تخمین زمان سفر وسایل نقلیه جمع آوری پسماند درمانی با استفاده از الگوریتم های شبکه عصبی مصنوعی مکانی زمانی (مطالعه موردی: شهر تهران)

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.