ارائه مدل پیشبینی هوش مصنوعی برای نگهداری پیشگیرانه زیرساختهای شهری با تاکید بر بهینه سازی تخصیص منابع در شهرداری تبریز

پژوهش حاضر با هدف طراحی مدل پیش بینی هوش مصنوعی برای نگهداری پیشگیرانه زیرساخت های شهری با تاکید بر بهینه سازی تخصیص منابع در شهرداری تبریز انجام گرفته است. روش پژوهش از نوع توسعه ای-کاربردی با رویکرد ترکیبی (کیفی و کمی) و مبتنی بر طراحی سیستم و شبیه سازی محاسباتی می باشد. در بخش کیفی، مصاحبه های نیمه ساختاریافته با ۲۲ نفر از مدیران و کارشناسان ارشد شهرداری تبریز انجام شد و داده ها با روش تحلیل مضمون در سه مرحله کدگذاری باز، محوری و انتخابی تحلیل گردید. در بخش کمی، چهار الگوریتم یادگیری ماشین (شبکه عصبی عمیق، XGBoost، جنگل تصادفی و رگرسیون لجستیک) بر روی ۶,۲۴۷ نمونه داده های تاریخی نگهداری و تعمیرات زیرساخت های شهری پیاده سازی و عملکرد آن ها مقایسه شد. یافته ها نشان می دهد که الگوریتم XGBoost با دقت ۰.۹۱۲ و AUC ۰.۹۴۷ بهترین عملکرد را در پیش بینی خرابی زیرساخت ها دارد. تلفیق مدل پیش بینی با رویکرد تحلیل هزینه چرخه عمر (LCCA) موجب کاهش ۴۱.۰ درصدی هزینه های کل چرخه عمر و افزایش ۵۹.۲ درصدی عمر مفید زیرساخت ها می شود. مهم ترین موانع پیاده سازی مدل به ترتیب اولویت عبارت اند از: موانع داده ای (۹۰.۹ درصد)، موانع فنی (۸۶.۴ درصد)، موانع نهادی (۷۷.۳ درصد) و موانع مالی (۶۸.۲ درصد). نتایج پژوهش بر ضرورت ایجاد پایگاه داده یکپارچه نگهداری، استقرار تدریجی شبکه حسگرهای اینترنت اشیا و تدوین آیین نامه بودجه ریزی چندساله مبتنی بر پیش بینی و هزینه چرخه عمر تاکید دارد.