طراحی یک مدل یادگیری تمیزدهنده جهت بهبود مسیرهای اتوبوس در شبکه ی حمل و نقل بهینه

طراحی شبکه ی حمل و نقل اتوبوس (btn) یکی از مهم ترین مباحث در مدیریت شهری است. پارامترهای تاثیر گذار زیادی در این طراحی، موثر می باشند. پارامترهایی که در مجموع منجر به برآورده شدن مجموعه ای از اهداف مدیریت شهری می شود. بهبود دسترسی پذیری شهروندان، پوشش مساحت بیش تری از سطح شهر، کاهش زمان انتظار و هزینه و همچنین کاستن از تعداد  تعویض خطوط اتوبوس برای رسیدن به مقصد یک مسافر، از جمله ی این اهداف است. طراحی یک btn یک مساله ی np-hard می باشد و بنابراین رسیدن به یک پاسخ بهینه در طراحی های با ابعاد بالا کاری دشوار است. راه‏حل معمول در طراحی یک btn  به این صورت می باشد: کاهش فضای جستجوی ممکن در ابتدا و سپس ساخت شبکه بر اساس اولویت های مدیریت شهری. در این مقاله یک روش جدید برای ارتقای طراحی یک btn ارایه می شود که مبتنی بر یادگیری آماری می باشد. این مدل به کمک روش های یادگیری آماری و ترکیب آن ها با یکدیگر تولید می شود. در این تحقیق دانش متخصصان انسانی از شبکه ی btn فعلی استخراج می شود، سپس این دانش برای کوچک کردن فضای جستجویِ طراحی یک btn به محدوده ای کوچک از معابر به کار گرفته می شود. این معابر ویژگی های لازم برای شرکت در btn را دارند و می توانند برای مساله ی طراحی شبکه ی اتوبوس رانی btndp یا توسعه ی btn فعلی به کار گرفته شوند. در این مقاله از naïve bayesian و دو روش دیگر رگرسیون پایه و ورژن ترکیبی آن ها برای تولید مدل خود بهره گرفته شده است. ارزیابی مدل تولیدی بر اساس دقت، false positive و true positive صورت می گیرد. مقادیر به دست آمده از این معیارها قابل اعتماد بودن روش پیشنهادی را تصدیق می کند. دیتاست مورد استفاده در این مقاله، شامل اطلاعات شبکه ی اتوبوس رانی شهر تهران می باشد.