پتانسیل‌یابی معابر مستعد جهت احداث ایستگاه‌های اتوبوس شهری با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) و الگوریتم پس انتشار خطا (نمونه موردی: شهر کرمانشاه)

فصلنامه علمی و پژوهشی پژوهش و برنامه ریزی شهری

مقاله 7، دوره 10، شماره 36، اردیبهشت 1398، صفحه 63-74   

نوع مقاله: مقاله پژوهشی

نویسندگان

میلاد باقری¹؛ شهاب مرادی²؛ میثم ارگانی^{* 3}

¹دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

²دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تهران، تهران، ایران

³گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

تاریخ دریافت: 17 بهمن 1396،  تاریخ بازنگری: 03 مرداد 1397،  تاریخ پذیرش: 29 اسفند 1397 

چکیده

حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند.

کلیدواژه‌ها

مکان یابی؛ ایستگاه اتوبوس؛ کرمانشاه؛ شبکه عصبی؛ MLP

عنوان مقاله [English]

Urban Bus Stop Site Selection using Multi-Layer Perceptron Neural Network and Error Back-Propagation Algorithm (Case Study: Kermanshah City)

نویسندگان [English]

Milad Bagheri¹؛ Shahab Moradi²؛ Meysam Argany³

¹MSc Student of RS & GIS, Faculty of Geography, University of Tehran

²MSc Student of RS & GIS, Faculty of Geography, University of Tehran

³Rs & GIS Department, Faculty of Geography, University of Tehran

چکیده [English]

Transportation has always been one of the most important factors, which affects the structure of cities. However, the development of a variety of motor vehicles and ever-increasing population changes, especially in the last century, have become one of the main urbanization problems. Considering the volume of inland traffic in Kermanshah City, the standard site selection of bus stations is one of the most important parameters that improves the proper operation of public transportation in the stations. This includes the reducing of Get-of and the Get-in time of the users as well as making less traffic jam of other vehicles. In this study, the multi-layer perceptron with the error-back propagation algorithm as one of the most important structures of the neural networks is used. Afterward, 15 map layers were used as the effective data to select bus station locations. In addition, 500 layers were prepared as network teaching points and 10 intermediate layers were determined. Then, the optimized site zones were obtained by implementing a network of susceptible zones. Eventually, the stations were able to be constructed by identifying the passages in the susceptible zones. It was also observed that susceptible passages are located near demographic, downtown, cultural and commercial centers.

کلیدواژه‌ها [English]

Site Selection, Bus station, Kermanshah, MLP, Neural network

مراجع

1. وارثی حمیدرضا؛ شیران غلامرضا، (1394). مکان یابی ایستگاه های اتوبوس با مدل ANP و منطق فازی در GIS (مطالعه موردی: شهرخرم آباد). پژوهش و برنامه ریزی شهری، 23(6)، 55-76.
2. تقوی گودرزی سعید؛ امیدزاده هانیه، (1393). پیش بینی سرمای دیررس بهاره با استفاده از شبکه­ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرم آباد. فصل نامه آمایش محیط، 28، 111-124.
3. شفیعی فاطمه؛ موسوی میر کلائی سید محمدرضا، عابدی علی­اصغر، (1394). کاهش اثر در تداخل سامانه ناوبری GPS با استفاده از شبکه عصبی چند لایه. رایانش نرم و فناوری اطلاعات، 3(4)، 109-117.
4. نتایج سرشماری عمومی نفوس و مسکن. درگاه ملی آمار. بازبینی شده در 2 بهمن 1389.
5. روزنامه باختر: حاشیه نشینی زخمی عمیق بر پیکره کرمانشاه ایجاد کرده است، نوشته شده در 20 مهر 1396؛ بازدید در 26 مهر 1396.
   1. 6.    Clark, C. (1957), “Transport: maker and breaker of cities”, town planning review, No. 28, PP. 237-250.
   2. 7.    Coulibaly P., anctil F., Aravena R. & Bobee, B.2001. Artificial neural networks modeling of water table depthfluctuations. Water resources research, 37(4): 885-896.
   3. 8.       Díaz-Álvarez, A., Clavijo, M., Jiménez, F., Talavera, E., Serradilla, F. (2018). Modelling the human lane-change   execution behaviour through Multilayer Perceptrons and Convolutional Neural Networks. Transportation Research, 56, 134-148.
   4. 9.      Díaz-Álvarez, A., Serradilla, F., Naranjo, J. E., Anaya, J. J., & Jiménez, F. (2014). Modeling the driving behavior of electric vehicles using smartphones andneural networks. IEEE Intelligent Transportation Systems Magazine.
   5. 10.  Gomez, H., Kavzoglu, T. and Mather, P. 2002. Artificial neural network application in landslide hazard zonation in the VenezuelanAndes. Abstracts of 15th International Conference on Geomorphology, Tokyo, Japan, 23-28.
   6. 11.  Kisi, O. 2005. Daily river flow forecasting using artificial neural networks and autoregressive models. Turkish Journal of Engineering Environmental Science, 29: 9-20.
   7. 12.  Noori, R., Karbassi, A., Mehdizadeh, H., Vasali-Naseh, M. and Sabahi, M.S. (2011). A Framework Development for Predicting the Longitudinal Dispersion Coefficient in Natural Streams using an Neural Network, Environmental Progress and Sustainable Energy 3, 439- 447.
   8. 13.  Ogden, K. W. (2017): Urban goods movement: a guide to policy and planning, Routledge, London.
   9. 14.  Jalili Ghazi Zade, M. and Noori, R. 2008. Prediction of Municipal Solid Waste Generation by Use of Artificial Neural Network: A Case Study of Mashhad. Int. J. Environ. Res 2 (1), 13-22.
   10. 15.  Hunter, A., L. Kennedy, J.Henry, I. Ferguson, 2000, Application of Neural Networks and Sensitivity Analysis to Improved Prediction of Trauma Survival, Computer Methods and Programs in Biomedicine, No. 62, PP. 11–19.