تلفيق شبكه‎ عصبي RBFLN و فن چند شاخصه ORESTE براي شناسايي مكان بهينه استقرار مراكز مالي و تجاري در فضاي شهري (مطالعه موردي: شهرتهران)

Combining RBFLN Neural Network and ORESTE Multi-Criteria Technique in Identifying Optimal location for Installation of Financial and Commercial Centers in Urban Spaces

مراكز مالي و تجاري از مهم‎ترين مراكز فعاليت‎هاي فضاي شهري محسوب مي‎شوند و توجه به موقعيت و مكان استقرار آن‎ها، از مهم‎ترين عوامل سودآوري و موفقيت اين مراكز است. در اين مطالعه، براي شناسايي مكان بهينه استقرار مراكز مالي و تجاري، سامانه شبكه عصبي RBFLN، كه شكل تغييريافته‎اي از شبكه عصبي بر پايه تابع شعاعي (RBFNN) است، در تلفيق با فن چندشاخصه ORESTE به‌كار گرفته شد. داده‎هاي دو و چند كلاسه پارامترهاي اقتصادي و تجاري، آموزشي و فرهنگي، بهداشتي و درماني، رفاهي و تفريحي، اداري، جمعيتي، حمل و نقل و ترافيكي بر اساس شعاع تاثيرگذاري، به عنوان بردارهاي چندبعدي وارد شبكه عصبي شدند. به منظور يادگيري شبكه، 69 شعبه نمونه در شهر تهران و 34 نقطه غيربهينه به‌كار گرفته شد. نتايج تحقيق شبكه RBFLN دوكلاسه با دفعات تكرار 800 بار را با كمترين ميزان خطاي آموزش و طبقه‎بندي، به عنوان مناسب‎ترين كلاس براي شناسايي مناطق بهينه (غربالگري) استقرار مراكز مالي و تجاري نشان مي‎دهد. نتايج اين غربالگري مناطق بهينه پيشنهادي اوليه را تشكيل مي‎دهند كه در ادامه، با فن رتبه‎بندي چندشاخصه ORESTE با معيارهاي كيفي حاصل از مشاهدات ميداني اولويت‎بندي شدند. اين فرايند در شهر تهران و بر روي هر 22 منطقه اين شهر اجرا شد.

Financial and commercial centers (i.e. banks and financial and credit institutes) are considered as an important activity of urban spaces and paying attention to their location and installation site is one of the most important parameters in their success and beneficence. In this study, in order to identify the optimal location for installation of financial and commercial centers the RBFLN neural Network which is a transformed model of Radius Based Function neural Network (RBFNN) was used in combine with ORESTE multi-criteria technique. Two and multi-classes data of economic, commercial, educational, cultural, sanitary, therapeutic, recreational, administrative, population, and transition were entered to the neural network as multi-dimensional vectors based on radius of influence. 69 sample branches and 34 un-optimal points were used for network’s learning. The results indicates the two- classes RBFLN network with 800 repetition times with the least learning and classification error as the most appropriate class in identifying the optimal places for installation of financial and commercial centers (Screening Phase).