جاده

جاده

پیش بینی حجم تقاضای مسافر با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی-خط 10 بی‌آرتی شهر تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 استادیار، دانشکده صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی‌، تهران، ایران
3 دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه تهران جنوب، تهران، ایران
چکیده
حمل ونقل عمومی به عنوان یک سیستم سنگین جابجایی مسافر از اهمیت ویژه ای برخوردار است، از این رو آسیب های وارده به این سیستم چه از نظر مالی یا فنی اهمیت زیادی دارد. در این پژوهش با استفاده از دادهای تهیه شده از شرکت واحد اتوبوس رانی به پیش‌بینی مسافر پرداخته می‌شود. پیش‌بینی یک جزء حیاتی از سیستم‌های حمل‌ونقل است که می‌تواند مورد استفاده قرار گیرد تا رفتارهای مسافرتی را به‌درستی تنظیم کند، باعث کاهش حمل‌ونقل مسافر و افزایش کیفیت خدمات سیستم‌های حمل‌ونقل شود. در این تحقیق، پیش‌بینی تعداد مسافر با استفاده از روش شبکه عصبی مورد بررسی قرار گرفته است. روش پیش‌بینی بر اساس مدل شبکه عصبی را می‌توان به‌صورت خلاصه ،بدین نحو بیان نمود :پس از بررسی داده‌ها و انجام یک سری پلایش ها احتمالی ،نوع تابع تانژاننت هیبربولیک و 6عدد نورون مشخص شد. بین ساعت 7:30 تا 8:30 در این زمان به دلیل اینکه مردم و دانش‌آموز به محل کار یا تحصیل خود می‌روند بیشترین تعداد مسافر را دارد.قله دوم در نمودار که کوتاه‌تر است در ساعات بین 5:30 تا 6:30 است. مدل عصبی با خطای 5 %توانای مناسبی جهت پیش‌بینی دارد و برای ایستگاه‌های مختلف مقدار صحت پیش‌بینی 92درصد بوده است .نتایج نشان می‌دهد که شبکه عصبی در پیش‌بینی تعداد مسافر موفق است.
کلیدواژه‌ها

 -Cui, X., Gao, J., & Wang, Y. (2010). Research of Bus Rapid Transportation based on “Public transportation first”. In 2010 International Conference on Future Information Technology and Management Engineering, IEEE.  Vol. 1, 174-177.
-Dong, X., Xiong, G., Fan, D., Zhu, F., & Lv. Y. (2011). Research on bus rapid transit (BRT) and its real-time scheduling. In Proceedings of 2011 IEEE International Conference on Service Operations, Logistics and Informatics, IEEE.  342-346.
-Firozbakht, E., Ebrahimzadeh, M. A., & Koulivand, H. (2025). Optimizing the Placement of Bus Stations in Urban Transportation Using Neural Network Algorithms to Minimize Traffic Delays. Road.
-Gong, Z., Du, B., Liu, Z., Zeng, W., Perez, P., & Wu, K. (2020). SD-seq2seq: a deep learning model forbus bunching prediction based on smart card data. Paper presented at the 2020 29th International Conference on Computer Communications and Networks (ICCCN).
-Hook, W., & Wright, L. (2007). Bus rapid transit: planning guide (Institute for Transportation and Development Policy: ITDP).
-Levinson, H. S., Zimmerman, S., Clinger, J., & Rutherford, H. C. S. (2002). Bus rapid transit: An overview. Journal of Public Transportation5(2), 1-30.
-Lin, D. Y., & Ku, Y. H. (2014). Using genetic algorithms to optimize stopping patterns for passenger rail transportation. ComputerAided Civil and Infrastructure Engineering29(4), 264-278.
-Liyanage, S., Abduljabbar, R., Dia, H., & Tsai, P. W. (2022). AI-based neural network models for bus passenger demand forecasting using smart card data. Journal of Urban Management11(3), 365-380.
-Sun, W. X., Song, T., & Zhong, H. (2009, April). Study on bus passenger capacity forecast based on regression analysis including time series. In 2009 International Conference on Measuring Technology and Mechatronics Automation, IEEE.  Vol. 2, 381-384.
-Zhang, J., Shen, D., Tu, L., Zhang, F., Xu, C., Wang, Y. & Li, Z. (2017). A real-time passenger flow estimation and prediction method for urban bus transit systems. IEEE Transactions on Intelligent Transportation Systems18(11), 3168-3178.
-Zhao, S. Z., Ni, T. H., Wang, Y., & Gao. X. T. (2011). A new approach to the prediction of passenger flow in a transit system. Computers & Mathematics with Applications61(8),1968-1974.
-Yang, Y., Yuan, Z. Z., Li, J. Y., Wang, Y. H., & Wang, W. C. (2018). Multi-mode public transit OD prediction and scheduling model. Advances in Transportation Studies3(Special Issue 2018).