کاربرد هوش مصنوعی و یادگیری ماشین در بهینه سازی سامانه های حمل ونقل عمومی هوشمند شهری

رشد شتابان جمعیت شهری و افزایش روزافزون تقاضای جابه جایی، مدیریت سامانه های حمل ونقل عمومی را به یکی از دشوارترین چالش های پیش روی شهرداری ها و سازمان های متولی حمل ونقل تبدیل کرده است. روش های سنتی زمان بندی خطوط اتوبوسرانی که عمدتا بر تجربه کارشناسی و میانگین های آماری ساده استوار هستند، در مواجهه با نوسانات ترافیکی، تغییرات فصلی تقاضا و رفتار غیرقطعی مسافران، از دقت کافی برخوردار نیستند. در این مقاله، رویکردی ترکیبی مبتنی بر هوش مصنوعی و یادگیری ماشین برای پیش بینی زمان رسیدن اتوبوس ها و بهینه سازی زمان بندی خطوط حمل ونقل عمومی شهری معرفی می شود. روش پیشنهادی، شبکه LSTM را با یک الگوریتم ژنتیک برای تنظیم خودکار ابرپارامترها ترکیب می کند و از داده های موقعیت یابی خودکار وسایل نقلیه، سوابق تاخیر، شرایط ترافیکی و بازه زمانی سفر به عنوان ورودی بهره می گیرد. برای ارزیابی کارایی روش پیشنهادی، عملکرد آن با پنج مدل مرسوم شامل شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان، جنگل تصادفی، واحد بازگشتی دروازه دار و حافظه کوتاه مدت طولانی ساده، در یک محیط شبیه سازی شده بر پایه سناریوی خطوط اتوبوسرانی شهری مقایسه شد. نتایج نشان می دهد مدل ترکیبی پیشنهادی با دقت پیش بینی ۶/۹۴ درصد و میانگین خطای مطلق ۷/۲ دقیقه، عملکردی به مراتب بهتر از سایر مدل ها داشته و می تواند مبنای مناسبی برای طراحی سامانه های اطلاع رسانی زمان واقعی و زمان بندی پویای ناوگان در سازمان های حمل ونقل عمومی، به ویژه در شهرهای میان اندازه ایران، باشد. همچنین نتایج این پژوهش نشان می دهد که افزودن یک لایه بهینه سازی فرااکتشافی به مدل های یادگیری عمیق، می تواند بدون افزایش چشمگیر پیچیدگی سامانه، دقت پیش بینی را به طور معناداری ارتقا دهد. یافته های این پژوهش می تواند به کاهش زمان انتظار مسافران، افزایش رضایتمندی شهروندان و بهره وری بیشتر ناوگان اتوبوسرانی کمک شایانی نماید.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، حمل ونقل هوشمند شهری ، پیش بینی زمان سفر ، شبکه های عصبی بازگشتی