مدل‌ شبكه عصبي در براورد تقاضاي دوركاري: روشي براي كاهش ترافيك شهري

Artificial Neural Network Model for Telecommuting Demand: A Technique to Decrease Urban Traffic

چكيده- هزينه‌هاي بسيار زياد حمل‌ونقل، محققين را به سمت استفاده از شيوه‌هاي كاراتر مانند دوركاري براي كاهش اين هزينه‌ها سوق داده است. اين شيوه نوين مديريت حمل‌ونقل باعث كاهش حجم سفرهاي كاري و هزينه‌هاي آن مانند مصرف سوخت، زمان سفر، آلودگي هوا و سرمايه‌گذاري در توسعه زيرساخت‌ها مي‌شود. با توجه به آثار مثبت و وسيع اين شيوه و پيچيدگي فرايند تصميم‌گيري انسان، اين مقاله با به‌كارگيري توان زياد مدل‌هاي شبكه‌ي عصبي مصنوعي در بازسازي روابط پيچيده و غيرخطي، به مدل‌سازي تقاضاي دوركاري براي نمونه شهر تهران مي‌پردازد. در اين مقاله از مدل پرسپتروني چندلايه از نوع پس‌انتشار خطا براي براورد دوركاري استفاده مي‌شود. شبكه‌ي پيشنهادشده، 21 نرون در 3 لايه با توابع انتقال تانژانت سيگمويد، لگاريتم سيگمويد و خطي دارد. با استفاده از اطلاعات به‌دست‌آمده از پرسش‌گري طراحي‌شده، مدل‌هاي مختلفي با حجم نمونه‌ي 676 پرداخت شدند. نتايج مدل پيشنهادي كه با 171 مجهول و پس از 1800 تكرار به هم‌گرايي رسيد، گوياي قابليت بالا در بازسازي مشاهدات است، به گونه‌اي كه ميانگين مربعات خطا، ضريب تعيين و شاخص براوردهاي صحيح براي مجموعه‌‌ي آزمايش، به ترتيب، 1770/1، 19/0 و 39 درصد است. با استفاده از مدل پيشنهادي اين پژوهش و اطلاعات چهار متغير مستقل، مي‌توان براورد ي از تعداد روز دوركاري در هفته داشت كه هم‌فزوني آن‌ها براوردي از تقاضاي كلان دوركاري در سطح شهر براي تصميم‌گيري بهتر در مورد تدوين برنامه‌هاي مربوط به دست خواهد داد.

Heavy transport costs have lead researchers in the field towards more efficient techniques to reduce peak period congestion. One such technique is telecommuting which is planned to, in line with the most travel demand management techniques, to decrease motorized trips during commuting hours. By allowing employees to work from home or a center near home equipped with telecommunication technologies, telecommuting causes an increase in efficiency of the urban transport system and a decrease in fuel consumption costs, air pollution costs and the need to invest infrastructures. Identification of the actual demand for telecommuting is a prime to analyzing the potential consequences of telecommuting in mobility improvement, congestion reduction, and energy conservation. Considering the vast socio-economic dimensions of this technique, the present paper intends to model telecommuting demand for the metropolitan of Tehran, Iran, by employing the artificial neural network (ANN) approach. ANNs are applied as a modeling tool for the complex systems of recognition and prediction, inspired by the interconnectivity of the human nervous system. ANN simulates adaptive interaction between processing elements in parallel architecture. A multi-layer perceptron model using error back propagation is deployed to predict the suitable number of weekdays telecommuting for each employment category. Using the data from an interview-filled questionnaire, designed for this purpose, various structures of ANN models were calibrated based on 80 percent of a 676 size sample. The remaining 20 percent of the preference data was preserved to assess the prediction strength of the model as it encounters unforeseen cases. Four endogenous inputs that inferred from organizational characteristics of employees arrayed the neural network model. Due to unordered nominal values of independent variables, ANN was determined to be an appropriate approach to recognize the telecommuting suitability pattern. The proposed neural network is composed of 21 neurons in 3 layers with tan-sigmoid, log-sigmoid, and linear transfer functions in the corresponding hidden and output layers. Results of the proposed model with 171 unknown parameters, converging after 1800 iterations, indicated a fair capability to replicate observations, such that mean square error, coefficient of determination, and percent correct criteria for the test set equaled, respectively, 1.177, 0.19 and 39 percent. The ANN model successfully estimated the stated quantities of telecommuting days per week, within a range of one day error, to 86 percent and 84 percent correct for the train and test sets, respectively. The evaluation results of train and test subsets are relatively close, which indicates a low generalization error, meanwhile demonstrates the reliability of ANNs to forecast the telecommuting demand.