ارزیابی الگوریتم های یادگیری ماشین در مدلسازی انتخاب، نمونه موردی قیمت گذاری پارک حاشیه ای در شهر تهران

یکی از مشکلات جوامع شهری، تراکم، آلودگی هوا و آلودگی صوتی ناشی از استفاده از خودروی شخصی در سطح شهر برای سفرهای روزانه است، که محققان حمل ونقل، سال ها در پی حل این معضل هستند. یکی از راهکارهای مواجه با این مشکلات، استفاده از سیاست های مدیریت تقاضای سفر است. از جمله این سیاست ها، قیمت گذاری پارک حاشیه ای است. برای سنجش اثربخشی سیاست های مدیریت تقاضای سفر و در نتیجه پیش بینی رفتار شهروندان در مواجه با سیاست های مختلف، راهکارهای مختلفی وجود دارد. یکی از این راهکارها بررسی نحوه تغییر رفتار سفر کاربران در مواجه با سیاست است. یک نوع تغییر رفتار سفر، تغییر وسیله از خودروی شخصی به سایر شیوه ها است. بررسی انتخاب بین چند گزینه به خصوص انتخاب وسیله افراد معمولا با استفاده از مدل های انتخاب گسسته انجام می شود. در سال های اخیر، مدل های یادگیری ماشین برای مدلسازی انتخاب مورد توجه محققان بوده است. این مدل ها تنوع زیادی دارند، فاقد پیش فرض بوده و برای طیف وسیعی از مجموعه داده قابل استفاده هستند. هدف این مطالعه بکارگیری مدل های KNN، SVM، Decision Tree، Random Forest و Ada Boost برای بررسی عملکرد آن ها در مدلسازی نحوه انتخاب رفتار کاربران در صورت قیمت گذاری پارک حاشیه ای و بررسی قابلیت پیش بینی مدل ها است. در این مطالعه از اطلاعات حاصل از پرسشگری به روش رجحان بیان شده از ۹۰۰ نفر از کاربران خودروی شخصی که از پارک حاشیه ای در سطح شهر استفاده کرده اند استفاده شد. بررسی نمونه موردی نشان داد که تمایل به تغییر وسیله از خودروی شخصی، در صورت قیمت گذاری پارک حاشیه ای، کم (۲۷ درصد نمونه) است. در بین مدل ها نیز Random Forest با صحت ۷۰ درصد و مدل Ada Boost با صحت ۶۸ درصد، بهترین پیش بینی را دارند.

کلیدواژه ها:

یادگیری ماشین ، مدل انتخاب ، قیمت گذاری پارک حاشیه ای