پیش‌بینی تقاضا و تحلیل عوامل مؤثر بر تعداد مسافر جاده‌ای با استفاده از مدل‌های تفسیرپذیر یادگیری ماشین (XAI)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 Department of Computer Science, University of Qom, Qom, Iran, Email: n.mirehi@qom.ac.ir

2 گروه علوم ریاضی، دانشکده علوم پایه، دانشگاه قم، قم، ایران

3 گروه علوم کامپیوتر، دانشکده علوم پایه، دانشگاه قم ، قم ، ایران

4 گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه قم، قم، ایران

5 گروه علوم کامپیوتر، دانشکده علوم پایه، دانشگاه قم، ایران

10.22091/jscai.2025.14134.1001

چکیده

در این پژوهش، داده‌های حمل‌ونقل جاده‌ای مسافران استان قم، شامل ویژگی‌هایی نظیر تعداد مسافر، مبدأ و مقصد، مشخصات ناوگان، تاریخ و ساعت حرکت، و شرکت‌های مسافربری، گردآوری و تحلیل شدند. هدف اصلی، پیش‌بینی دقیق تقاضای سفر (تعداد مسافر) و تبیین عوامل مؤثر بر آن با استفاده از روش‌های هوش مصنوعی تفسیرپذیر (XAI) بود. داده‌ها پس از پاک‌سازی و پیش‌پردازش، برای تحلیل توصیفی و تشخیص ناهنجاری با الگوریتم‌های جنگل ایزوله و K نزدیک‌ترین همسایه به‌کار رفتند. برای پیش‌بینی تقاضا، مدل‌های یادگیری ماشین شامل رگرسیون خطی، جنگل تصادفی ، تقویت گرادیان ، تقویت گرادیان سبک ، رگرسیون بردار پشتیبان و شبکه عصبی چندلایه پیاده‌سازی شدند. نتایج نشان داد که مدل‌های مبتنی بر درخت تصمیم، به‌ویژه جنگل تصادفی و تقویت گرادیان سبک ، با ضریب تعیین (R²) بالاتر از 0.88، عملکرد بهتری نسبت به رگرسیون خطی داشتند. برای تبیین مدل‌های برتر، از نمودارهای وابستگی جزئی ( PDP) استفاده شد که نشان داد مسافت سفر رابطه‌ای غیرخطی و معکوس U شکل با تقاضا دارد و در مسافت‌های میانی (200 تا 500 کیلومتر) به اوج می‌رسد. همچنین، نوع ناوگان تأثیری سلسله‌مراتبی و متناسب با ظرفیت آن دارد (اتوبوس با بیشترین تأثیر و تاکسی با کمترین). این یافته‌ها، با ترکیب پیش‌بینی دقیق و تفسیرپذیری مدل‌ها از طریق XAI، ابزارهای لازم را برای بهینه‌سازی تخصیص ناوگان و زمان‌بندی سفرها فراهم می‌کند.

موضوعات

نوآوری های نوین در علوم محاسبات و هوش مصنوعی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 26 مهر 1404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار