چارچوب هوشمند مبتنی بر lstm و الگوریتم ژنتیک برای پیش‌بینی زمان سفر و بهینه‌سازی زمان‌بندی ناوگان اتوبوس: مطالعه‌ی موردی کریدور ایرانشهر–چابهار

مدیریت کارآمد ناوگان حمل‌ونقل عمومی در مناطق پرترافیک، یکی از چالش‌های اساسی در برنامه‌ریزی شهری و منطقه‌ای به شمار می‌آید. افزایش تقاضای سفرهای بین‌شهری در دهه اخیر، به‌ویژه در محورهای استراتژیک جنوب استان سیستان و بلوچستان، ضرورت استفاده از رویکردهای هوشمند را دوچندان ساخته است. در این پژوهش، چارچوبی ترکیبی مبتنی بر شبکه‌های حافظه‌دار بلند و کوتاه مدت( lstm) [1] و الگوریتم ژنتیک(ga) [4] ارائه می‌شود که هدف آن پیش‌بینی دقیق زمان سفر و بهینه‌سازی برنامه اعزام ناوگان اتوبوس است.ابتدا مدل lstm با استفاده از داده‌های تاریخی شامل حجم ترافیک، شرایط جوی، ساعات اوج و ظرفیت ناوگان آموزش داده شد و زمان سفر برای هر محور پیش‌بینی گردید [3،2]، در ادامه، خروجی این مدل به الگوریتم ژنتیک داده شد تا اعزام‌ها به‌گونه‌ای بازچینش شوند که شاخص‌های کلیدی عملکرد شامل بهره‌وری ظرفیت (u)، یکنواختی هدوی (hr)، عملکرد به‌موقع (otp) و میانگین تاخیر بهبود یابند [5،4]، نتایج شبیه‌سازی در کریدور ایرانشهر–چابهار نشان داد که میانگین تاخیر شبکه‌ای بیش از 50٪ کاهش یافته (از 25 به 12 دقیقه) و میزان otp در آستانه δ=10 دقیقه از 68٪ به 89٪ ارتقا یافته است. همچنین hr از 0.62 به 0.91 افزایش یافته و مقدار تابع هدف در سطح شبکه حدود 35٪ کاهش یافته است [7،6]،یافته‌های این مطالعه نشان می‌دهد که ترکیب مدل‌های پیش‌بینی مبتنی بر یادگیری عمیق با الگوریتم‌های فراابتکاری می‌تواند به‌عنوان راهکاری نوآورانه برای ارتقای کیفیت سرویس حمل‌ونقل عمومی در مناطق پرترافیک عمل کند. از منظر عملیاتی، چارچوب پیشنهادی می‌تواند به کاهش زمان انتظار مسافران، افزایش اعتماد عمومی به ناوگان و بهبود بهره‌وری اپراتورها منجر شود. افزون بر این، نتایج به‌دست‌آمده با مطالعات اخیر در حوزه‌ی حمل‌ونقل هوشمند هم‌راستا بوده و ظرفیت بالایی برای تعمیم به سایر کریدورهای پرترافیک کشور دارد[10،9].

a hybrid framework based on long short-term memory and genetic algorithm for optimizing public bus fleet scheduling in the iranshahr–chabahar corridor

efficient management of public transport fleets in high-demand corridors is a critical challenge in transportation planning. the rapid increase in intercity travel demand, particularly in the strategic corridors of southeastern iran, highlights the need for intelligent scheduling methods. this paper proposes a hybrid framework that integrates long short-term memory (lstm) networks [1] for travel time prediction with a genetic algorithm (ga) [4] for bus dispatch optimization. in the first stage, the lstm model is trained using historical data, including traffic volume, weather conditions, peak-hour indicators, and fleet capacity, to predict travel times for each route [2,3]. in the second stage, the predicted travel times are fed into the ga, which generates and evaluates bus dispatch schedules under multiple operational constraints. the objective function incorporates normalized delay, capacity utilization, and headway regularity [4,5]. simulation results for the iranshahr–chabahar corridor demonstrate that the proposed framework reduces the average delay by more than 50% (from 25 to 12 minutes), improves on-time performance (otp) from 68% to 89% under a 10-minute threshold, and increases headway regularity (hr) from 0.62 to 0.91. moreover, the network-wide objective function value decreased by approximately 35% [6,7]. the findings confirm that combining data-driven prediction models with evolutionary optimization provides a powerful tool for enhancing service reliability and operational efficiency in public transport systems. from a practical perspective, this framework reduces passenger waiting times, improves user confidence, and increases the overall efficiency of bus operators [9,10]. furthermore, the approach is consistent with recent studies in intelligent transportation and can be extended to other high-demand corridors across the country