پیشبینی سفر با هدف خرید (برخط و برونخط) با بهرهگیری از رویکرد یادگیری عمیق
نویسندگان
1 دانشجوی دکترا، دانشکده عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 استادیار، دانشکده عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 استاد، دانشکده علوم و فناوریهای همگرا، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
doi
10.22034/tri.2024.413502.3180چکیده
تولید سفر در مدیریت حملونقل موجب مطالعات گستردهای برای اهداف سفر قرار گرفته است. سفرهای درون شهری با اهداف کار، خرید، آموزش و غیره تقسیم میشود. در شهر تهران 12 درصد سفرها با اهداف خرید هستند، که بعد از سفر با هدف کار، اهمیت این نوع سفر را برای مطالعات مدنظر را بیان میکند. اولویتبندی عوامل مؤثر بر ایجاد سفرهای با هدف خرید برخط و برونخط میتوان نقش بسزایی در کاهش هزینههای حملونقلی، کاهش انتشار آلاینده، افزایش رضایتمندی کاربران و کمک به رشد توسعه پایدار داشت. در این پژوهش، با توجه به فراوانی دادهها در مناطق 2 و 5 کلانشهر تهران و محاسبات بر اساس فرمول کوکران، 1500 پرسشنامه در اختیار شهروندان این نواحی قرار گرفت. در نهایت، 1000 پرسشنامه از شهروندان فعال در حوزه تجارت الکترونیک این مناطق که در 20 روز پایانی سال 1400، سفارش موفق در سرویسهای برخط و برونخط داشته اند جمع آوری گردید. نتایج آمار توصیفی نشان داد که بیشترین سهم در جامعه آماری را مردان مجرد در بازه سنی 18-35 سال بدون مالکیت خودرو و دارای مدرک کارشناسی با سطح درآمد 10-15 سال تشکیل داده اند. همچنین عمده این افراد را کارمندان تماموقت تشکیل داده اند. در این مقاله، از شاخصهای سن، جنسیت، وضعیت تأهل، مالکیت خودرو، هزینه ارسال، زمان ارسال، قیمت محصول، درآمد خانوار، وضعیت اشتغال و میزان تحصیلات به عنوان شاخص های اثرگذار بر نوع سفر استفاده شده است. در گام بعد، پس از تعیین معماری بهینه شبکه عمیق، به ارزیابی نتایج پرداخته شد. به منظور مقایسه روش پیشنهادی، از الگوریتمهای شبکه عصبی MLP، درخت تصمیم و KNN استفاده گردید. نتایج نشان داد مدل عمیق با دقت 95.63 درصد دارای بهترین عملکرد میباشد. پس از آن، شبکه عصبی با دقت 90.12 درصد، درخت تصمیم با دقت 86.49 درصد و مدل KNN با دقت 80.16 درصد قرار دارند.