ارائه روش یادگیری عمیق در مدل پیش‌بینی ایمنی در سیستم مترو (نمونه موردی: مترو شهر تبریز)

پیش‌بینی ایمنی سیستم حمل‌ونقل ریلی یک مشکل اساسی در مدل‌سازی و مدیریت حمل‌ونقل ریلی است. در این مقاله، یک مدل پیش‌بینی ایمنی بر اساس یادگیری عمیق برای ایمنی حمل‌ونقل ریلی پیشنهاد شد. این سیستم می‌تواند ویژگی‌های موثر برای پیش‌بینی حمل‌ونقل ریلی را به شیوه‌ یادگیری عمیق بدون نظارت یاد بگیرد. داده‌ها از شرکت عملیاتی مترو جمع‌آوری‌شده و در مورد فاکتورهای مدل پیش‌بینی تصمیم‌گیری شد. از این فاکتورها به‌عنوان ورودی dbn استفاده شد. ساختار داده ورودی، تعداد گره‌های هر لایه را تعیین می‌کند. نمونه داده‌های جمع‌آوری‌شده شامل انواع رویداد مستعد تصادف، اطلاعات اولیه قطار و اطلاعات عملیاتی شرکت می‌باشد. عوامل پیش‌بینی از طریق تجزیه‌وتحلیل این داده‌های جمع‌آوری‌شده انتخاب شد. برای نشان­دادن صحت این مدل، یک مجموعه داده (مترو تبریز) به‌عنوان مطالعه موردی موردبررسی قرارگرفته  است. آزمایش‌ها روی مجموعه داده‌ها عملکرد خوب پیش‌بینی مدل حاضر را نشان می‌دهد. پیش‌بینی ایمنی سیستم ریلی و ایمنی واقعی می‌توانند به‌خوبی باهم مطابقت داشته باشند. این نتایج نشان می‌دهد که یادگیری عمیق در یادگیری الگوهای یک سیستم ریلی مفید است. خطای پیش‌بینی و واقعیت بین 0.08 تا 0.08 معرفی شد. این‌یک خطای قابل‌قبول است و نمی‌تواند باعث ایجاد سطح ایمنی نادرست در سیستم شود. بازه متراکم ایمنی چه در وضع موجود و چه در مدل پیش‌بینی، در سطح دوم یعنی نسبتاً ایمن می‌باشد. این بازه متناسب با حد 0.8 تا 0.89 می‌باشد. البته که تمایل تراکم پس از سطح دوم به سمت سطح یک است تا سطح سوم. نکته قابل‌توجه آن است که مدل پیش‌بینی (در سطوح بالا) مقادیر بالاتر از ایمنی موجود را نشان داد.

Developing a deep learning method in safety prediction model in subway system (Case study: Tabriz subway)

Predicting the safety of the rail transport system is a fundamental problem in modeling and managing rail transport. In this paper, a profound learningbased safety prediction model for rail transport safety is proposed. Data were collected from the subway operating company and decisions were made on the factors of the forecasting model. These factors were used as DBN input. The structure of the input data determines the number of nodes in each layer. Sample data collected include types of accidentprone events, basic train information, and company operating information. Predictive factors were selected by analyzing these collected data. The DBN was then created based on the processed data. To show the accuracy of this model, a data set (Tabriz subway) has been investigated as a case study. Experiments on the data set show good predictive performance of the present model. These results show that deep learning is useful in learning the patterns of a rail system. Prediction and reality error between 0.08 and 0.08 are introduced. This is an acceptable error and cannot cause an incorrect level of security in the system. The dense safety range, both in the current situation and in the forecast model, is at the second level, i.e. relatively safety. This range is in the range of 0.8 to 0.89. Of course, the tendency of density after the second level is towards the first level to the third level. It is noteworthy that the forecast model (at high levels) shows higher values ​​than the existing safety.