پیش بینی تقاضای سفر سیستم دوچرخه اشتراکی در هر ایستگاه با گام زمانی یک ساعت با استفاده از روش XGBoost

سال انتشار: 1402
محل انتشار: اولین کنفرانس بین المللی مهندسی برق، کامپیوتر، مکانیک و تکنولوژی های نوین مرتبط با هوش مصنوعی
کد COI اختصاصی: ENGTEC01_016
زبان مقاله: فارسی
تعداد مشاهده: 252

نویسندگان

کارشناسی ارشد مهندسی برنامه ریزی حمل و نقل دانشگاه خواجه نصیرالدین طوسی

دانشیار دانشگاه خواجه نصیرالدین طوسی-دانشکده عمران

چکیده

یکی از چالش های مهم در برنامه ریزی حمل و نقل و مسائل شهری پیش بینی تقاضا جهت بهبود مدیریتدر سیستم های حمل و نقل شهری می باشد. با گسترش تکنولوژی امکان ذخیره سازی داده های عظیم وهمچنین محاسبات پیچیده فراهم شده است. یکی از چالش های مهم که شرکتهای ارائه دهنده ی دوچرخهاشتراکی با آن روبرو می باشند، تعادل دوچرخه ها در هر ایستگاه است که نیازمند پیش بینی دقیق میزانتقاضا در هر ایستگاه در بازه های کوتاه مدت و بلند مدت می باشد. در این پژوهش با استفاده از روش یادگیری ماشین XGBoost و همچنین در نظرگیری داده های دوچرخه اشتراکی، آب و هوا و میزان دسترسی هر ایستگاه به مراکز جمعیتی و تجاری به پیش بینی میزان تقاضا در هر ایستگاه با گام زمانی یکساعت می پردازیم. پس از پیاده سازی چارچوب مطرح شده میزان میانگین مربع خطا ۶۸.۴ و ریشه میانگینمربع خطا ۶۸.۴ بدست آمد

کلیدواژه ها

یادگیری ماشین، XGBoost، سیستم دوچرخه اشتراکی، پیش بینی تقاضا

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.