دانشگاه صنعتی امیرکبیر نشریه مهندسی مکانیک امیرکبیر 2008-6032 57 11 2026 01 21 Intelligent vehicle velocity forecasting based on the real highway data پیش‌بینی هوشمند سرعت خودرو بر اساس مجموعه‌داده واقعی بزرگراه 1411 1432 6054 10.22060/mej.2026.25491.7950 FA مصطفی خانعلی پور دانشکده مهندسی مکانیک، دانشگاه شیراز محسن محمدی دانشکده مهندسی مکانیک، دانشگاه شیراز حسین محمدی دانشکده مهندسی مکانیک، دانشگاه شیراز Journal Article 2026 02 04 Accurate vehicle speed prediction leads to reduced energy consumption and increased safety of intelligent vehicles. Considering the data available in intelligent transportation systems and the capability of deep neural networks to exploit these data, an intelligent method for speed prediction using deep neural networks is proposed. Speed prediction is performed using the speed history of the target vehicle and its preceding vehicles. In order to increase prediction accuracy, an innovative method for normalizing vehicle speed data is introduced, which results in a reduction in prediction error. Furthermore, to address practical driving challenges, uncertainty in the amount of available speed history and the number of preceding vehicles is considered in the developed method. In this study, speed prediction is carried out with a very short time step, which, although it improves accuracy, increases the dimensionality of the problem and doubles the difficulty of the prediction task; an issue that has not been reported in previous studies. Real-world highway data are used to train the intelligent speed prediction models. The results show that the proposed method achieves higher accuracy, particularly in the initial time steps, and is free of offset. The mean absolute prediction error over a six-second horizon obtained using the proposed method is 0.2410 m/s, which indicates at least a 49.1% reduction compared to analytical models. پیش‌بینی دقیق سرعت خودرو موجب کاهش مصرف انرژی و افزایش ایمنی خودروهای هوشمند می‌شود. با توجه به داده‌های موجود در سیستم‌های حمل‌ونقل هوشمند و ظرفیت شبکه‌های عصبی عمیق در بهره‌برداری از این داده‌ها، یک روش هوشمند برای پیش‌بینی سرعت با استفاده از شبکه‌های عصبی عمیق ارائه شده است. پیش‌بینی سرعت با استفاده از سابقه سرعت خودروی هدف و خودروهای جلویی آن انجام می‌شود. به منظور افزایش دقت پیش‌بینی، یک روش نوآورانه برای نرمال‌سازی داده‌های سرعت خودرو معرفی شده است که منجر به کاهش خطای پیش‌بینی می‌شود. علاوه بر این، برای مواجهه با چالش‌های عملی رانندگی، عدم قطعیت در میزان سابقه سرعت در دسترس و تعداد خودروهای جلویی در روش توسعه‌یافته لحاظ شده است. در این پژوهش، پیش‌بینی سرعت با گام زمانی بسیار کوتاه انجام شده است که اگرچه موجب افزایش دقت می‌شود، اما باعث افزایش بُعد مسئله و دوچندان شدن چالش پیش‌بینی می‌گردد؛ موضوعی که در مطالعات پیشین گزارش نشده است. برای آموزش مدل‌های پیش‌بین سرعت هوشمند از داده‌های واقعی بزرگراه استفاده شده است. نتایج نشان می‌دهد که روش پیشنهادی، به‌ویژه در گام‌های زمانی اولیه، دقت بالاتری دارد و فاقد آفست است. میانگین خطای مطلق پیش‌بینی در افق شش ثانیه‌ای با روش پیشنهادی با 2410/0 متر بر ثانیه است که نسبت به مدل‌های تحلیلی حداقل 1/49 درصد کاهش نشان می‌دهد. https://mej.aut.ac.ir/article_6054_417fbbf2e9d5a28a855a11894b2e795a.pdf