کاربرد هوش مصنوعی و داده کاوی در پیش بینی نقاط داغ (Hotspots) تخلفات شهری: رویکردی نوآورانه در مدیریت هوشمند اجرائیات

با گسترش روزافزون شهرنشینی و افزایش پیچیدگی های مدیریت شهری، تخلفات شهری به یکی از چالش های اساسی مدیریت اجرائیات در شهرداری ها تبدیل شده است. تخلفاتی نظیر ساخت وسازهای غیرمجاز، سد معبر، تخلفات صنفی، نصب تابلوهای بدون مجوز، آلودگی های صوتی و بصری و سایر موارد مشابه، نه تنها موجب اختلال در نظم شهری می شوند، بلکه هزینه های سنگینی را بر مدیریت شهری تحمیل می کنند. در این میان، پیش بینی نقاط داغ تخلفات شهری با استفاده از فناوری های نوین همچون هوش مصنوعی و داده کاوی، به عنوان رویکردی نوآورانه و کارآمد در مدیریت هوشمند اجرائیات مطرح شده است. بیان مسئله: روش های سنتی مدیریت تخلفات شهری عمدتا بر بازرسی های دوره ای، گزارش های مردمی و اقدامات واکنشی متکی هستند که از کارایی لازم برخوردار نبوده و تخصیص بهینه منابع انسانی و مالی را با مشکل مواجه می سازند. روش اجرا: پژوهش حاضر با استفاده از رویکرد ترکیبی (کیفی-کمی-تطبیقی) و با به کارگیری الگوریتم های یادگیری ماشین شامل رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، XGBoost و شبکه های عصبی عمیق، به تحلیل داده های تاریخی تخلفات شهری جمع آوری شده از شهرداری خمینی شهر در بازه زمانی ۱۴۰۰ تا ۱۴۰۳ پرداخته است. داده ها شامل متغیرهای مکانی، زمانی، جمعیتی، اقتصادی و محیطی بوده و با استفاده از سیستم اطلاعات مکانی (GIS) و تکنیک های تحلیل مکانی-زمانی مورد پردازش قرار گرفته اند. نتیجه گیری: نتایج پژوهش نشان می دهد که مدل پیشنهادی ترکیبی مبتنی بر الگوریتم XGBoost با دقت ۸۷/۳ درصد، توانسته است نقاط داغ تخلفات شهری را با دقت قابل قبولی پیش بینی نماید. این مدل قادر است الگوهای مکانی-زمانی تخلفات را شناسایی کرده و به مدیران شهری در تخصیص بهینه نیروهای اجرائیات، برنامه ریزی گشت های هدفمند و کاهش زمان پاسخ گویی کمک شایانی نماید. پیاده سازی این سامانه می تواند تا ۴۰ درصد کاهش هزینه های عملیاتی و ۳۵ درصد افزایش کارایی نیروی انسانی را به همراه داشته باشد.

کلیدواژه ها:

هوش مصنوعی ، داده کاوی ، نقاط داغ تخلفات شهری ، مدیریت هوشمند اجرائیات ، سیستم اطلاعات مکانی