ความแออัดของการจราจรเป็นปัญหาที่หนักหนาสำหรับเมืองขนาดใหญ่และขนาดกลางจำนวนมาก ซึ่งเป็นภัยคุกคามร้ายแรงต่อการพัฒนาเมืองอย่างยั่งยืน เมื่อเร็วๆ นี้ ระบบจราจรอัจฉริยะ (ITS) ได้กลายเป็นเครื่องมือที่มีประสิทธิภาพในการบรรเทาความแออัดของเมือง กุญแจสำคัญของ ITS อยู่ที่การคาดการณ์การไหลของการจราจรที่แม่นยำ อย่างไรก็ตาม วิธีการพยากรณ์ที่มีอยู่ของการไหลของการจราจรไม่สามารถปรับให้เข้ากับความสุ่มและความยาวที่แท้จริงของอนุกรมเวลาการไหลของการจราจรได้ ในการแก้ปัญหา บทความนี้ใช้การเรียนรู้เชิงลึก (DL) เพื่อคาดการณ์การไหลของการจราจรผ่านการวิเคราะห์อนุกรมเวลา ผู้เขียนได้พัฒนาแบบจำลองการคาดการณ์การไหลของการจราจรโดยอิงจากเครือข่ายหน่วยความจำระยะสั้น (LSTM) แบบจำลองที่เสนอถูกนำมาเปรียบเทียบกับแบบจำลองการคาดการณ์แบบคลาสสิกสองแบบ ได้แก่ โมเดลค่าเฉลี่ยเคลื่อนที่แบบบูรณาการอัตโนมัติ (ARIMA) และแบบจำลองโครงข่ายประสาทเทียมแบบย้อนกลับ (backpropagation neural Network) ผ่านการทดลองคาดการณ์ปริมาณการใช้ข้อมูลระยะยาว โดยใช้อนุกรมเวลาการไหลของการรับส่งข้อมูลจริง ผลการทดลองแสดงให้เห็นว่าเครือข่าย LSTM ที่เสนอนั้นมีประสิทธิภาพเหนือกว่าโมเดลคลาสสิกในด้านความแม่นยำในการทำนาย การวิจัยของเราเปิดเผยกฎหมายวิวัฒนาการแบบไดนามิกของกระแสการจราจรและอำนวยความสะดวกในการตัดสินใจของการจัดการจราจร

ระบบการจราจรอัจฉริยะ ซึ่งได้กลายเป็นเครื่องมือที่มีประสิทธิภาพในการบรรเทาความแออัดของเมืองและเป็นกุญแจสำคัญของระบบการจราจรอัจฉริยะโดยอยู่ที่การคาดการณ์กระแสการจราจรที่แม่นยำ    ในการแก้ปัญหาอาศัยการเรียนรู้เชิงลึกเพื่อคาดการณ์ปริมาณการใช้งานผ่านการวิเคราะห์อนุกรมเวลา   ผู้วิจัยได้พัฒนาแบบจำลองโครงข่ายประสาทเทียมควอเทอร์เนียนสำหรับคาดการณ์การรับส่งข้อมูล    โดยใช้เครือข่ายหน่วยความจำระยะสั้นและระยะยาวของแบบจำลองโครงข่ายประสาทเทียมควอเทอร์เนียนผ่านการทดลองคาดการณ์ปริมาณการใช้งานระยะยาว     โดยใช้อนุกรมเวลาการไหลของปริมาณข้อมูลจริงจากระบบการจราจรอัจฉริยะเพื่อความแม่นยำในการทำนาย    การวิจัยของเรามีวิวัฒนาการแบบพลวัตของการจราจรและอำนวยความสะดวกในการตัดสินใจในการจัดการจราจร    เราจะพัฒนาเทคนิคการเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วยข้อมูลสำหรับระบบควบคุมการรับส่งข้อมูลแบบปรับตามความยาวคิวที่คาดการณ์ไว้    แม้ว่าเราจะใช้รอบเวลาคงที่ แต่ในการนำแบบจำลองไปใช้ในภาคปฏิบัติเราต้องทำให้แบบจำลองโครงข่ายประสาทเทียมควอเทอร์เนียนมีความยืดหยุ่นมากขึ้น   เพื่อให้สามารถคาดการณ์ความยาวคิวสำหรับรอบเวลาที่ผันแปรได้ นอกจากนี้    เรายังต้องรวมอัลกอริทึมที่สามารถอัปเดตรอบเวลาถัดไปตามสถานการณ์รับส่งข้อมูลปัจจุบันและความล่าช้า

