چارچوب هوشمند مبتنی بر LSTM و الگوریتم ژنتیک برای پیش بینی زمان سفر و بهینه سازی زمانبندی ناوگان اتوبوس مطالعه موردی کریدور ایرانشهر-چابهار

مدیریت کارآمد ناوگان حمل و نقل عمومی در مناطق پرترافیک یکی از چالشهای اساسی در برنامه ریزی شهری و منطقه ای به شمار می آید افزایش تقاضای سفرهای بین شهری در دهه اخیر به ویژه در محورهای استراتژیک جنوب استان سیستان و بلوچستان، ضرورت استفاده از رویکردهای هوشمند را دو چندان ساخته است در این پژوهش چارچوبی ترکیبی مبتنی بر شبکههای حافظه دار بلند و کوتاه مدت(LSTM) و الگوریتم ژنتیک (GA) ارائه میشود که هدف آن پیش بینی دقیق زمان سفر و بهینه سازی برنامه اعزام ناوگان اتوبوس است ابتدا مدل LSTM با استفاده از دادههای تاریخی شامل حجم ترافیک شرایط جوی ساعات اوج و ظرفیت ناوگان آموزش داده شد و زمان سفر برای هر محور پیش بینی گردید، در ادامه خروجی این مدل به الگوریتم ژنتیک داده شد تا اعزام ها به گونه ای باز چینش شوند که شاخصهای کلیدی عملکرد شامل بهره وری ظرفیت (U) یکنواختی هدوی (HR) عملکرد به موقع (OTP) و میانگین تاخیر بهبود یابند نتایج شبیه سازی در کریدور ایرانشهر چابهار نشان داد که میانگین تاخیر شبکه ای بیش از ۵۰ کاهش یافته از ۲۵ به ۱۲ دقیقه و میزان OTP در آستانه = ۵ ۱۰ دقیقه از ٪۶۸ به ۸۹ ارتقا یافته است همچنین HR از ۰.۶۲ به ۰.۹۱ افزایش یافته و مقدار تابع هدف در سطح شبکه حدود ۳۵% کاهش یافته است یافته های این مطالعه نشان میدهد که ترکیب مدلهای پیش بینی مبتنی بر یادگیری عمیق با الگوریتمهای فراابتکاری میتواند به عنوان راهکاری نوآورانه برای ارتقای کیفیت سرویس حمل و نقل عمومی در مناطق پرترافیک عمل کند از منظر عملیاتی چارچوب پیشنهادی میتواند به کاهش زمان انتظار مسافران افزایش اعتماد عمومی به ناوگان و بهبود بهرهوری اپراتورها منجر شود افزون بر این نتایج به دست آمده با مطالعات اخیر در حوزه ی حمل و نقل هوشمند هم راستا بوده و ظرفیت بالایی برای تعمیم به سایر کریدورهای پرترافیک کشور دارد

کلیدواژه ها:

زمانبندی ناوگان اتوبوس ، پیشبینی زمان سفر ، شبکه LSTM ، الگوریتم ژنتیک ، سیستم های حمل و نقل هوشمند