برآورد زمان سفر با استفاده از روش های مبتنی بر داده کاوی مکانی مطالعه موردی: محور ساری - بابل

در میان زیرساختارهای مختلف تشکیل دهنده یک کشور، سیستم حمل ونقل جاده ای از اهمیت بسزایی برخوردار است. لذا مدیریت و برنامه ریزی موثر در این زمینه بسیار حائز اهمیت می باشد. با توسعه سیستم های حمل و نقل و هوشمند، فرآیندبرنامه ریزی سیستم های حمل ونقل عمومی مانند سواری های برون شهری از حالت استاتیک (برنامه ریزی با استفاده از داده های گذشته) به حالت پویا (برنامه ریزی بر اساس داده های حال) تغییر کرده است. در هر دو فرآیند استاتیک و پویا، برآورد زمان سفر به عنوان مهم ترین پارامتر برنامه ریزی محسوب می شود. برآورد زمان سفر در فرآیندهای برنامه ریزی سیستم های حمل ونقل، مورد توجه متخصصان حوزه های مختلف بوده که هر یک با بهره گیری از داده ها و ابزارهای تحلیلی خاص، سعی در مطالعه و برآورد زمان سفر داشته اند. پارامترهای محیطی، انسانی زیادی در برآورد زمان سفر نقش دارند که شناسایی و بررسی اثر این پارامترها و تهیه یک الگوی مناسب در برآورد زمان سفر می تواند در مدیریت برنامه ریزی سفر بسیار مفید باشد. در تحقیقات صورت گرفته در این زمینه معمولا تعداد محدودی از پارامترهای موثر در زمان سفر مورد استفاده قرار گرفته است و در اکثر آنها با بهره گیری از مدل های عمومی، زمان سفر بدست آمده است. هدف از این پژوهش برآورد زمان سفر در مسیر های استان مازندران (مسیر ساری به قائمشهر و قائمشهر به بابل) می باشد که تاکنون در این مسیر این کار انجام نشده است. در روش پیشنهادی ابتدا پارامترهای موثر در برآورد زمان سفر با توجه به شرایط جاده ای شناسایی گردید و سپس با استفاده از روش های خوشه بندی افزایشی، خوشهبندی اتصالمنفرد، خوشهبندی اتصالکامل، خوشه بندی k-means و روش شبکهعصبی پیشخور جهت برآورد زمان سفر، استفاده شده است. سپس به بررسی میزان تاثیر پارامتر های مختلف (پارامتر آب وهوایی، پارامتر تصادفات جاده ای و پارامتر زمان اوج) در زمان سفر پرداخته شده است و میزان تاخیر بوجود آمده با استفاده از پارامتر ها در زمان سفر بدست آمده است. در نهایت بمنظور ارزیابی دقت روش های پیشنهادی، خروجی روش های خوشه بندی و شبکه عصبی در تعیین زمان سفر با داده های واقعی در مسیر مورد مطالعه مقایسه گردیدند. روش شبکه عصبی مصنوعی با استفاده از روش مجذور میانگین مربع خطا با مقدار 0015/0 و روش میانگین مربع خطا با مقدار 65/0 در مقایسه با روش های خوشه بندی نتایج رضایت بخشی دارد. روش های خوشه بندی اتصال کامل، اتصال منفرد، افزایشی و k-means بترتیب در رده های بعدی قرار دارند.