ارائه روش یادگیری عمیق در مدل پیش بینی ایمنی در سیستم مترو (نمونه موردی: مترو شهر تبریز)

پیش بینی ایمنی سیستم حمل ونقل ریلی یک مشکل اساسی در مدل سازی و مدیریت حمل ونقل ریلی است. در این مقاله، یک مدل پیش بینی ایمنی بر اساس یادگیری عمیق برای ایمنی حمل ونقل ریلی پیشنهاد شد. این سیستم می تواند ویژگی های موثر برای پیش بینی حمل ونقل ریلی را به شیوه یادگیری عمیق بدون نظارت یاد بگیرد. داده ها از شرکت عملیاتی مترو جمع آوری شده و در مورد فاکتورهای مدل پیش بینی تصمیم گیری شد. از این فاکتورها به عنوان ورودی DBN استفاده شد. ساختار داده ورودی، تعداد گره های هر لایه را تعیین می کند. نمونه داده های جمع آوری شده شامل انواع رویداد مستعد تصادف، اطلاعات اولیه قطار و اطلاعات عملیاتی شرکت می باشد. عوامل پیش بینی از طریق تجزیه وتحلیل این داده های جمع آوری شده انتخاب شد. برای نشان دادن صحت این مدل، یک مجموعه داده (مترو تبریز) به عنوان مطالعه موردی موردبررسی قرارگرفته  است. آزمایش ها روی مجموعه داده ها عملکرد خوب پیش بینی مدل حاضر را نشان می دهد. پیش بینی ایمنی سیستم ریلی و ایمنی واقعی می توانند به خوبی باهم مطابقت داشته باشند. این نتایج نشان می دهد که یادگیری عمیق در یادگیری الگوهای یک سیستم ریلی مفید است. خطای پیش بینی و واقعیت بین 08/0 تا 08/0- معرفی شد. این یک خطای قابل قبول است و نمی تواند باعث ایجاد سطح ایمنی نادرست در سیستم شود. بازه متراکم ایمنی چه در وضع موجود و چه در مدل پیش بینی، در سطح دوم یعنی نسبتا ایمن می باشد. این بازه متناسب با حد 8/0 تا 89/0 می باشد. البته که تمایل تراکم پس از سطح دوم به سمت سطح یک است تا سطح سوم. نکته قابل توجه آن است که مدل پیش بینی (در سطوح بالا) مقادیر بالاتر از ایمنی موجود را نشان داد.