طراحی یک مدل یادگیری تمیزدهنده جهت بهبود مسیرهای اتوبوس در شبکه‌ی حمل و نقل بهینه

طراحی شبکهی حمل و نقل اتوبوس (btn) یکی از مهمترین مباحث در مدیریت شهری است. پارامترهای تاثیر گذار زیادی در این طراحی، موثر میباشند. پارامترهایی که در مجموع منجر به برآورده شدن مجموعه ای از اهداف مدیریت شهری میشود. بهبود دسترسی پذیری شهروندان، پوشش مساحت بیشتری از سطح شهر، کاهش زمان انتظار و هزینه و همچنین کاستن از تعداد تعویض خطوط اتوبوس برای رسیدن به مقصد یک مسافر، از جملهی این اهداف است. طراحی یک btn یک مسالهی nphard میباشد و بنابراین رسیدن به یک پاسخ بهینه در طراحیهای با ابعاد بالا کاری دشوار است. راه حل معمول در طراحی یک btn به این صورت میباشد: کاهش فضای جستجوی ممکن در ابتدا و سپس ساخت شبکه بر اساس اولویتهای مدیریت شهری. در این مقاله یک روش جدید برای ارتقای طراحی یک btn ارایه میشود که مبتنی بر یادگیری آماری میباشد. این مدل به کمک روشهای یادگیری آماری و ترکیب آنها با یکدیگر تولید میشود. در این تحقیق دانش متخصصان انسانی از شبکهی btn فعلی استخراج میشود، سپس این دانش برای کوچک کردن فضای جستجویِ طراحی یک btn به محدوده ای کوچک از معابر به کار گرفته میشود. این معابر ویژگی های لازم برای شرکت در btn را دارند و میتوانند برای مساله ی طراحی شبکهی اتوبوسرانی btndp یا توسعهی btn فعلی به کار گرفته شوند. در این مقاله از naive bayesian و دو روش دیگر رگرسیون پایه و ورژن ترکیبی آنها برای تولید مدل خود بهره گرفته شده است. ارزیابی مدل تولیدی بر اساس دقت، false positive و true positive صورت میگیرد. مقادیر به دست آمده از این معیارها قابل اعتماد بودن روش پیشنهادی را تصدیق میکند. دیتاست مورد استفاده در این مقاله، شامل اطلاعات شبکه ی اتوبوس رانی شهر تهران میباشد.