spatial-temporal artificial neural networks
در نشریات گروه جغرافیا-
رشد جمعیت و افزایش نیاز بشر به بهداشت و درمان، سبب افزایش تولید پسماندهای پزشکی شده است. در این میان جمع آوری و انتقال به مراکز دفن این پسماندها در کمترین زمان ممکن لازم است. یکی از ضروری ترین فاکتورهای مسیریابی وسایل نقلیه جمع آوری پسماند زمان سفر است. محاسبه زمان سفر به پارامترهای فراوانی بستگی دارد. رویکردی که همه پارامترهای تاثیرگذار در این امر را لحاظ و همچنین میزان تاثیر آن ها را تعیین می کند، می تواند به محاسبه دقیق زمان سفر و به تبع آن یافتن مسیر مناسب منجر شود. هدف اصلی این مقاله، تخمین دقیق زمان سفر با به کارگیری همه پارامترهای تاثیرگذار در پیمودن یک معبر برای وسایل نقلیه جمع آوری پسماند پزشکی است که با توجه به نیاز به یادگیری مکانی زمانی از الگوریتم های شبکه عصبی مصنوعی استفاده شده است که به نوعی نوآوری پژوهش نیز است. درواقع علاوه بر پارامترهای ایستا، به منظور به دست آوردن داده های پویا که یکی از محدودیت های اصلی این رویکرد است، از داده های لحظه ای دوربین های سازمان کنترل ترافیک و گوگل استفاده شده است. از داده های واقعی زمان سفر که وسایل نقلیه به منظور جمع آوری پسماند درمانی صرف کرده اند، به عنوان خروجی شبکه عصبی استفاده شده است. مدل پیشنهادی استفاده شده شبکه عصبی مکانی-زمانی (ST-ANN) نام دارد؛ زیرا لحظه حرکت وسیله نقلیه دو پارامتر زمان و مکان مشخص است. از پارامتر مکان ویژگی های ایستا و از پارامتر زمان ویژگی های پویای مربوط به آن گذر مشخص می شود. در این پژوهش، از بازه های زمانی 30 دقیقه ای استفاده شد. سپس این نتایج بر پایه زمان روز ترکیب تا زمان سفر پیش بینی شدند. در اجرای ST-ANN به منظور تعیین معماری مناسب 24 ترکیب متفاوت از اجزای آن اجرا شد و از تعداد 937 یال، 70، 15 و 15 درصد آن به ترتیب برای نمونه آموزشی، اعتبار سنجی و کالیبره کردن مدل استفاده و درنهایت با ضریب هم بستگی 91 درصد زمان سفر هر یال برآورد شد. از طرفی نتایج پژوهش با مدل های دیگر و با دو معیار ضریب هم بستگی (R2) و خطای میانگین مربعات (MSE) بررسی و مشاهده شد R2 به مقادیر 11/0، 08/0 و 02/0 و MSE به مقادیر 278، 190 و 26 بهبود یافته اند.
کلید واژگان: پسماند پزشکی، زمان سفر، شبکه عصبی مصنوعی مکانی زمانی، مسیریابیTravel time data is important for most of the vehicle routing problems (VRP) aimed at modeling time constraints like customer time window as well as time objectives, such as minimizing travel time and waiting time. One of the most important advantages of precise travel times in VRPs is the reduction of total travel time and increasing route reliability, which with more accurate travel time data better removes time constraints. The obvious reasons for not using variable travel time in VRP are related to three factors. First, conventional VRP algorithms cannot consider variable travel time without major structural changes. Second, all parameters affecting travel time are often not used. Third, collecting the required data is very difficult. Therefore, designing appropriate models with enough accuracy in predicting travel time based on the effective variables is a necessity in the transportation planning process.In this paper, the appropriate variables for measuring the impact of spatial-temporal and traffic factors on the travel time of medical waste collection vehicles in a single route were defined and by examining and implementing the proposed model, the impact of these variables on the travel time was measured. To estimate the travel time, we used the proposed model called spatial-temporal neural network (ST-NN) which can examine the effect of variables at any moment of the travel time. The study area is Tehran metropolis with its entire urban passages network. The required data were first pre-processed and then entered into the neural network algorithm as model inputs. The model was
Keywords: travel time, Medical waste, spatial-temporal artificial neural networks, Routing
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.