ارائه‌کننده:  غزالک اسلامی             

استاد راهنما: دکتر  فواد قادری

استاد ناظر داخلی اول: دکتر مریم لطفی

استاد ناظر خارجی اول: دکتر مهدی قطعی (دانشگاه امیرکبیر)

استاد ناظر خارجی دوم: دکتر بهرام صادقی (دانشگاه الزهرا)

تاریخ: ۱۴۰۵/۰۳/۱۸ 

ساعت: ۱۶:۳۰ تا ۱۸:۳۰ 

مکان:  اتاق شورا طبقه هفت

چکیده:

ﭘﯿﺶ ﺑﯿﻨﯽ دﻗﯿﻖ ﺗﻘﺎﺿﺎی ﺗﺎﮐﺴﯽ از اﻫﻤﯿﺖ ﺑﺎﻻﯾﯽ ﺑﺮﺧﻮردار اﺳﺖ، ﭼﺮا ﮐﻪ ﺑﻪ ارﺗﻘﺎء ﮐﯿﻔﯿﺖ ﺧﺪﻣﺎت ﺷﻬﺮی ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ. ﻋﻼوه ﺑﺮاﯾﻦ، ﺗﻮﺟﻪ ﺑﻪ ﻋﺪاﻟﺖ اﺟﺘﻤﺎﻋﯽ ﻣﯿﺎن ﻧﻮاﺣﯽ ﻣﺨﺘﻠﻒ ﺷﻬﺮی از اﻟﺰاﻣﺎت ﺣﯿﺎﺗﯽ در ﺗﻮﺳﻌﻪ اﯾﻦ ﻣﺪل ﻫﺎ اﺳﺖ. اﯾﻦ رﺳﺎﻟﻪ، ﺑﺎﻫﺪف اراﺋﻪ ﻣﺪﻟﯽ ﺗﺮﮐﯿﺒﯽ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی آﻧﻼﯾﻦ ﺗﺎﮐﺴﯽ در ﻣﻘﯿﺎس ﻧﻮاﺣﯽ ﺷﻬﺮی، ﺑﺮ ﭘﺎﯾﻪ داده ﻫﺎی واﻗﻌﯽ ﮐﻼن ﺷﻬﺮﻫﺎی ﺑﺰرگ ﺗﺪوﯾﻦ ﺷﺪه اﺳﺖ. در ﮔﺎم ﻧﺨﺴﺖ، ﺑﺎ ﺑﻬﺮه ﮔﯿﺮی از داده ﻫﺎی ﺗﺎرﯾﺨﯽ ﺗﻘﺎﺿﺎ، ﻧﻮاﺣﯽ ﺷﻬﺮی ﻣﺸﺎﺑﻪ ﺑﻪ ﺻﻮرت دﻗﯿﻖ ﺷﻨﺎﺳﺎﯾﯽ ﺷﺪﻧﺪ. ﺳﭙﺲ، ﺑﺮای وزن دﻫﯽ ﺑﻪ ﺗﺄﺛﯿﺮ ﻧﻮاﺣﯽ ﻣﺸﺎﺑﻪ از ﻣﮑﺎﻧﯿﺰم ﺗﻮﺟﻪ اﺳﺘﻔﺎده ﺷﺪ ﮐﻪ ﺑﻪ ﻣﺪل اﺟﺎزه ﻣﯽ دﻫﺪ اﻫﻤﯿﺖ ﻫﺮ ﻧﺎﺣﯿﻪ را در ﻫﺮ ﺑﺎزه زﻣﺎﻧﯽ ﺑﻪ ﺻﻮرت ﭘﻮﯾﺎ و ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺷﺮاﯾﻂ ﻓﻌﻠﯽ ﺗﻌﯿﯿﻦ ﮐﻨﺪ. در ﻣﺮﺣﻠﻪ ﺑﻌﺪ، ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی زﻣﺎﻧﯽ-ﻣﮑﺎﻧﯽ، ﺷﺒﮑﻪ ﺣﺎﻓﻈﻪ ﻃﻮﻻﻧﯽ ﮐﻮﺗﺎه ﻣﺪت ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷﺪ ﮐﻪ ﻗﺎﺑﻠﯿﺖ ﻣﺪل ﺳﺎزی رواﺑﻂ ﭘﯿﭽﯿﺪه و ﺑﻠﻨﺪﻣﺪت در داده ﻫﺎی زﻣﺎﻧﯽ را داراﺳﺖ. ﻫﻤﭽﻨﯿﻦ، ﺑﻪ ﻣﻨﻈﻮر ازاﯾﺶ دﻗﺖ و ﺑﻬﺒﻮد ﻧﺘﺎﯾﺞ ﭘﯿﺶ ﺑﯿﻨﯽ، اﻟﮕﻮرﯾﺘﻤﻒ ﺗﻘﻮﯾﺖ ﮔﺮادﯾﺎن ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺮﺣﻠﻪ ﭘﺎﻻﯾﺶ و ﺗﻘﻮﯾﺖ ﻣﺪل ﻫﺎ در ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﻟﺤﺎظ ﮔﺮدﯾﺪ. ﯾﮑﯽ از ﻧﻮآوری ﻫﺎی ﮐﻠﯿﺪی اﯾﻦ رﺳﺎﻟﻪ، ﺗﻮﺳﻌﻪ ﯾﮏ ﺗﮑﻨﯿﮏ ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﺒﺎﻫﺖ ﻧﺴﺒﯽ ﺑﺮ اﺳﺎس ﻣﺤﺮوﻣﯿﺖ اﺳﺖ ﮐﻪ ﺑﺎ ﻫﺪف