ترنسفورمر انتخاب وسیله

انتخاب وسیله‌ی سفر یکی از پایه‌های برنامه‌ریزی حمل‌ونقل است و مستقیم روی پیش‌بینی تقاضا، سرمایه‌گذاری در زیرساخت و ارزیابی سیاست‌ها اثر می‌گذارد. مدل‌های سنتی انتخاب وسیله معمولاً روی فرض‌های آماری‌ای بنا شده‌اند که از پس رابطه‌های پیچیده‌ی میان ویژگی‌های مسافر، مشخصات سفر و شبکه‌ی حمل‌ونقل برنمی‌آیند.

این پژوهش که هنوز ادامه دارد، روش‌های تازه‌ی یادگیری عمیق را روی داده‌های بزرگ آمارگیری سفر در تهران برای پیش‌بینی انتخاب وسیله به کار می‌گیرد. در آن معماری‌های مبتنی بر ترنسفورمر بررسی می‌شوند؛ معماری‌هایی که می‌توانند برهم‌کنش‌های پیچیده‌ی میان ویژگی‌ها را یاد بگیرند و چارچوبی انعطاف‌پذیر برای مدل‌سازی رفتار سفر بدهند.

کنار ترنسفورمرها، به‌کارگیری شبکه‌های عصبی آگاه از فیزیک (PINN) هم بررسی می‌شود تا دانش تخصصی حمل‌ونقل وارد فرایند یادگیری شود. با گنجاندن قیدهای نظری یا فیزیکی در مدل، هدف این است که هم دقت پیش‌بینی بالا برود و هم مدل پایدارتر و تعمیم‌پذیرتر شود.

بخش دیگری از کار، روش‌های پیشرفته‌ی یادگیری بازنمایی برای داده‌های ناهمگون حمل‌ونقل است؛ با این هدف که مدل‌ها رفتار مسافر را بهتر بفهمند و در برنامه‌ریزی حمل‌ونقل آینده به کار بیایند.

این پژوهش در حال انجام است. جزئیات فنی، نتیجه‌ی آزمایش‌ها و مقاله‌ها با رسیدن پروژه به هر مرحله‌ی مهم به این صفحه اضافه می‌شود.