ارائه مدل چندهدفه لجستیک شهری کم کربن مبتنی بر اکوسیستم داده های بلادرنگ و هوش مصنوعی برای بهینه سازی ناوگان حمل و نقل عمومی

رشد فزاینده شهرنشینی و افزایش تقاضای سفرهای درون شهری سیستم های حمل و نقل عمومی را با چالش های جدی در حوزه کارایی عملیاتی و پایداری زیست محیطی مواجه ساخته است. سهم قابل توجه این بخش در مصرف انرژی و انتشار گازهای گلخانه ای ضرورت حرکت به سمت لجستیک شهری کم کربن و بهره گیری از رویکردهای داده محور را دوچندان کرده است. در این پژوهش یک مدل یکپارچه پیش بینی بهینه سازی مبتنی بر اکوسیستم داده های بلادرنگ و الگوریتم های یادگیری ماشین برای زمان بندی ناوگان حمل و نقل عمومی ارائه می شود. در مرحله نخست با استفاده از شبکه عصبی پیشخور زمان سفر بر اساس داده های GPS، تراکم ترافیکی و شرایط محیطی پیش بینی می گردد. در مرحله دوم، خروجی مدل پیش بینی در قالب یک مدل بهینه سازی چندهدفه برای حداقل سازی همزمان زمان انتظار مسافران، مصرف انرژی و انتشار CO۲ به کار گرفته می شود. به منظور ارزیابی پایداری، مدل تحلیل حساسیت بر روی ضرایب وزن دهی اهداف زیست محیطی انجام شده است. نتایج شبیه سازی نشان می دهد مدل پیشنهادی نسبت به روش های سنتی زمان بندی موجب کاهش ۱۵ درصدی زمان انتظار، ۱۱ درصدی مصرف انرژی و ۱۳ درصدی انتشار کربن می شود. یافته ها بیانگر آن است که ادغام یادگیری ماشین با مدلسازی چندهدفه در محیط داده های بلادرنگ می تواند چارچوبی موثر برای توسعه حمل و نقل شهری هوشمند، پایدار و کم کربن فراهم سازد.

کلیدواژه ها:

اکوسیستم داده های بلادرنگ ، حمل و نقل پایدار شهری ، کاهش رد پای کربن ، لجستیک شهری کم کربن ، مدل سازی چندهدفه ، یادگیری ماشین