تخمين زمان سفر وسايل نقليه جمع‌آوري پسماند درماني با استفاده از الگوريتم‌هاي شبكه عصبي مصنوعي مكاني زماني (مطالعه موردي: شهر تهران)

رشد جمعيت و افزايش نياز بشر به بهداشت و درمان، سبب افزايش توليد پسماندهاي پزشكي شده است. در اين ميان جمع‌آوري و انتقال به مراكز دفن اين پسماندها در كمترين زمان ممكن لازم است. يكي از ضروري‌ترين فاكتورهاي مسيريابي وسايل نقليه جمع‌آوري پسماند زمان سفر است. محاسبۀ زمان سفر به پارامترهاي فراواني بستگي دارد. رويكردي كه همۀ پارامترهاي تأثيرگذار در اين امر را لحاظ و همچنين ميزان تأثير آن‌ها را تعيين مي‌كند، مي‌تواند به محاسبۀ دقيق زمان سفر و به‌تبع آن يافتن مسير مناسب منجر شود. هدف اصلي اين مقاله، تخمين دقيق زمان سفر با به‌كارگيري همۀ پارامترهاي تأثيرگذار در پيمودن يك معبر براي وسايل نقليۀ جمع‌آوري پسماند پزشكي است كه با توجه به نياز به يادگيري مكاني زماني از الگوريتم‌هاي شبكه عصبي مصنوعي استفاده شده است كه به‌نوعي نوآوري پژوهش نيز است. درواقع علاوه ‌بر پارامترهاي ايستا، به‌منظور به‌دست‌آوردن داده‌هاي پويا كه يكي از محدوديت‌هاي اصلي اين رويكرد است، از داده‌هاي لحظه‌اي دوربين‌هاي سازمان كنترل ترافيك و گوگل استفاده شده است. از داده‌هاي واقعي زمان سفر كه وسايل نقليه به‌منظور جمع‌آوري پسماند درماني صرف كرده‌اند، به‌عنوان خروجي شبكۀ عصبي استفاده شده است. مدل پيشنهادي استفاده‌شده شبكۀ عصبي مكانيزماني (ST-ANN) نام دارد؛ زيرا لحظۀ حركت وسيلۀ نقليه دو پارامتر زمان و مكان مشخص است. از پارامتر مكان ويژگي‌هاي ايستا و از پارامتر زمان ويژگي‌هاي پوياي مربوط به آن گذر مشخص مي‌شود. در اين پژوهش، از بازه‌هاي زماني 30 دقيقه‌اي استفاده شد. سپس اين نتايج بر پايۀ زمان روز تركيب تا زمان سفر پيش‌بيني شدند. در اجراي ST-ANN به‌منظور تعيين معماري مناسب 24 تركيب متفاوت از اجزاي آن اجرا شد و از تعداد 937 يال، 70، 15 و 15 درصد آن به‌ترتيب براي نمونۀ آموزشي، اعتبار سنجي و كاليبره‌كردن مدل استفاده و در نهايت با ضريب هم‌بستگي 91 درصد زمان سفر هر يال برآورد شد. از طرفي نتايج پژوهش با مدل‌هاي ديگر و با دو معيار ضريب هم‌بستگي (R^2) و خطاي ميانگين مربعات (MSE) بررسي و مشاهده شد R^2 به مقادير 11/0، 08/0 و 02/0 و MSE به مقادير 278، 190 و 26 بهبود يافته‌اند.