پتانسیل‌یابی معابر مستعد جهت احداث ایستگاه‌های اتوبوس شهری با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) و الگوریتم پس انتشار خطا (نمونه موردی: شهر کرمانشاه)

الموضوعات : فصلنامه علمی و پژوهشی پژوهش و برنامه ریزی شهری

میلاد باقری ¹ , شهاب مرادی ² , میثم ارگانی ³

1 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تهران، تهران، ایران
3 - گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

تاريخ الإرسال : 20 الثلاثاء , جمادى الأولى, 1439 تاريخ التأكيد : 13 الأربعاء , رجب, 1440 تاريخ الإصدار : 16 الأحد , شعبان, 1440

الکلمات المفتاحية: کرمانشاه, مکان یابی, شبکه عصبی, ایستگاه اتوبوس, MLP,

ملخص المقالة :

حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند.

المصادر:

1. وارثی حمیدرضا؛ شیران غلامرضا، (1394). مکان یابی ایستگاه های اتوبوس با مدل ANP و منطق فازی در GIS (مطالعه موردی: شهرخرم آباد). پژوهش و برنامه ریزی شهری، 23(6)، 55-76.


2. تقوی گودرزی سعید؛ امیدزاده هانیه، (1393). پیش بینی سرمای دیررس بهاره با استفاده از شبکه­ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرم آباد. فصل نامه آمایش محیط، 28، 111-124.


3. شفیعی فاطمه؛ موسوی میر کلائی سید محمدرضا، عابدی علی­اصغر، (1394). کاهش اثر در تداخل سامانه ناوبری GPS با استفاده از شبکه عصبی چند لایه. رایانش نرم و فناوری اطلاعات، 3(4)، 109-117.


4. نتایج سرشماری عمومی نفوس و مسکن. درگاه ملی آمار. بازبینی شده در 2 بهمن 1389.


5. روزنامه باختر: حاشیه نشینی زخمی عمیق بر پیکره کرمانشاه ایجاد کرده است، نوشته شده در 20 مهر 1396؛ بازدید در 26 مهر 1396.
   
   
   1. 6.    Clark, C. (1957), “Transport: maker and breaker of cities”, town planning review, No. 28, PP. 237-250.
   
   
   2. 7.    Coulibaly P., anctil F., Aravena R. & Bobee, B.2001. Artificial neural networks modeling of water table depthfluctuations. Water resources research, 37(4): 885-896.
   
   
   3. 8.       Díaz-Álvarez, A., Clavijo, M., Jiménez, F., Talavera, E., Serradilla, F. (2018). Modelling the human lane-change   execution behaviour through Multilayer Perceptrons and Convolutional Neural Networks. Transportation Research, 56, 134-148.
   
   
   4. 9.      Díaz-Álvarez, A., Serradilla, F., Naranjo, J. E., Anaya, J. J., & Jiménez, F. (2014). Modeling the driving behavior of electric vehicles using smartphones andneural networks. IEEE Intelligent Transportation Systems Magazine.
   
   
   5. 10.  Gomez, H., Kavzoglu, T. and Mather, P. 2002. Artificial neural network application in landslide hazard zonation in the VenezuelanAndes. Abstracts of 15th International Conference on Geomorphology, Tokyo, Japan, 23-28.
   
   
   6. 11.  Kisi, O. 2005. Daily river flow forecasting using artificial neural networks and autoregressive models. Turkish Journal of Engineering Environmental Science, 29: 9-20.
   
   
   7. 12.  Noori, R., Karbassi, A., Mehdizadeh, H., Vasali-Naseh, M. and Sabahi, M.S. (2011). A Framework Development for Predicting the Longitudinal Dispersion Coefficient in Natural Streams using an Neural Network, Environmental Progress and Sustainable Energy 3, 439- 447.
   
   
   8. 13.  Ogden, K. W. (2017): Urban goods movement: a guide to policy and planning, Routledge, London.
   
   
   9. 14.  Jalili Ghazi Zade, M. and Noori, R. 2008. Prediction of Municipal Solid Waste Generation by Use of Artificial Neural Network: A Case Study of Mashhad. Int. J. Environ. Res 2 (1), 13-22.
   
   
   10. 15.  Hunter, A., L. Kennedy, J.Henry, I. Ferguson, 2000, Application of Neural Networks and Sensitivity Analysis to Improved Prediction of Trauma Survival, Computer Methods and Programs in Biomedicine, No. 62, PP. 11–19.