10 صفحه pdf
چکیده مقاله:
هدف اصلی این مقاله مدل سازی و پیش بینی وزن حمل شده بر اساس عواملی که مستقیما در سیستم حمل و نقل تأثیر می گذارند. در این مطالعه، برای ایجاد یک مدل پیش بینی از شبکه عصبی مصنوعی (ANN) و با یک پرسپترون چند لایه ) MLP ( و بصورت شبکه عصبی فیدفوروارد (feed forward) استفاده شده است. سه الگوریتم یادگیری مختلف که عبارتند از الگوریتم دسته ای پس انتشار (Bouch back propagation) الگوریتم انتشار سریع (Quick propagation) و الگوریتم لونبرگ مارکوارت (levenberg – Marguardt) با یک لایه پنهان و 5 گره در این مطالعه استفاده شده است. پارامترهای ورودی مدل عوامل مستقیم دخیل در سیستم حمل و نقل می باشد و علاوه بر آنها دو فاکتور زمانی یعنی تعداد هفته و فصل نیز در پیش بینی وزن حمل شده مدل دخالت داده شده اند. یکی دیگر از اهداف این مطالعه، مقایسه عملکرد الگوریتم های یاد شده بر اساس قدرت پیش بینی و مقدار خطای پیش بینی می باشد. نتایج نهایی نشان داد که الگوریتم انتشار سریع (QP) با توپولوژی 1-4-7 دارای بیشترین قدرت پیش بینی (R) و کمترین خطای پیش بینی ( RMSE ) می باشد. و همچنین تمامی عوامل مؤثر بر این مدل پیش بینی در آخر به ترتیب اهمیت و تأثیرگذاری اولویت بندی شده اند.
مقاله بررسی عملکرد مدلهای شبکه عصبی مصنوعی (ANN) برای پیش بینی وزن حمل شده در یک سیستم حمل و نقل
