بررسي پارامترهاي تاثيرگذار در تعداد مسافران ايستگاه‌هاي حمل و نقل عمومي با استفاده از روش هاي يادگيري ماشين

چكيده شناخت عوامل مؤثر بر تعداد مسافران ايستگاه‌هاي اتوبوس و بررسي اين‌كه اثر اين عوامل در سطح شهر و در زمان‌هاي مختلف چگونه تغيير مي‌كند، از نيازهاي اصلي برنامه‌ريزي حمل‌ونقل عمومي است. مدل‌هاي سراسري معمولاً با فرض يكنواختي روابط در كل شهر، بخشي از پيچيدگي‌هاي مكاني و زماني تقاضا را ناديده مي‌گيرند. اين پژوهش با هدف شناسايي عوامل اثرگذار بر تعداد مسافران به اتوبوس در مقياس ايستگاه و بررسي ناهمگوني مكاني و تغييرپذيري زماني آن‌ها، شهر اصفهان را به‌عنوان مطالعه موردي انتخاب كرده است. در اين پژوهش، داده‌هاي تراكنش سامانه كارت هوشمند طي يك هفته مرجع از 2119 ايستگاه اتوبوس استخراج و در چهار الگوي زماني شامل روز كاري، اوج صبح، اوج عصر و آخر هفته تحليل شد. متغيرهاي مستقل در قالب چند دسته اصلي شامل محيط ساخته‌شده، كاربري زمين، شبكه معابر، و شاخص‌هاي عملكردي خدمات تعريف و براي هر ايستگاه در محدوده دسترسي 400 متري مبتني بر شبكه معابر محاسبه شدند. روند تحليل شامل سه گام بود: (1) سنجش الگوي فضايي تقاضا با شاخص موران، (2) مدل‌سازي با OLS ، GWR و MGWR براي بررسي ناهمگوني مكاني و مقياس اثرگذاري، و (3) استفاده از مدل يادگيري ماشين و تفسيرپذيري SHAP براي رتبه‌بندي و مقايسه عوامل در الگوهاي زماني. نتايج تحليل خودهمبستگي فضايي نشان داد كه توزيع مسافران داراي خوشه‌بندي فضايي معنادار است (شاخص موران جهاني = 0.359، p <‎ 0.001). در بخش مدل‌سازي، MGWR با دستيابي به ضريب تعيين 0.78 و AICc برابر 4097.02، در سناريوي روزهاي كاري عملكرد بهتري نسبت به OLS و GWR نشان داد. بر اساس رتبه‌بندي SHAP در چهار الگوي زماني، تعداد خطوط سرويس‌دهنده در همه الگوها مهم‌ترين عامل بود؛ به‌گونه‌اي كه مقدار اهميت آن در روز كاري 0٫508، در اوج صبح 0٫328، در اوج عصر 0٫311 و در آخر هفته 0٫402 برآورد شد و نشان داد تنوع خطوط، در تمام رژيم‌هاي زماني نقش تعيين‌كننده‌اي در جذب مسافر دارد. پس از آن، تراكم اشتغال و زمان انتظار در اغلب الگوها رتبه‌هاي بعدي را به خود اختصاص دادند و وزن آن‌ها بين الگوهاي زماني تغيير كرد؛ به‌طور خاص، در اوج صبح اهميت متغير زمان انتظار افزايش يافت (0٫274). همچنين متغير تراكم مراكز حمل‌ونقلي و شريان‌هاي اصلي در رتبه‌هاي بعدي قرار گرفتند كه نقش ساختار شبكه و جاذبه‌هاي دسترسي‌محور را در كنار عوامل عملياتي نشان مي‌دهد. در مجموع، نتايج بيان مي‌كند كه عوامل مؤثر بر تقاضاي اتوبوس هم از نظر مكاني يكنواخت نيستند و هم در الگوهاي زماني تغيير مي‌كنند؛ بنابراين، سياست‌گذاري مؤثر نيازمند رويكردهاي حساس به زمان و مبتني بر تفاوت‌هاي مكاني ايستگاه‌ها است. كليدواژه‌ها: رگرسيون وزن‌دار جغرافيايي چندمقياسي، يادگيري ماشين تفسيرپذير، ناهمگوني فضايي، تعداد مسافران، تحليل SHAP

Multiscale Geographically Weighted Regression, , Interpretable Machine Learning, , Spatial Heterogeneity, , Bus Ridership, , SHAP Analysis

Investigating Factors Affecting the Number of Passengers at Public Transport Stations Using Machine Learning Methods

مهندسي نقشه برداري

Abstract Identifying the determinants of bus stop ridership an‎d examining how their effects vary across urban space an‎d time are key requirements for effective public transport planning. Global regression models, which assume uniform relationships across a city, often fail to capture the spatial an‎d temporal complexity of deman‎d. This thesis therefore investigates the factors associated with bus stop ridership at the stop level an‎d explores their spatial heterogeneity an‎d temporal variability in Isfahan, Iran. Smart card fare collection (AFC) transactions from a one-week reference period were extracted for 2,119 bus stops an‎d analyzed across four temporal regimes: weekday, morning peak, evening peak, an‎d weekend. Explanatory variables were defined in several main categories—built environment, lan‎d use, road network structure, an‎d service performance indicators—an‎d were computed for each stop within a 400-m network-based catchment area. The analytical framework comprised three steps: (1) assessing the spatial pattern of deman‎d using Moran’s I, (2) estimating OLS, GWR, an‎d MGWR models to examine spatial heterogeneity an‎d scale effects, an‎d (3) applying an interpretable machine learning model with SHAP to rank an‎d compare the key factors across temporal regimes. Spatial autocorrelation analysis indicated a statistically significant clustered pattern of ridership (global Moran’s I = 0.359, p <‎ 0.001). In the modeling stage, MGWR outperformed OLS an‎d GWR in the weekday scenario, achieving an R² of 0.78 an‎d an AICc of 4097.02. SHAP-based rankings showed that the number of serving lines was the most influential factor in all temporal regimes, with importance values of 0.508 on weekdays, 0.328 during the morning peak, 0.311 during the evening peak, an‎d 0.402 on weekends, highlighting the consistent role of route diversity in attracting riders. Employment density an‎d average waiting time ranked next in most regimes, with their relative importance varying over time; notably, average waiting time became more important during the morning peak (0.274). Transport-related facility density an‎d arterial road share also appeared among the next-ranked factors, indicating that network structure an‎d accessibility-oriented lan‎d uses complement operational variables in shaping ridership. Overall, the findings suggest that the drivers of bus deman‎d are neither spatially uniform nor temporally stable. Consequently, effective policy design requires time-sensitive, stop-level interventions that account for spatial differences among bus stops. Keywords: Multiscale Geographically Weighted Regression, Interpretable Machine Learning, Spatial Heterogeneity, Bus Ridership, SHAP Analysis

5 فصل

35598