مدل سازی و پیش بینی انتخاب شیوه سفر در محیط های شهری مبتنی بر الگوریتم های یادگیری ماشین (مطالعه موردی: تهران)

پیش بینی دقیق انتخاب شیوه سفر به عنوان یکی از ارکان اصلی مدیریت تقاضای سفر و برنامه ریزی داده محور حمل ونقل شهری، به ویژه در مواجهه با ظهور گزینه های نوین جابه جایی، اهمیت فزاینده ای یافته است. هدف این پژوهش، مدل سازی، پیش بینی و تبیین رفتار انتخاب شیوه سفر در محیط های شهری با بهره گیری از الگوریتم های یادگیری ماشین و داده های ترجیحات اظهارشده (SP) است. روش شناسی پژوهش مبتنی بر طراحی آزمایش انتخاب SP و تحلیل داده های حاصل از پرسشنامه می باشد. جامعه آماری تحقیق، ساکنان شهر تهران بوده و داده ها با استفاده از روش نمونه گیری در دسترس و از طریق پرسشنامه آنلاین گردآوری شده است. در مجموع، ۹۶۵ پرسشنامه جمع آوری گردید که پس از پالایش داده ها، ۷۷۵ مشاهده معتبر برای تحلیل نهایی مورد استفاده قرار گرفت. ابزار اصلی جمع آوری اطلاعات، پرسشنامه ای شامل ۱۱ سناریوی فرضی سفر با پنج گزینه حمل ونقلی شامل خودرو شخصی، تاکسی اینترنتی، تاکسی خطی، حمل ونقل عمومی با دسترسی پیاده و حمل ونقل عمومی با دسترسی میکروموبیلیتی بود. متغیرهای ورودی شامل ویژگی های سناریوهای سفر (مانند زمان و هزینه) و مشخصات اجتماعی-اقتصادی پاسخ دهندگان می باشد. برای تحلیل داده ها، سه الگوریتم یادگیری ماشین شامل Random Forest، XGBoost و TabNet به کار گرفته شد و عملکرد آن ها با استفاده از معیارهای دقت، نمره F۱ و ماتریس درهم ریختگی ارزیابی گردید. همچنین، به منظور بررسی معناداری تفاوت عملکرد مدل ها از آزمون آماری ANOVA استفاده شد. در راستای تبیین پذیری نتایج و شناسایی عوامل موثر بر انتخاب شیوه سفر، روش SHAP به کار گرفته شد که امکان تحلیل جهت و شدت اثر متغیرها را فراهم می سازد. نتایج نشان داد مدل XGBoost با دستیابی به بالاترین دقت پیش بینی، عملکرد برتری نسبت به سایر مدل ها دارد و متغیرهای زمان و هزینه سفر از مهم ترین عوامل موثر بر انتخاب شیوه سفر هستند. یافته های این پژوهش نشان دهنده ظرفیت بالای مدل های یادگیری ماشین تبیین پذیر به عنوان ابزاری کارآمد برای پشتیبانی از تصمیم سازی و سیاست گذاری حمل ونقل شهری در چارچوب شهرهای هوشمند است.

کلیدواژه ها:

انتخاب شیوه سفر ، یادگیری ماشین ، ترجیحات اظهارشده ، تبیین پذیری مدل ، حمل ونقل شهری