33115

مدل توزيع سفر شهري با توليد مجموعه انتخاب متغير با استفاده از هوش مصنوعي

ارشد

عمران- حمل و نقل

1400

1403/07/14

شهريار افندي زاده

-

عمران

مدل‌هاي انتخاب مقصد يكي از زير مجموعه‌هاي مهم رويكرد فعاليت مبنا درمدل‌سازي سفر هستند. در رويكرد فعاليت مبنا، مدل‌سازي به صورت پيوسته انجام مي‌شود. ازاين رو از نتايج مدل‌هاي قبلي در مدل‌هاي بعدي استفاده مي‌شود. در برآورد مدل انتخاب مقصد نيز بايد ابتدا مدل انتخاب شيوه سفر برآورد شود و سپس اثر آن در انتخاب مقصد افراد ديده شود. در برآورد اين مدل‌ها با با مدل‌هاي انتخاب گسسته، معمولاً مدل‌هاي لاجيت فرمول‌بندي مي‌شوند، زمان اجراي مدل بسيار بالا رفته و يا عملاً امكان ناپذير مي‌شود. به همين دليل نياز است كه براي مدل‌سازي انتخاب مقصد از شيوه هاي نوين مدل سازي از جمله هوش مصنوعي به عنوان مثال شبكه ي عصبي استفاده شود. گذشته از اين، چالشي كه در برآورد مدل‌هاي انتخاب مقصد وجود دارد، زياد بودن گزينه‌هاي انتخاب است، به همين دليل ابتدا از بين همه شهرستان‌ها، يك شهرستان به عنوان يك مجموعه انتخاب تشكيل شود، سپس از بين ناحيه‌هاي زير مجموعه شهرستان ناحيه موردنظر پيش‌بيني شود. به اين شيوه سلسله مراتبي انتخاب‌ها، مجموعه انتخاب گفته مي‌شود. به همين منظور، يك مدل شبكه عصبي براي تجزيه و تحليل اين داده‌ها و پيش‌بيني انتخاب مقصد اجرا شده‌ و دقت اين مدل‌ها از دسته مسائل دسته‌بندي معيارهاي رياضي براي تست پيش بيني حالت سفر و انتخاب مقصد از جمله ماتريس درهم ريختگي بوده و شامل روش‌هاي همچون صحت، دقت، بازيابي و امتياز اِف‌وان مي‌شوند و معيارهاي آماري كاي اسكوئر ، p-مقدار ، درجات آزادي براي ارزيابي پيش بيني فاصله استفاده مي شود. دقت اين مدل‌ها براي شهرستان 73% و براي ناحيه 23% پيش بيني شده است كه نسبت به دقت مدل لوجيت چندجمله‌اي براي شهرستان 45% و براي ناحيه 5% بدست آمده، دقت قابل توجهي در قدرت پيش بيني در مدل‌سازي انتخاب مقصد داشته باشند. اين مدل‌ها بر روي داده‌هاي شهر واشنگتن صورت گرفته شده است. نتايج حاكي از اين است كه برآورد مدل انتخاب مقصد با شبكه عصبي، عملكرد پيش‌بيني بهبود يافته را در زمينه مدل‌سازي انتخاب گسسته نشان داده است. واژه‌هاي كليدي: انتخاب مقصد، مدل هاي فعاليت مبنا، شبكه عصبي، مجموعه انتخاب، مدل لوجيت

1403/12/14

Urban travel distribution model by producing variable selection set using artificial intelligence

10/5/2025 12:00:00 AM

Destination choice models are a crucial subset of the activity-based approach to travel modeling. In this approach, modeling is performed continuously, using the results of previous models in subsequent ones. For estimating destination choice models, it is necessary first to estimate the mode choice model and then incorporate its effect on individuals' destination choices. Moreover, a significant challenge in estimating destination choice models is the large number of available options (zones). When estimating these models using discrete choice models, typically formulated as logit models, the computational time increases significantly, or it may even become infeasible. Therefore, it is necessary first to select a city from among all cities as a choice set, and then predict the target zone within the chosen city. This hierarchical selection method is referred to as a choice set. For this purpose, a neural network model was implemented to analyze the data and predict the destination choice. The accuracy of these models was 73% for the city level and 23% for the zone level. This indicates that the neural network model demonstrated a considerable improvement in predictive power compared to the multinomial logit model in destination choice modeling. These models were applied to data from Washington, D.C., and the results suggest that estimating destination choice using a neural network has shown improved predictive performance in discrete choice modeling. Keywords: Destination Choice, Activity-Based Models, Neural Network, Choice Set, Logit Model

انتخاب مقصد، مدل هاي فعاليت مبنا، شبكه عصبي، مجموعه انتخاب، مدل لوجيت

Destination Choice, Activity-Based Models, Neural Network, Choice Set, Logit Model

Fariba Rezaei

Shahriar Afandizadeh