، MAPE و AADT برای این سه روش اختلاف قابل توجهی نسبت به یکدیگر دارند. اختلاف مقادیر شاخص های RMSE، MAPE و AADT مدل ARIMA با مدل یادگیری عمیق LSTM به ترتیب 0.72، 24% و 23% می باشد. همچنین اختلاف مقادیر این شاخص ها برای مدل شبکه عصبی مصنوعی و یادگیری عمیق LSTM به ترتیب 0.18، 11% و 6% می باشد که توانایی بالا روش های یادگیری عمیق را نسبت به روش های پارامتریک و غیرپارامتریک نشان می دهد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TA624.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}