پژوهشگران دانشگاهي موفق به ارائه روشي کارا و موثر مبتني بر سيستم فازي بر پايه شبکه عصبي انطباقي(انفيس) و روشهاي خوشهبندي به منظور پيشبيني تاخير قطارهاي مسافربري شدند.
به گزارش سرويس پژوهشي ايسنا، مريم ستايش صناعي، دانشجوي كارشناسي ارشد دانشكده مهندسي راهآهن دانشگاه علم و صنعت ايران اظهار كرد: تاخير قطارهاي مسافري، به معناي عدم حرکت قطار بر مبناي برنامه زمانبندي آن است که منجر به نرسيدن قطار در موعد مقرر به مقصد ميشود. پيشبيني تاخيرات قطارها، نقش کليدي در برنامهريزيهاي تاکتيکال و استراتژيک دارد.
وي افزود: هر اندازه ميزان دقت پيشبيني تاخيرات قطارها بالاتر باشد، برنامهريزيها به واقعيت نزديکتر خواهد شد، اما در صورت اختلاف برنامه زمانبندي شده و زمان واقعي سير و حرکت قطارها، علاوه بر متحمل شدن هزينه، نارضايتي متقاضيان و کاهش تقاضا را منجر خواهد شد.
ستايش صناعي در مورد تحقيق خود خاطرنشان كرد: فاکتورهاي متفاوتي در تاخير قطارهاي مسافري تاثيرگذار است. همين امر پيشبيني قطارهاي مسافري را بسيار مشکل ميسازد. هدف از اين تحقيق، ارائه يک روش کارا و موثر مبتني بر سيستم فازي بر پايه شبکه عصبي انطباقي(انفيس) و روشهاي خوشهبندي به منظور پيشبيني تاخيرات قطارهاي مسافري است.
وي تصريح كرد: الگوريتم پيشنهادي، ابتدا به خوشهبندي دادهها پرداخته و سپس براي هر خوشه يک مدل انفيس متناسب با آن خوشه، توليد ميكند. يکي از مهمترين چالشها در طراحي مدل انفيس، انتخاب متغيرهاي ورودي مدل و تعداد بهينه آنهاست که به شدت بر دقت و سرعت مدل تاثير ميگذارد. در اين مطالعه روشي ابتکاري به منظور انتخاب متغيرهاي ورودي ارائه شده که جايگزين انتخاب تصادفي متغيرها شده است.
ستايش صناعي اظهار كرد: مدل ارائه شده در اين تحقيق با برخي از مدلهاي پيشبيني مورد مقايسه قرار گرفته که نتايج حاصل نشاندهنده دقت بالاي مدل ارائه شده است. دادههاي مورد استفاده، تاخيرات قطارهاي مسافري راهآهن جمهوري اسلامي ايران از سالهاي 1383 تا 1387 است.
وي تصريح كرد: براي انجام اين تحقيق از متدولوژي کريسپ استفاده شد. از دادههاي آموزشي براي يادگيري و از دادههاي آزمايشي جهت ارزيابي عملکرد مدل استفاده شد. نتايج حاصله بيانگر دقت بالا و کارايي مدل، در حوزه پيشبيني است.
مريم ستايش صناعي، دانشجوي كارشناسي ارشد دانشكده مهندسي راهآهن دانشگاه علم و صنعت ايران، 7 تير ماه از پاياننامه خود دفاع كرده است.
انتهاي پيام