ﺗﻀﻤﯿﻦ ﻋﺪاﻟﺖ در ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﻃﺮاﺣﯽ ﺷﺪه اﺳﺖ. اﯾﻦ روﯾﮑﺮد ﺑﺎﻋﺚ ﻣﯽ ﺷﻮد ﮐﻪ ﻣﺪل ﭘﯿﺶ ﺑﯿﻨﯽ در ﻧﻮاﺣﯽ دارای ﺷﺮاﯾﻂ ﺟﻤﻌﯿﺘﯽ و اﺟﺘﻤﺎﻋﯽ ﻣﺸﺎﺑﻪ، ﻋﻤﻠﮑﺮدی ﻋﺎدﻻﻧﻪ اراﺋﻪ دﻫﺪ و از ﺑﺮوز ﻧﺎﺑﺮاﺑﺮی در ﮐﯿﻔﯿﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﺟﻠﻮﮔﯿﺮی ﮐﻨﺪ ﺑﺮای اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺪل ﭘﯿﺸﻨﻬﺎدی، داده ﻫﺎی ﮐﻼن و واﻗﻌﯽ از دو ﻣﻨﺒﻊ ﺷﺎﻣﻞ ﮐﻼن ﺷﻬﺮ ﺷﯿﮑﺎﮔﻮ و ﺳﺎﻣﺎﻧﻪ ﺗﺎﮐﺴﯽ آﻧﻼﯾﻦ اﺳﻨﭗ در ﺗﺒﺮﯾﺰ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ. ﻧﺘﺎﯾﺞ ﺗﺠﺮﺑﯽ ﺑﻪ وﺿﻮح ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ ﮐﻪ ﻣﺪل ﺗﺮﮐﯿﺒﯽ اراﺋﻪ ﺷﺪه، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روش ﻫﺎی ﻣﺘﺪاول و ﻣﺮﺳﻮم، ﺑﻬﺒﻮد ﭼﺸﻤﮕﯿﺮی در دﻗﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎ داﺷﺘﻪ و ﺑﻪ ﻃﻮر ﻫﻤﺰﻣﺎن ﻣﻌﯿﺎرﻫﺎی ﻋﺪاﻟﺖ ﻓﻀﺎﯾﯽ و ﺟﻤﻌﯿﺘﯽ را ﻧﯿﺰ ﺑﻪ ﻧﺤﻮ ﻣﺆﺛﺮی رﻋﺎﯾﺖ ﻣﯽ ﮐﻨﺪ. در ﻣﺠﻤﻮﻋﻪ داده ﺷﯿﮑﺎﮔﻮ، ﻣﻘﺪار رﯾﺸﻪ ٔ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ در روﯾﮑﺮد ﻣﺒﺘﻨﯽ ﺑﺮ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﭘﯿﺮﺳﻮن ﺑﺮاﺑﺮ ﺑﺎ ۰. ۶ و در روﯾﮑﺮد ﻋﺪاﻟﺖ ﻣﺤﻮر ۰. ۵ ﺑﻮده اﺳﺖ. ﻫﻤﭽﻨﯿﻦ، ﻣﯿﺎﻧﮕﯿﻦ ﻗﺪر ﻣﻄﻠﻖ ﺧﻄﺎ در اﯾﻦ دو روﯾﮑﺮد ﺑﻪ ﺗﺮﺗﯿﺐ ۵. ۴ و ۶. ۳ ﻣﺤﺎﺳﺒﻪ ﮔﺮدﯾﺪه اﺳﺖ. در ﻣﺠﻤﻮﻋﻪ داده ﺗﺒﺮﯾﺰ، ﮐﻪ ﺻﺮﻓﺎً ﺷﺎﻣﻞ داده ﻫﺎی ﺗﻘﺎﺿﺎ و ﻓﺎﻗﺪ اﻃﻼﻋﺎت ﺟﻤﻌﯿﺘﯽ اﺳﺖ، ﻣﻘﺪار رﯾﺸﻪ ٔ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ ۵. ۱۵ و ﻣﯿﺎﻧﮕﯿﻦ ﻗﺪر ﻣﻄﻠﻖ ﺧﻄﺎ ۱. ۱۳ ﺑﻪ دﺳﺖ آﻣﺪه اﺳﺖ. در ﻧﻬﺎﯾﺖ، اﯾﻦ رﺳﺎﻟﻪ دﮐﺘﺮی ﺑﺎ اراﺋﻪ روﯾﮑﺮدی ﭼﻨﺪﻣﺮﺣﻠﻪ ای و ﺟﺎﻣﻊ، ﮔﺎﻣﯽ ﻣﻬﻢ در ﺟﻬﺖ ارﺗﻘﺎء ﻣﺪل ﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻘﺎﺿﺎی ﺗﺎﮐﺴﯽ در ﺷﻬﺮﻫﺎی ﺑﺰرگ ﺑﺮداﺷﺘﻪ اﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﺳﯿﺎﺳﺖ ﮔﺬاران و ﻣﺪﯾﺮان ﺷﻬﺮی در ﺑﻬﺒﻮد ﻣﺪﯾﺮﯾﺖ ﺣﻤﻞ وﻧﻘﻞ ﮐﻤﮏ ﺷﺎﯾﺎﻧﯽ ﻧﻤﺎﯾﺪ.