فهرست نشریات علمی دسترسی آزاد ایران

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.