بهینه سازی خدمت دهی قطارهای مترو با استفاده از یادگیری عمیق (مطالعه موردی: خط ۲ متروی تهران)

برنامه زمانبندی حرکت قطارها در ایستگاه های مترو همواره مورد توجه محققین، سیاست گذاران و شهروندان بوده است. در این پژوهش به بهینه سازی زمان بندی خدمت دهی قطارها در خط ۲ متروی تهران با استفاده از شبکه های عصبی عمیق پرداخته شده است. ابتدا یک شبکه عصبی عمیق بر روی داده های مربوط به کاربران مترو در تاریخ ۱ اردیبهشت ۱۳۹۷ شامل حجم ورودی، حجم خروجی و زمان روز توسعه داده شد. مدل پیشنهادی با ضریب تعیین برابر با ۰.۹۴۳۱ و خطای جذر میانگین مربعات مربوط به اعتبارسنجی برابر با ۰.۲۲۵۱ عملکرد دقیق و مناسبی در پیش بینی تعداد مسافران در ایستگاه های مختلف طی روز ارائه داد. در مرحله بعد از الگوریتم بهینه سازی تپه نوردی برای بهینه سازی زمان بندی حرکت قطارها استفاده شد. تابع هدف شامل کمینه سازی میانگین زمان انتظار مسافران و تعداد کل چرخه های خدمت دهی قطارها در دو مسیر رفت و برگشت بود. نتایج نشان داد که افزایش ضریب اهمیت تعداد سفرها منجر به کاهش تعداد سرویس دهی قطارها تا ۱۷ سرویس در مسیر رفت و ۲۰ سرویس در مسیر برگشت و افزایش میانگین زمان انتظار (تا) ۱۲.۱ درصد در مسیر رفت و ۱۴.۸ درصد در مسیر برگشت می شود. این نتایج بیانگر توانایی مدل در ایجاد تعادل بین هزینه بهره برداری و سطح خدمت دهی به مسافران می باشد.

کلیدواژه ها:

متروی تهران ، برنامه زمانبندی ، شبکه عصبی عمیق ، الگوریتم بهینه سازی ، سیستم مترو شهری