          เนื่องจากการเติบโตทางเศรษฐกิจและการขยายตัวของเมืองทำให้เมืองขนาดใหญ่และขนาดกลางหลายแห่งประสบปัญหาการจราจรติดขัดมากขึ้นซึ่งทำให้เกิดปัญหาสังคมตามมา (เช่นการเดินทางเป็นเวลานานอุบัติเหตุจราจรบ่อยครั้งและมลภาวะต่อสิ่งแวดล้อมที่รุนแรง)    มีการพัฒนามาตรการหลายอย่างเพื่อบรรเทาความแออัดของเมือง ได้แก่   การปรับปรุงโครงสร้างพื้นฐานการขนส่งการเรียกเก็บค่าธรรมเนียมความแออัด    การให้คำแนะนำเส้นทางการส่งเสริมระบบขนส่งสาธารณะและการควบคุมการจราจร    อย่างไรก็ตามเป็นการยากที่จะบรรเทาความแออัดของการจราจร     โดยการเพิ่มสิ่งอำนวยความสะดวกบนท้องถนนหากโครงสร้างพื้นฐานการขนส่งในเมืองสมบูรณ์แล้ว   ในกรณีนี้ความแออัดของการจราจรสามารถลดลงได้อย่างมีประสิทธิภาพ      โดยการปรับปรุงการจัดการจราจรในรูปแบบดิจิทัลและชาญฉลาดนั่นคือการสร้างระบบการจราจรอัจฉริยะ    เป็นส่วนสำคัญของระบบการจราจรอัจฉริยะ การคาดการณ์การไหลและความเร็วในระยะสั้นเป็นพื้นฐานและหลักฐานของมาตรการจัดการจราจร   (เช่นการวางแผนการจราจรคำแนะนำเส้นทางและการควบคุมการจราจร)   ประสิทธิภาพของระบบการจราจรอัจฉริยะขึ้นอยู่กับการคาดการณ์ที่แม่นยำและเชื่อถือได้ของการไหลและความเร็วของการจราจรในระยะสั้น     เราวางแผนที่จะขยายผลทางทฤษฎีของเราไปยังการประยุกต์ใช้โครงข่ายประสาทเทียมควอเทอร์เนียน    โดยเฉพาะในโมเดลการเรียนรู้เชิงลึกสำหรับการคาดคะเนปริมาณการใช้งาน    เมื่อพิจารณาถึงความเหนือกว่าของการเรียนรู้เชิงลึกในการประมวลผลข้อมูลขนาดใหญ่เกี่ยวกับการจราจรงานวิจัยนี้     ได้ระบุระยะเวลาและความสม่ำเสมอของการไหลของการจราจรและอนุกรมเวลาความเร็วที่วัดได้บนถนนในประเทศไทย      จากนั้นจึงสร้างแบบจำลองการคาดการณ์การไหลของการจราจรและความเร็ว      โดยใช้แบบจำลองโครงข่ายประสาทเทียมควอเทอร์เนียนที่นำเสนอถูกเปรียบเทียบกับแบบจำลองการคาดการณ์แบบคลาสสิกสองแบบ       ในช่วงเวลาการคาดการณ์ที่แตกต่างกันในชั่วโมงเร่งด่วนและในชั่วโมงที่ไม่เร่งด่วน       งานวิจัยของเราเปิดเผยกฎวิวัฒนาการแบบพลวัตของการไหลและความเร็วของการจราจรซึ่งช่วยอำนวยความสะดวกในการตัดสินใจในการจัดการจราจร