تخمین زمان سفر وسایل نقلیه جمع‌آوری پسماند درمانی با استفاده از الگوریتم‌های شبکه عصبی مصنوعی مکانی زمانی (مطالعه موردی: شهر تهران)

رشد جمعیت و افزایش نیاز بشر به بهداشت و درمان، سبب افزایش تولید پسماندهای پزشکی شده است. در این میان جمع‌آوری و انتقال به مراکز دفن این پسماندها در کمترین زمان ممکن لازم است. یکی از ضروری‌ترین فاکتورهای مسیریابی وسایل نقلیه جمع‌آوری پسماند زمان سفر است. محاسبۀ زمان سفر به پارامترهای فراوانی بستگی دارد. رویکردی که همۀ پارامترهای تاثیرگذار در این امر را لحاظ و همچنین میزان تاثیر آن‌ها را تعیین می‌کند، می‌تواند به محاسبۀ دقیق زمان سفر و به‌تبع آن یافتن مسیر مناسب منجر شود. هدف اصلی این مقاله، تخمین دقیق زمان سفر با به‌کارگیری همۀ پارامترهای تاثیرگذار در پیمودن یک معبر برای وسایل نقلیۀ جمع‌آوری پسماند پزشکی است که با توجه به نیاز به یادگیری مکانی زمانی از الگوریتم‌های شبکه عصبی مصنوعی استفاده شده است که به‌نوعی نوآوری پژوهش نیز است. درواقع علاوه ‌بر پارامترهای ایستا، به‌منظور به‌دست‌آوردن داده‌های پویا که یکی از محدودیت‌های اصلی این رویکرد است، از داده‌های لحظه‌ای دوربین‌های سازمان کنترل ترافیک و گوگل استفاده شده است. از داده‌های واقعی زمان سفر که وسایل نقلیه به‌منظور جمع‌آوری پسماند درمانی صرف کرده‌اند، به‌عنوان خروجی شبکۀ عصبی استفاده شده است. مدل پیشنهادی استفاده‌شده شبکۀ عصبی مکانیزمانی (st-ann) نام دارد؛ زیرا لحظۀ حرکت وسیلۀ نقلیه دو پارامتر زمان و مکان مشخص است. از پارامتر مکان ویژگی‌های ایستا و از پارامتر زمان ویژگی‌های پویای مربوط به آن گذر مشخص می‌شود. در این پژوهش، از بازه‌های زمانی 30 دقیقه‌ای استفاده شد. سپس این نتایج بر پایۀ زمان روز ترکیب تا زمان سفر پیش‌بینی شدند. در اجرای st-ann به‌منظور تعیین معماری مناسب 24 ترکیب متفاوت از اجزای آن اجرا شد و از تعداد 937 یال، 70، 15 و 15 درصد آن به‌ترتیب برای نمونۀ آموزشی، اعتبار سنجی و کالیبره‌کردن مدل استفاده و در نهایت با ضریب هم‌بستگی 91 درصد زمان سفر هر یال برآورد شد. از طرفی نتایج پژوهش با مدل‌های دیگر و با دو معیار ضریب هم‌بستگی (r^2) و خطای میانگین مربعات (mse) بررسی و مشاهده شد r^2 به مقادیر 11/0، 08/0 و 02/0 و mse به مقادیر 278، 190 و 26 بهبود یافته‌اند.

Estimation of Waste Collection Vehicles’ Travel Time Using Spatial-Temporal Artificial Neural Networks Algorithms (Case Study: Tehran City)

Travel time data is important for most of the vehicle routing problems (VRP) aimed at modeling time constraints like customer time window as well as time objectives, such as minimizing travel time and waiting time. One of the most important advantages of precise travel times in VRPs is the reduction of total travel time and increasing route reliability, which with more accurate travel time data better removes time constraints. The obvious reasons for not using variable travel time in VRP are related to three factors. First, conventional VRP algorithms cannot consider variable travel time without major structural changes. Second, all parameters affecting travel time are often not used. Third, collecting the required data is very difficult. Therefore, designing appropriate models with enough accuracy in predicting travel time based on the effective variables is a necessity in the transportation planning process.In this paper, the appropriate variables for measuring the impact of spatialtemporal and traffic factors on the travel time of medical waste collection vehicles in a single route were defined and by examining and implementing the proposed model, the impact of these variables on the travel time was measured. To estimate the travel time, we used the proposed model called spatialtemporal neural network (STNN) which can examine the effect of variables at any moment of the travel time. The study area is Tehran metropolis with its entire urban passages network. The required data were first preprocessed and then entered into the neural network algorithm as model inputs. The model was