برآورد شاخص زمان سفر با استفاده از روشهاي يادگيري ماشين

زمان سفر و تغييرات آن از جنبه‌هاي مهم حمل و نقل هستند كه به عنوان شاخصي كليدي جهت ارزيابي عملكرد شبكه در برنامه‌ريزي حمل و نقل مورد استفاده قرار مي‌گيرند. مطالعات نشان مي‌دهد تراكم ترافيكي به عنوان عامل مهمي در غيرقابل اعتماد بودن زمان سفر، به دو دسته تكرارشونده و غيرتكرارشونده تقسيم مي‌شود. براي برآورد قابليت اطمينان زمان سفر تحت اثر تراكم، درك و فهم علت وقوع تغيير امري ضروري است. مطالعات نشان مي‌دهد تصادفات ترافيكي، نواحي تعمير و نگهداري، آب و هوا، نوسانات ترافيك، رويدادهاي خاص، تجهيزات كنترل ترافيك و تنگناهاي فيزيكي هفت عامل عمده در ايجاد تغييرات زمان سفر هستند. اين مقاله به دنبال بررسي آن است كه چگونه تغييرات هندسه معبر (تعداد خطوط)، تصادفات، حجم ترافيك و شرايط آب و هوا بر قابليت اطمينان زمان سفر اثر مي‌گذارند. بدين منظور، طيفي از روش‌هاي يادگيري ماشين جهت بررسي و مدلسازي شبكه معابر بزرگراهي ايالت ويرجينا آمريكا مورد استفاده قرار گرفت كه شامل رگرسيون بردار پشتيبان، رگرسيون نزديك‌ترين همسايه و رگرسيون درخت تصميم بود. نتايج اين بررسي نشان داد اين ابزار مي‌توانند تا ميزان مناسبي، تغييرات متوسط زمان سفر را منعكس كنند. با توجه به شاخص‌هاي آماري استخراج شده از مدل‌ها (خطاي جذر ميانگين مربعات، ضريب تعيين) و شاخص پايداري (نسبت ضريب تعيين مجموعه آموزش و آزمون) رگرسيون نزديك‌ترين همسايه به عنوان مدل برتر شناسايي شد. انجام تحليل حساسيت بر روي مدل برتر، نحوه تغييرات متغير وابسته (شاخص زمان سفر) در مقابل تغييرات متغيرهاي مستقل (متغير نماينده حجم ترافيك، متغير نماينده تصادفات و متغير نماينده شرايط جوي) را نشان داد. نتايج اين تحليل‌ها در قالب نمودارهايي ارائه شد كه كمك شاياني به بيان نتيجه‌گيري تحقيق نمود.