محمدرضا امین‌ناصری

"با توسعه سیستم‌های حمل‌ونقل هوشمند، فرآیند برنامه‌ریزی سیستم‌های حمل‌ونقل عمومی مانند اتوبوس و قطار شهری از حالت استاتیک (برنامه‌ریزی بر اساس داده‌های گذشته) به حالت پویا (برنامه‌ریزی براساس داده‌های گذشته و لحظه‌ای) تغییر کرده است. در هر دو فرآیند فوق، زمان سفر به عنوان مهم ترین پارامتر برنامه‌ریزی محسوب می‌شود. در بیشتر مطالعات گذشته حوزه برنامه‌ریزی حمل‌ونقل عمومی، مبنای برآورد زمان سفر، استفاده از رویکرد توزیع‌های احتمالی بوده است. اما پیش‌بینی دقیق و صحیح زمان سفر نیازمند توسعه مدلهای پیش‌بینی متناسب با هر نوع فرآیند برنامه‌ریزی و بر اساس تأثیر متغیرهای مؤثر بر زمان سفر است. در این مقاله با مطالعه سیستم حمل‌ونقل عمومی شهر تهران (اتوبوسرانی)، متغیرهای مؤثر بر زمان سفر، شناسایی شده و میزان تأثیر هر یک از آنها بر زمان سفر اندازه‌گیری شده است. دو مدل پیش‌بینی مبتنی بر رگرسیون خطی و شبکه عصبی پیش‌خوراند جهت پیش‌بینی زمان سفر وسایل نقلیه عمومی بین دو ایستگاه متوالی قابل استفاده در فرآیندهای برنامه‌ریزی استاتیک و پویا طراحی شده است. مقدار ضریب همبستگی بین مقادیر واقعی و پیش‌بینی شده برای متغیر زمان سفر در شبکه اتوبوسرانی شهر تهران، در مدل رگرسیون حدود 75% و در مدلهای شبکه عصبی حدود 94% بوده است. "

"یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود. در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد."