طراحي يك مدل يادگيري تميزدهنده جهت بهبود مسيرهاي اتوبوس در شبكه‌ي حمل و نقل بهينه

Design a Discriminative Learning Model to Improve Bus Routes of Bus Transit Network

طراحي شبكهي حمل و نقل اتوبوس (BTN) يكي از مهمترين مباحث در مديريت شهري است. پارامترهاي تاثير گذار زيادي در اين طراحي، موثر ميباشند. پارامترهايي كه در مجموع منجر به برآورده شدن مجموعه اي از اهداف مديريت شهري ميشود. بهبود دسترسي پذيري شهروندان، پوشش مساحت بيشتري از سطح شهر، كاهش زمان انتظار و هزينه و همچنين كاستن از تعداد تعويض خطوط اتوبوس براي رسيدن به مقصد يك مسافر، از جملهي اين اهداف است. طراحي يك BTN يك مسالهي NPhard ميباشد و بنابراين رسيدن به يك پاسخ بهينه در طراحيهاي با ابعاد بالا كاري دشوار است. راه حل معمول در طراحي يك BTN به اين صورت ميباشد: كاهش فضاي جستجوي ممكن در ابتدا و سپس ساخت شبكه بر اساس اولويتهاي مديريت شهري. در اين مقاله يك روش جديد براي ارتقاي طراحي يك BTN ارايه ميشود كه مبتني بر يادگيري آماري ميباشد. اين مدل به كمك روشهاي يادگيري آماري و تركيب آنها با يكديگر توليد ميشود. در اين تحقيق دانش متخصصان انساني از شبكهي BTN فعلي استخراج ميشود، سپس اين دانش براي كوچك كردن فضاي جستجويِ طراحي يك BTN به محدوده اي كوچك از معابر به كار گرفته ميشود. اين معابر ويژگي هاي لازم براي شركت در BTN را دارند و ميتوانند براي مساله ي طراحي شبكهي اتوبوسراني BTNDP يا توسعهي BTN فعلي به كار گرفته شوند. در اين مقاله از Naive Bayesian و دو روش ديگر رگرسيون پايه و ورژن تركيبي آنها براي توليد مدل خود بهره گرفته شده است. ارزيابي مدل توليدي بر اساس دقت، False positive و True positive صورت ميگيرد. مقادير به دست آمده از اين معيارها قابل اعتماد بودن روش پيشنهادي را تصديق ميكند. ديتاست مورد استفاده در اين مقاله، شامل اطلاعات شبكه ي اتوبوس راني شهر تهران ميباشد.

Design a Bus Transit Network is an important problem of the Urban Management. There are a large number of variables that must be considered to design a bus transit network. These variables are used to reach a set of goals such as accessibility, maximum coverage, reduction of waiting time and decrease operational costs and number of transfer between line stops. Design a Bus Transit Network is NPhard problem. This problem doesnt have optimal solution in large scale. The general way to design Bus Transit Network is as follows: Search space of feasible solutions are reduced then final network is constructed by notice to urban priorities. In this paper, we proposed a new method to design a Bus Transit Network.Our approach is a Statisticallearning method. It extracts knowledge of human experts from existing Bus Transit Networks. Then this knowledge is applied to reduce search space and make a Bus Transit Network. The learned model of our approach is constructed by several statistical learning method and their hybrids. In this paper, we applied Naïve Bayesian, two regression based methods and hybrid version of them to build model. Evaluation of the learned model is based on Accuracy, False Positive and True Positive criteria. Thevaluesofthese criteria showhigh confidence of our approach. In this paper, we applied Tehran Bus Transit Network as our data set.