30288

تعيين خصوصيات اقتصادي - اجتماعي مسافران درترافيك شهري با استفاده از هوش مصنوعي

كارشناسي ارشد

برنامه ريزي حمل و نقل

1399

1402/6/21

دكترشهريارافندي زاده - دكتر محموداحمدي نژاد

مهندسي عمران

امروزه با توجه به اهميت حمل و نقل در رشد و توسعه كشورها و با افزايش سفرها مشكلات و معضلات در اين حوزه در كشورها نيزگسترش يافته است. مسئله ترافيك شهري، آلودگي محيط زيست وسايرمشكلات شهري سبب شده تا نياز به برنامه ريزي حمل و نقل و بخصوص مدل هايي براي حل اين مشكل گسترش يافته است. مدل هاي پيش بيني تقاضاي سفريكي از مدل هاي پركاربردي است كه مورد استفاده محققان در سراسر جهان قرار مي گيرد و دراين مدل ها ويژگيهاي اقتصادي – اجتماعي افراد به عنوان ورودي مدل استفاده مي شود . اين ويژگيها از طريق روشهاي مختلف آمارگيري جمع آوري مي شدند. با رشد جمعيت مسافران داده هاي بزرگ مبتني بر جمعيت به طورگسترده دربرنامه ريزي حمل و نقل استفاده مي شود و روشهاي سنتي براي جمع آوري ويژگي هاي اقتصادي – اجتماعي افراد كارساز نيستند. از اين رو محققان برآن شدند تا با استفاده از الگوي سفرهايي كه اشخاص قبلاً انجام داده اند، اين پارامترها را بدست آورند. دراين مطالعه به كمك مدل هاي هوش مصنوعي و بخصوص مدل هاي يادگيري عميق سعي شده است تا از روي الگوي سفرهاي افراد اين ويژگيها استخراج شود. يكي از مدلهايي كه اخيرا مورد توجه محققان قرار گرفته است مدل LSTM است كه اين مدل براي به خاطر سپردن رويدادهاي قبلي است، كه در اين پژوهش مورد استفاده قرارگرفته است. سن، درآمد و جنسيت از مهم‌ترين ورودي‌هاي اين مدل‌ مي باشد. گروه‌هاي سني، جنسيتي و درآمدي مختلف ممكن است ترجيحات رفتار سفر خاصي داشته باشندكه سعي شده با بررسي رفتارهاي سفر آنها اين ويژگيها كشف شود. يكي از منابع مهم براي مشخص كردن الگوي سفر افراد داده هاي تلفن همراه است كه جابجايي روزانه آنها را نشان مي دهد. با توجه به در دسترس نبودن داده هاي تلفن همراه مسافران، دراين تحقيق از مجموعه داده نظرسنجي بررسي ملي مسافرت خانگي NHTS استفاده شده است. با استفاده ازنتايج به دست آمده، به كمك داده هاي تلفن همراه مسافران، ويژگيهاي اقتصادي و اجتماعي آنها براي استفاده در مدل هاي تقاضاي سفربه دست مي آيند. به كمك مدل LSTM درمدل جنسيت افراد،درگروه زنان 82/1 درصد ودرگروه مردان 28/05 پيش بيني شد. درشرايطي كه الگوي سفرافراد پيچيدگي بيشتري دارد، اين مدل دقت كمتري دارد.

1402/10/11

To identify travellers' socio-economic characteristics in urban traffic using artificial intelligence

9/11/2024 12:00:00 AM

Nowadays, due to the importance of transportation in the growth and development of countries and with the increase trips, transportation problems have also expanded in countries. The issue of urban traffic, environmental pollution and other urban problems have caused the need for transportation planning and especially transportation models to expand day by day. Travel demand predicting models are one of the widely used models that are used by researchers all over the world, and in these models, people's socio-economic characteristics are used as input to the model, and these characteristics were collected through various statistical methods. With the growth of the passenger population, population-based big data is widely used in transportation planning, and traditional methods are not effective for collecting socio-economic characteristics of people. Therefore, the researchers decided to obtain these parameters by using the pattern of trips that people have already made. In this study, with the help of artificial intelligence models and especially deep learning models, it has been tried to extract these features from the travel patterns of people. The LSTM model is one of the powerful models used to remember past events. Age, income and gender are the most important inputs of travel demand predicting models. Different age, gender and income groups may have specific travel behavior preferences, which are tried to be discovered by examining their travel behaviors. One of the important sources for determining people's travel patterns is mobile phone data that shows their daily movements. Due to the unavailability of travelers' mobile phone data, the NHTS National Household Travel Survey survey data set was used in this research. Using the obtained results, with the help of mobile phone data of passengers, their socio-economic characteristics are obtained for use in travel demand models.With the LSTM model, in the gender model of people, it was predicted 82.1% in the female group and 28.05% in the male group. In conditions where people's travel pattern is more complex, this model is less accurate.

مدل تقاضاي سفر , پارامترهاي اقتصادي – اجتماعي , يادگيري عميق , مدل LSTM

travel demand model , socio-economic parameters , deep learning , LSTM model

mohammad ghaedi

Dr. Shahriar Afandizadeh Zargari