مدل شبکه عصبی برای پیش بینی ماتریس های مبدا-مقصد تحت شرایط داده ناقص با استفاده از ویژگی های شبکه مبتنی بر گراف

در شرایطی که جمع آوری و دسترسی به داده های اقتصادی-اجتماعی و جمعیتی شبکه محدود است، تخمین دقیق ماتریس مبدا-مقصد یکی از چالش های کلیدی در تحلیل تقاضای حمل ونقل شهری و برنامه ریزی شبکه های ترافیکی به شمار می رود. این ماتریس نقش اساسی در تصمیم گیری های استراتژیک و مدیریت سیستم های حمل ونقل ایفا می کند. پیش بینی دقیق آن می تواند به بهبود تخصیص منابع، کاهش ازدحام و ارتقای کارایی شبکه های حمل ونقل کمک کند. این پژوهش با هدف رفع این چالش و تمرکز بر تخمین داده های گمشده در ماتریس های مبدا-مقصد با نرخ گمشده ۱۰ تا ۶۰ درصد، مدلی نوآورانه ارائه کرده است که ترکیبی از شاخصه های گراف و شبکه های عصبی است. در این رویکرد، ابتدا شبکه های شهری به صورت گراف مدل سازی شده و شاخصه هایی نظیر مرکزیت گره ها، روابط توپولوژیکی و ویژگی های ساختاری شبکه استخراج شدند. این شاخص ها سپس به عنوان ورودی به مدل شبکه عصبی تغذیه شدند تا تخمین ماتریس مبدا-مقصد با دقت بالا انجام شود. این رویکرد نه تنها هزینه و تلاش مرتبط با جمع آوری داده های اقتصادی-اجتماعی و جمعیتی را کاهش می دهد، بلکه امکان پیش بینی در محیط های با محدودیت داده را نیز فراهم می کند. عملکرد مدل پیشنهادی در سه شبکه شهری متفاوت (کوئینز، منهتن و بروکلین) با ویژگی های توپولوژیکی و تقاضای مختلف مورد ارزیابی قرار گرفت و با روش های سنتی مانند مدل جاذبه و روش های پیشرفته ای نظیر جنگل تصادفی و ایکس جی بوست مقایسه شد. هدف این پژوهش دستیابی به نتایجی قابل مقایسه با مدل جاذبه با استفاده از ورودی های یکسان، شامل موقعیت مکانی مناطق، میزان تولید و جذب آن ها است. نتایج حاکی از آن است که مدل پیشنهادی، با کاهش قابل توجه خطاهای تخمین و حفظ پایداری عملکرد در نرخ های مختلف داده های گمشده، برتری قابل توجهی نسبت به روش های دیگر دارد. این دستاورد نشان دهنده ظرفیت بالای ترکیب مدل های گراف محور و شبکه های عصبی در تحلیل شبکه های حمل ونقل شهری و بهبود مدیریت سیستم های ترافیکی در شرایط با داده های ناقص است.

کلیدواژه ها:

پیش بینی ماتریس مبدا-مقصد ، شبکه حمل ونقل شهری ، شاخصه های نمودار ، شبکه عصبی