fa طراحی یک مدل یادگیری تمیزدهنده جهت بهبود مسیرهای اتوبوس در شبکه‌ی حمل و نقل بهینه تخصصي Special پژوهشي Research <p dir="RTL">طراحی شبکه‌ی حمل و نقل اتوبوس <span dir="LTR">(BTN)</span> یکی از مهم‌ترین مباحث در مدیریت شهری است. پارامترهای تاثیر گذار زیادی در این طراحی، موثر می‌باشند. پارامترهایی که در مجموع منجر به برآورده شدن مجموعه‌ای از اهداف مدیریت شهری می‌شود. بهبود دسترسی پذیری شهروندان، پوشش مساحت بیش‌تری از سطح شهر، کاهش زمان انتظار و هزینه و همچنین کاستن از تعداد&nbsp; تعویض خطوط اتوبوس برای رسیدن به مقصد یک مسافر، از جمله‌ی این اهداف است. طراحی یک <span dir="LTR">BTN</span> یک مساله‌‌‌ی <span dir="LTR">NP-hard</span> می‌باشد و بنابراین رسیدن به یک پاسخ بهینه در طراحی‌های با ابعاد بالا کاری دشوار است. راه&rlm;حل معمول در طراحی یک <span dir="LTR">BTN</span>&nbsp; به این صورت می‌باشد: کاهش فضای جستجوی ممکن در ابتدا و سپس ساخت شبکه بر اساس اولویت‌های مدیریت شهری. در این مقاله یک روش جدید برای ارتقای طراحی یک <span dir="LTR">BTN</span> ارایه می‌شود که مبتنی بر یادگیری آماری می‌باشد. این مدل به کمک روش‌های یادگیری آماری و ترکیب آن‌ها با یکدیگر تولید می‌شود. در این تحقیق دانش متخصصان انسانی از شبکه‌ی <span dir="LTR">BTN</span> فعلی استخراج می‌شود، سپس این دانش برای کوچک کردن فضای جستجویِ طراحی یک <span dir="LTR">BTN</span> به محدوده‌ای کوچک از معابر به کار گرفته می‌شود. این معابر ویژگی‌های لازم برای شرکت در <span dir="LTR">BTN</span> را دارند و می‌توانند برای مساله‌‌ی طراحی شبکه‌ی اتوبوس‌رانی <span dir="LTR">BTNDP</span> یا توسعه‌ی <span dir="LTR">BTN</span> فعلی به کار گرفته شوند. در این مقاله از <span dir="LTR">Na&iuml;ve Bayesian</span> و دو روش دیگر رگرسیون پایه و ورژن ترکیبی آن‌ها برای تولید مدل خود بهره گرفته شده است. ارزیابی مدل تولیدی بر اساس دقت، <span dir="LTR">False positive</span> و <span dir="LTR">True positive</span> صورت می‌گیرد. مقادیر به دست آمده از این معیارها قابل اعتماد بودن روش پیشنهادی را تصدیق می‌کند. دیتاست مورد استفاده در این مقاله، شامل اطلاعات شبکه‌ی اتوبوس رانی شهر تهران می‌باشد.</p> <p>Design a Bus Transit Network is an important problem of the Urban Management. There are a large number of variables that must be considered to design a bus transit network. These variables are used to reach a set of goals such as accessibility, maximum coverage, reduction of waiting time and decrease operational costs and number of transfer between line stops. Design a Bus Transit Network is NP-hard problem. This problem doesn&#39;t have optimal solution in large scale. The general way to design Bus Transit Network is as follows: Search space of feasible solutions are reduced then final network is constructed by notice to urban priorities. In this paper, we proposed a new method to design a Bus Transit Network.&nbsp;&nbsp;Our approach is a Statistical&nbsp;learning method. It extracts knowledge of human experts from existing Bus Transit Networks. Then this knowledge is applied to reduce search space and make a Bus Transit Network. The learned model of our approach is constructed by several statistical learning method and their hybrids. In this paper, we applied Na&iuml;ve Bayesian, two regression based methods and hybrid version of them to build model. Evaluation of the learned model is based on Accuracy, False Positive and True Positive criteria. The&nbsp;values&nbsp;of&nbsp;these criteria show&nbsp;high confidence of our approach. In this paper, we applied Tehran Bus Transit Network as our data set.</p> رگرسیون, Naïve Bayesian, شبکه‌ی حمل و نقل اتوبوس (BTN), مساله‌ی‌ طراحی شبکه‌ی حمل و نقل اتوبوس (BTNDP) Regression, Naïve Bayesian, Bus Transit Network (BTN), Bus Transit Network Design Problem (BTNDP). 1 18 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-10-1-347&slc_lang=fa&sid=1 محسن جهانشاهی mjahanshahi@iauctb.ac.ir 10031947532846003949 10031947532846003949 Yes دانشگاه آزاد اسلامی واحد قزوین، گروه مهندسی کامپیوتر و فناوری اطلاعات، قزوین مجید قلی‏ پور 10031947532846003950 10031947532846003950 No دانشگاه آزاد اسلامی واحد قزوین، گروه مهندسی کامپیوتر و فناوری اطلاعات، قزوین روزبه ابرازی 10031947532846003951 10031947532846003951 No دانشگاه صنعتی امیرکبیر، گروه ریاضی و علوم کامپیوتر، تهران مهرداد الماسی 10031947532846003952 10031947532846003952 No دانشگاه تربیت مدرس، گروه مهندسی برق و کامپیوتر، تهران