سامانهٔ پشتیبان تصمیم با یادگیری بانظارت و بدون نظارت برای مدیریت حوادث در تونل هوشمند: مطالعهٔ موردی تونل نیایش تهران

نویسندگان: Shadi Abpeykar، Mehdi Ghatee

منتشرشده در: Tunnelling and Underground Space Technology، جلد 42، مهٔ 2014، صفحات 293–306.

چکیده:

این مقاله به سامانهٔ پشتیبان تصمیم (DSS) جدیدی برای تونل هوشمند می‌پردازد. این DSS شامل دو زیرسامانه است. در زیرسامانهٔ نخست، قواعد از پایگاه دادهٔ شدت رویداد و نتایج ریزشبیه‌سازی استخراج می‌شوند. سپس روش شبکه‌بندی فازی ساده برای تولید قواعد به کار می‌رود. میزان دقت این زیرسامانه در آزمایش ارائه‌شده 63% است. در زیرسامانهٔ دوم، این قواعد به‌وسیلهٔ DSS دارای دو ماژول آموزش می‌بینند. در ماژول نخست، روش‌های یادگیری بدون نظارت مانند k-میانگین، دورترین‌نخست، نگاشت خودسازمان‌ده (SOM)، کوانتیزه‌سازی برداری یادگیرنده (LVQ)، خوشه‌بندی سلسله‌مراتبی و خوشه‌بندی پالایش‌شده پیاده‌سازی می‌شوند. بهترین عملکرد در این ماژول به خوشه‌بندی سلسله‌مراتبی با دقت 70% روی داده‌های نرمال مربوط است. همچنین کوانتیزه‌سازی برداری یادگیرنده (LVQ) در این ماژول، دقت 74% را روی داده‌های گسسته فراهم می‌کند. در ماژول دوم، شبکهٔ عصبی پیش‌خور، درخت بیز ساده، درخت طبقه‌بندی و رگرسیون (CART) و ماشین بردار پشتیبان (SVM) به کار می‌روند. در این ماژول، بیشترین دقت روی داده‌های نرمال برابر با 87% و مربوط به شبکهٔ عصبی پیش‌خور است؛ همچنین درخت بیز ساده روی داده‌های گسسته دقت 89.3% فراهم می‌کند. برای نشان دادن عملکرد DSS یادگیرندهٔ پیشنهادی، از دو منبع داده استفاده می‌کنیم. منبع نخست، بانک دادهٔ ایمنی جاده‌ای بریتانیاست که برای برآورد شدت رویدادهای واقعی در تونل به کار می‌رود. منبع دوم، نتایج شبیه‌سازی تونل نیایش تهران است که در Aimsun 7 پیاده‌سازی شده است. اگرچه این مقاله فقط بر مدیریت رویداد در تونل تمرکز دارد، می‌توان برای DSS یادگیرنده در دیگر خدمات کاربران تونل هوشمند نیز به نتایجی مشابه دست یافت.