طراحی پایدار شبکه حمل ونقل همگانی خودران با استفاده از یادگیری بهینه

در شرایطی که پیاده سازی سیستم های حمل و نقل با فناوری های نوظهور مانند ناوگان های خودران، ناوگان های تغذیه کننده مشترک خودران و وسایل نقلیه خودران مشترک با کمبود داده های کافی روبه رو است، مسئله ای چالش برانگیز در حوزه بهره برداری و طراحی مسیرهای خدمات حمل و نقل عمومی ایجاد می شود. داده های محدود موجود منجر به عدم قطعیت در تصمیم گیری ها می شود، به ویژه در تعیین تقاضای سفر در یک منطقه. این مطالعه یک الگوریتم مبتنی بر هوش مصنوعی را پیشنهاد می دهد که با ترکیب یادگیری بهینه و طراحی شبکه حمل و نقل متوالی، به مشکل بهره برداری در شرایط داده های محدود می پردازد. در این رویکرد، اپراتور به تدریج سیستم مسیرهای خود را گسترش می دهد تا از خطرات ناشی از عدم هماهنگی بین مسیرهای طراحی شده و تقاضای واقعی سفر جلوگیری کند. همزمان، اطلاعات مشاهده شده جمع آوری و بایگانی می شود تا برای به روزرسانی دانش مورد استفاده اپراتور به کار گرفته شود. این روش نه تنها در بهبود کارایی عملیاتی و کاهش هزینه ها موثر است، بلکه به ترویج حمل و نقل پایدار نیز کمک می کند. با به کارگیری فناوری های نوین و بهینه سازی هماهنگی بین تقاضا و ارائه خدمات، می توان از تاثیرات منفی زیست محیطی، از جمله آلودگی هوا و مصرف بی رویه انرژی، جلوگیری کرد و به سمت استفاده بهینه از منابع و توسعه پایدار حرکت نمود. در این الگوریتم، سیاست یادگیری نمونه گیری تامپسون مورد استفاده قرار گرفته است. الگوریتم ارائه شده بر روی یک شبکه فرضی کوچک پیاده سازی شد. نتایج افزایش عملکرد را در مقایسه با روش های سنتی و دیگر الگوریتم های یادگیری نشان می دهد. در تحقیقات آینده، این مسئله می تواند پیچیدگی های بیشتری مانند کشش تقاضا نسبت به زمان سفر، عدم محدودیت در تعداد انتقال ها و هزینه های گسترش را نیز دربرگیرد.

کلیدواژه ها:

طراحی شبکه ، حمل ونقل همگانی ، حمل ونقل پایدار ، یادگیری بهینه