31819

مدل الگوي فعاليت روزانه با استفاده از شبكه عصبي

كارشناسي‌ارشد

مهندسي عمران-حمل‌ونقل

1400

1403/07/22

شهريار افندي‌زاده-رضا گلشن خواص

نداشتم

عمران

در اين پژوهش، الگوهاي فعاليت روزانه افراد با استفاده از شبكه‌هاي عصبي حافظه طولاني كوتاه‌مدت و بر اساس ويژگي‌هاي اقتصادي و اجتماعي مدل‌سازي شده است. داده‌هاي مورد استفاده از نظرسنجي سفرهاي خانوار در ايالات متحده استخراج شده و شامل اطلاعات فعاليت‌هاي روزانه در بازه‌هاي زماني 30 دقيقه‌اي و ويژگي‌هاي فردي مانند سن، جنسيت، وضعيت شغلي، تعداد اعضاي خانوار و نوع ارتباط با سرپرست خانوار مي‌باشد. مدل پيشنهادي با استفاده از موقعيت‌هاي زماني، فعاليت‌هاي آينده را پيش‌بيني مي‌كند و با تركيب دنباله‌هاي فعاليت، موقعيت‌هاي زماني و ويژگي‌هاي فردي، دقت پيش‌بيني را بهبود مي‌بخشد. نتايج نشان داد كه مدل در پيش‌بيني فعاليت‌هاي مورد نظر با دقت بالايي عمل كرده و دقت كلي مدل بر روي داده‌هاي آزمايشي به 94 درصد رسيده است. آزمون‌هاي آماري نشان دادند ويژگي‌هاي اقتصادي و اجتماعي تأثير معناداري بر نوع فعاليت‌هاي روزانه دارند. اين پژوهش نشان مي‌دهد كه استفاده از شبكه‌هاي عصبي LSTM مي‌تواند ابزار قدرتمندي براي مدل‌سازي و پيش‌بيني الگوهاي پيچيده فعاليت‌هاي روزانه باشد و در حوزه‌هاي برنامه‌ريزي شهري و مديريت حمل‌ونقل كاربردهاي گسترده‌اي داشته باشد.

1403/10/15

Modeling Daily Activity Patterns using Neural Network

10/13/2025 12:00:00 AM

In this study, individuals' daily activity patterns were modeled using long short-term memory (LSTM) neural networks based on economic and social characteristics. The data utilized were extracted from the Household Travel Survey in the United States and include information on daily activities in 30-minute intervals, along with individual features such as age, gender, marital status, employment status, and household size. The proposed model predicts future activities using time slots and enhances prediction accuracy by integrating activity sequences, time positions, and individual characteristics. The results showed that the model performed with high accuracy in predicting the intended activities, achieving an overall accuracy of 94% on the test data. Statistical tests indicated that certain economic and social features have a significant impact on the type of daily activities. This research demonstrates that using LSTM neural networks can be a powerful tool for modeling and predicting complex daily activity patterns and can have extensive applications in urban planning and transportation management.

الگوهاي فعاليت روزانه , شبكه‌هاي عصبي حافظه طولاني كوتاه‌مدت , ويژگي‌هاي اقتصادي و اجتماعي , پيش‌بيني فعاليت

Daily activity patterns , Long Short-Term Memory (LSTM) neural networks , Economic and social characteristics , Activity prediction

Zahra Sadat Tabatabaei Alavi

Dr. Shahriar Afandizadeh- Dr. Reza Golshan Khavas