برآورد شاخص زمان سفر با استفاده از روشهای یادگیری ماشین

زمان سفر و تغییرات آن از جنبه های مهم حمل و نقل هستند که به عنوان شاخصی کلیدی جهت ارزیابی عملکرد شبکه در برنامه ریزی حمل و نقل مورد استفاده قرار می گیرند. مطالعات نشان می دهد تراکم ترافیکی به عنوان عامل مهمی در غیرقابل اعتماد بودن زمان سفر، به دو دسته تکرارشونده و غیرتکرارشونده تقسیم می شود. برای برآورد قابلیت اطمینان زمان سفر تحت اثر تراکم، درک و فهم علت وقوع تغییر امری ضروری است. مطالعات نشان می دهد تصادفات ترافیکی، نواحی تعمیر و نگهداری، آب و هوا، نوسانات ترافیک، رویدادهای خاص، تجهیزات کنترل ترافیک و تنگناهای فیزیکی هفت عامل عمده در ایجاد تغییرات زمان سفر هستند. این مقاله به دنبال بررسی آن است که چگونه تغییرات هندسه معبر (تعداد خطوط)، تصادفات، حجم ترافیک و شرایط آب و هوا بر قابلیت اطمینان زمان سفر اثر می گذارند. بدین منظور، طیفی از روش های یادگیری ماشین جهت بررسی و مدلسازی شبکه معابر بزرگراهی ایالت ویرجینا آمریکا مورد استفاده قرار گرفت که شامل رگرسیون بردار پشتیبان، رگرسیون نزدیک ترین همسایه و رگرسیون درخت تصمیم بود. نتایج این بررسی نشان داد این ابزار می توانند تا میزان مناسبی، تغییرات متوسط زمان سفر را منعکس کنند. با توجه به شاخص های آماری استخراج شده از مدل ها (خطای جذر میانگین مربعات، ضریب تعیین) و شاخص پایداری (نسبت ضریب تعیین مجموعه آموزش و آزمون) رگرسیون نزدیک ترین همسایه به عنوان مدل برتر شناسایی شد. انجام تحلیل حساسیت بر روی مدل برتر، نحوه تغییرات متغیر وابسته (شاخص زمان سفر) در مقابل تغییرات متغیرهای مستقل (متغیر نماینده حجم ترافیک، متغیر نماینده تصادفات و متغیر نماینده شرایط جوی) را نشان داد. نتایج این تحلیل ها در قالب نمودارهایی ارایه شد که کمک شایانی به بیان نتیجه گیری تحقیق نمود.