Abstract:
رشد جمعیت و افزایش نیاز بشر به بهداشت و درمان، سبب افزایش تولید پسماندهای پزشکی شده است. در این میان جمعآوری و انتقال به مراکز دفن این پسماندها در کمترین زمان ممکن لازم است. یکی از ضروریترین فاکتورهای مسیریابی وسایل نقلیه جمعآوری پسماند زمان سفر است. محاسبة زمان سفر به پارامترهای فراوانی بستگی دارد. رویکردی که همة پارامترهای تأثیرگذار در این امر را لحاظ و همچنین میزان تأثیر آنها را تعیین میکند، میتواند به محاسبة دقیق زمان سفر و بهتبع آن یافتن مسیر مناسب منجر شود. هدف اصلی این مقاله، تخمین دقیق زمان سفر با بهکارگیری همة پارامترهای تأثیرگذار در پیمودن یک معبر برای وسایل نقلیة جمعآوری پسماند پزشکی است که با توجه به نیاز به یادگیری مکانی زمانی از الگوریتمهای شبکه عصبی مصنوعی استفاده شده است که بهنوعی نوآوری پژوهش نیز است. درواقع علاوهبر پارامترهای ایستا، بهمنظور بهدستآوردن دادههای پویا که یکی از محدودیتهای اصلی این رویکرد است، از دادههای لحظهای دوربینهای سازمان کنترل ترافیک و گوگل استفاده شده است. از دادههای واقعی زمان سفر که وسایل نقلیه بهمنظور جمعآوری پسماند درمانی صرف کردهاند، بهعنوان خروجی شبکة عصبی استفاده شده است. مدل پیشنهادی استفادهشده شبکة عصبی مکانی-زمانی (ST-ANN) نام دارد؛ زیرا لحظة حرکت وسیلة نقلیه دو پارامتر زمان و مکان مشخص است. از پارامتر مکان ویژگیهای ایستا و از پارامتر زمان ویژگیهای پویای مربوط به آن گذر مشخص میشود. در این پژوهش، از بازههای زمانی 30 دقیقهای استفاده شد. سپس این نتایج بر پایة زمان روز ترکیب تا زمان سفر پیشبینی شدند. در اجرای ST-ANN بهمنظور تعیین معماری مناسب 24 ترکیب متفاوت از اجزای آن اجرا شد و از تعداد 937 یال، 70، 15 و 15 درصد آن بهترتیب برای نمونة آموزشی، اعتبار سنجی و کالیبرهکردن مدل استفاده و درنهایت با ضریب همبستگی 91 درصد زمان سفر هر یال برآورد شد. از طرفی نتایج پژوهش با مدلهای دیگر و با دو معیار ضریب همبستگی (R2) و خطای میانگین مربعات (MSE) بررسی و مشاهده شد R2 به مقادیر 11/0، 08/0 و 02/0 و MSE به مقادیر 278، 190 و 26 بهبود یافتهاند.
Travel time data is important for most of the vehicle routing problems (VRP) aimed at modeling time constraints like customer time window as well as time objectives, such as minimizing travel time and waiting time. One of the most important advantages of precise travel times in VRPs is the reduction of total travel time and increasing route reliability, which with more accurate travel time data better removes time constraints. The obvious reasons for not using variable travel time in VRP are related to three factors. First, conventional VRP algorithms cannot consider variable travel time without major structural changes. Second, all parameters affecting travel time are often not used. Third, collecting the required data is very difficult. Therefore, designing appropriate models with enough accuracy in predicting travel time based on the effective variables is a necessity in the transportation planning process.In this paper, the appropriate variables for measuring the impact of spatial-temporal and traffic factors on the travel time of medical waste collection vehicles in a single route were defined and by examining and implementing the proposed model, the impact of these variables on the travel time was measured. To estimate the travel time, we used the proposed model called spatial-temporal neural network (ST-NN) which can examine the effect of variables at any moment of the travel time. The study area is Tehran metropolis with its entire urban passages network. The required data were first pre-processed and then entered into the neural network algorithm as model inputs. The model was
Machine summary:
Ma et al ٢١-١ :٢٠١٩)؛ از اين رو طراحي مدل هاي مناسبي که از دقت کافي در پيش بيني زمان سفر براساس متغيرهاي مؤثر بر آن برخوردار باشند، ضرورتي در فرايند برنامه ريزي حمل ونقل است .
درواقع در اين پژوهش زمان سفر دقيق براي وسايل نقليۀ جمع آوري پسماند درماني تعيين شد؛ طوريکه بتوان آن را به ساير کاربردها و همچنين همۀ سازمان هاي مربوط به حمل ونقل تعميم داد.
Intelligent Transportation Systems جمع آوري پسماند درماني در يک مسير، تعريف و با بررسي و اجراي مدل پيشنهادي ميزان تأثير اين متغيرها بر زمان سفر اندازه گيري شده است .
طيف وسيعي از مطالعات گذشته براي برآورد زمان سفر از توزيع هاي احتمالي در يک بازه زماني کوتاه استفاده شده است (١٦٤-١٤٥ :٢٠٠٣ ,Dessouky)، اما تغيير پيوسته متغيرهاي مؤثر بر زمان سفر مانند تغيير شرايط ترافيکي در يک مسير، بر توزيع احتمالي آن تأثير مستقيم دارد؛ بنابراين نمي توان با اطمينان در طول روز، يک توزيع احتمالي ثابت با پارامترهاي مشخص براي متغير زمان سفر درنظر گرفت .
در اين پژوهش همۀ پارامترهاي تأثيرگذار، اعم از مکاني و غيرمکاني يا پويا و ايستا تعيين و تخمين ميزان تأثير آن ها بر زمان سفر به صورت پويا با استفاده از روش آزمون و خطا با ٢٤ ترکيب متفاوت از اجزاي شبکۀ عصبي بررسي شده است .
براي اين پژوهش از دو نوع داده استفاده شده است : داده هاي زمان سفر و داده هاي شبکۀ معابر و ترافيک .