پیش بینی و پایش میزان تُن کیلومتر و بارنامه حمل شده جاده ای کشور به منظور تشخیص رفتار غیر عادی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
جابه جایی کالا جزء ضروری و لاینفک فرآیند برنامه ریزی توسعه ملّی است؛ هدف پژوهش حاضر، پیش بینی و پایش میزان تُن کیلومتر و بارنامه حمل شده کشور به منظور تشخیص رفتار غیرعادی است. در این پژوهش برای گردآوری داده ها از مشاهده ماهانه به دست آمده طی 6 سال (1395 تا 1400) که توسط «سازمان راهداری و حمل ونقل جاده ای ایران» به تفکیک هر استان جمع آوری شده، استفاده شده است. در این پژوهش تُن کیلومتر با روش های مختلف تن-کیلومتر و بارنامه پیش بینی شده و نتیجه برای یافتن رفتار غیرعادی پس از افزایش نرخ بهره و مالیات کنترل می شود. برای پیاده سازی مدل، از 72 داده تُن کیلومتر حمل شده و 72 بارنامه صادرشده که از 32 استان طی شش سال حمل ونقل جاده ای جمع آوری شده است، استفاده شد. چهار روش مختلف پیش بینی، یعنی جنگل تصادفی، شبکه عصبی LSTM، ARIMA و ETS به تفصیل بررسی شدند. نتایج تجربی نشان می دهد که جنگل تصادفی از سایر مدل ها بهتر عمل می کند. در این پژوهش از ابزار کنترل کیفیت آماری امتیاز z برای تشخیص داده های پرت و رفتار غیرعادی استفاده شد. نتایج تجربی حاکی از آن است که از 32 استان، 3 استان دارای رفتار غیرعادی هستند که یکی از آن ها به دلیلی غیر از افزایش نرخ بهره و مالیات حمل ونقل جاده ای است.Prediction and Monitoring of Ton-Kilometers and Waybill for Detecting Abnormal Behavior
The objective of this research is to predict and monitor the ton-kilometers and waybill on the Iran's roads to find abnormal Behavior. In this study, data was collected from monthly observations over a period of 6 years (1395 to 1400) by the Iran Road Maintenance and Transportation Organization, categorized by province. Different machine learning techniques, deep learning, and time series methods were employed to predict ton-kilometers, and the results were monitored for abnormal behavior following an increase in interest rates and taxes. For model implementation, a dataset of 72 records of ton-kilometers and 72 records of issued waybill, collected from 32 provinces over six years of road transportation, was utilized. Initially, four different prediction methods, including random forest, LSTM neural network, ARIMA, and ETS, were extensively examined. The empirical results indicate that the random forest outperforms the other models. this study employs the statistical quality control tool, the z-score, to detect outliers and abnormal behavior in the data. The empirical findings reveal that out of the 32 provinces, three provinces exhibit abnormal behavior, and one of them is attributed to factors other than an increase in interest rates and transportation taxes.
تبلیغات
