ات پروری اوری یک مدل ترکیبی LASSO-LSTM-Attention-IDOA برای سیستمهای پارک هوشمند برخط: یک مطالعه مبتنی بر شبیه سازی با در نظرگیری عدم قطعیت

تقاضای روزافزون پارکینگ در شهرها مدیریت مطلوب پارکینگ را به یک چالش حیاتی تبدیل نموده است. در این مقاله مدل ترکیبی نوآورانه ای به نام IDOA-Attention-LSTM-LASSO پیشنهاد می شود که الگوریتم بهینه سازی دینگوی بهبود یافته (DOA) را با شبکه حافظه بلند کوتاه مدت مبتنی بر مکانیزم توجه و منظم شده با عملگر انتخاب و جمع شدگی مطلق کمینه LSTM-LASSO برای سامانه پارک هوشمند برخط ترکیب می نماید. این پژوهش یک چارچوب عملی برای مدل سازی مهندسی عدم قطعیت در محیط شبیه سازی ارائه می دهد که تمرکز بر تقریب عملی عدم قطعیت دارد نه استنتاج کامل بیزی. به دلیل محدودیت های دسترسی به داده های حسگری، برخط یک شبیه ساز چند سناریویی عامل محور در پایتون توسعه داده شد. برای ارزیابی مقاومت، سیستم عملکرد مدل در سه سناریوی شبیه سازی با سطوح متفاوت عدم قطعیت (بدبینانه، محتمل، خوش بینانه) تحلیل شد. نتایج شبیه سازی حاکی از آن است که سیستم پیشنهادی به نرخ موفقیت ۹۴.۷، ۹۵/۹۲.۹ و ۹۶.۵ در شرایط محتمل با کاهش ۵.۵ در شرایط بدبینانه نشان دهنده مقاومت خوب و بهبود ۳۶ در قابلیت اطمینان تصمیم گیری در مقایسه با سیستم های قطعی دست می یابد. این پژوهش نشان می دهد که ترکیب فرابیرهای الهام گرفته از طبیعت با یادگیری عمیق و مدل سازی عملی عدم قطعیت در چارچوب شبیه سازی چند سناریویی می تواند راه حل موثری برای سیستم های حمل و نقل هوشمند ارائه دهد.

کلیدواژه ها:

پارک هوشمند ، یادگیری عمیق ، بهینه سازی ، فرابیر ، الگوریتم بهینه سازی دینگو ، تحلیل چند سناریویی