یک رویکرد CBR مبتنی بر هستی‌شناسی برای سیستم‌های جستجوی برنامه سفر شخصی برای حمل و نقل بار شهری پایدار

این مقاله یک رویکرد بازیابی اطلاعات جدید برای جستجوی مسیر شخصی‌سازی‌شده در سیستم‌های حمل‌ونقل بار شهری ارائه می‌دهد. رویکرد پیشنهادی مبتنی بر ادغام سه تکنیک است: استدلال مبتنی بر مورد، انتگرال چوکت و هستی‌شناسی. این رویکرد دارای ویژگی‌های پیشرفته زیر است: (1) هستی‌شناسی کاربرمحور به عنوان منبع دانش برای استخراج اطلاعات مربوط به ترجیحات و نیازهای ذینفعان استفاده می‌شود؛ (2) زبان قواعد وب معنایی به گونه‌ای در نظر گرفته می‌شود که قابلیت‌های معنایی پیشرفته‌ای را برای سیستم فراهم می‌کند و از نمایش موردی شخصی‌سازی‌شده پشتیبانی می‌کند؛ (3) یک مکانیسم بازیابی شخصی‌سازی‌شده CBR طراحی شده است تا یک مسیر بهینه را در اختیار کاربر قرار دهد که نیازها و ترجیحات شخصی او را برآورده کند. ویژگی‌های فوق منجر به یک جستجوی مسیر شخصی‌سازی‌شده و بهینه می‌شود که نیازهای کاربر را مطابق با درخواست‌های مشخص‌شده مانند مصرف سوخت، تأثیر زیست‌محیطی، مسیر بهینه، مدیریت زمان و غیره برآورده می‌کند. این امر پتانسیل مدیریت مؤثر حرکت اضطراری بر اساس نیازهای ذینفعان و کاهش مشکلات ازدحام در مناطق شهری را دارد. سیستم پشتیبانی تصمیم‌گیری هوشمند پیشنهادی (Onto-CBR) برای یک مسئله جستجوی مسیر برای کاربران حمل‌ونقل بار در مناطق شهری پیاده‌سازی شده است. عملکرد آن بیشتر با یک سیستم جستجوی مسیر که توسط نویسندگان در یک نشریه قبلی پیشنهاد شده بود، مقایسه می‌شود. هر دو رویکرد از نظر توانایی آنها در برآورده کردن ترجیحات شخصی کاربر و دستیابی به دقت در بازیابی پرونده مقایسه می‌شوند. نتایج تجربی، توانایی سیستم پیشنهادی را در بهبود دقت بازیابی پرونده و کاهش چشمگیر زمان بازیابی نشان داد. توانایی سیستم پیشنهادی در متناسب‌سازی جستجو با نیازهای ذینفعان، بهبود دقت بازیابی پرونده و تسهیل فرآیند جستجو از جمله ویژگی‌های مثبت اصلی سیستم پشتیبانی تصمیم‌گیری هوشمند پیشنهادی است.

مقدمه

دهه‌های اخیر شاهد تلاش‌های عظیمی با هدف ایجاد و توسعه سیستم‌های حمل و نقل هوشمند بوده‌ایم که می‌توانند به طور بالقوه تراکم را کاهش دهند، مصرف سوخت را به حداقل برسانند، اثرات زیست‌محیطی را کاهش دهند و ایمنی مسافران و کالاها را در مناطق شهری افزایش دهند. با این حال، حمل و نقل بار شهری، علیرغم اهمیت آن در مدیریت و لجستیک ترافیک شهری، اغلب توجه بسیار کمتری از جامعه تحقیقاتی نسبت به همتای مسافری خود دریافت کرده است. این احتمالاً به این دلیل است که مدیریت بار شهری یک کار پیچیده است که شامل بازیگران زیادی مانند شرکت‌های حمل و نقل، مقامات دولتی، شهروندان می‌شود و برای تضمین عملکرد کارآمد آن به یک سیستم اطلاعاتی بسیار بزرگ و قوی نیاز دارد. علاوه بر این، افزایش جابجایی بار در مناطق شهری، به ویژه در ساعات اوج، به سطوح بالای تراکم کمک می‌کند. مورد اخیر منجر به کاهش دسترسی، افزایش مصرف سوخت، آلودگی و افزایش هزینه‌های سفر می‌شود. این اثرات به تخریب تدریجی محیط زیست و زیرساخت‌های شهری کمک می‌کند (میلسا و پرایس، ۱۹۸۴). بنابراین، سازماندهی بهتر جابجایی بار شهری می‌تواند تراکم شهری و اثرات جانبی منفی آن را کاهش دهد و امنیت افراد و کالاها را بهبود بخشد و منجر به سیستم‌های حمل و نقل بار شهری پایدار شود.

برای کاهش مشکل ازدحام در شبکه‌های حمل و نقل، اخیراً چندین سیستم برنامه‌ریزی مسیر و مدیریت ترافیک پیشنهاد و بررسی شده‌اند. از جمله این کاربردها، می‌توان به پروتکل‌های توصیه مسیر در زمان واقعی (Bani Younes & Boukerche, 2015)، سیستم‌های چراغ راهنمایی هوشمند (Keyarsalan & Montazer, 2011)، سیستم برنامه‌ریزی مسیر (Zolfpour-Arokhlo, Selamat, & Zaiton Mohd Hashim, 2013) اشاره کرد. این سیستم‌ها به گونه‌ای طراحی شده‌اند که یا مسیرهایی را ارائه دهند که مشکلات ازدحام ترافیک را حل می‌کنند (Ji, Yu, Yong, Nan, & Yu, 2012) یا کوتاه‌ترین مسیرها را با استفاده از مدلی از شبکه حمل و نقل ارائه دهند (Geisberger, 2011, Kosicek et al., 2012). یکی از معایب اصلی سیستم‌های مدیریت مسیر فوق این واقعیت است که تصمیم‌گیرنده، راه‌حل بهینه را بر اساس رفتار مسافر (Shi, Na, & Chun-bin, 2008) و بر اساس تمایل مدیر (An, Na, & Chun-bin Hu, 2008) و بدون در نظر گرفتن ورودی کاربر ارائه می‌دهد. با این حال، ترجیحات و نیازهای کاربران مقیاس‌پذیر و به سرعت در حال تغییر است و کاربرانی با اطلاعات جمعیت‌شناختی مشابه و معیارهای جستجوی مشابه ممکن است ترجیحات کاملاً متفاوتی در مورد معیارها داشته باشند. این ترجیحات حتی ممکن است برای یک فرد بسته به شرایط او متفاوت باشد. از این رو، شخصی‌سازی باید بخش جدایی‌ناپذیر الگوریتم باشد تا برنامه‌های سفری ارائه شود که بیشترین نیازها و ترجیحات کاربر را برآورده کند. علاوه بر این، شخصی‌سازی می‌تواند با کاهش مشکل اضافه بار اطلاعات، رضایت کاربر را افزایش دهد (Liang, Lai, & Ku, 2007).

در میان فعالیت‌های تحقیقاتی اخیر در مورد جنبه‌های مختلف سیستم‌های اطلاعاتی شخصی‌سازی‌شده در حوزه حمل‌ونقل، به‌ویژه برای مسافران، می‌توانیم موارد زیر را فهرست کنیم: هدف این کارها ارائه اطلاعات شخصی‌سازی‌شده با کیفیت بالا به کاربران بود که ترجیحات آنها را در حوزه حمل‌ونقل عمومی برآورده کند. با این حال، این مطالعات با وجود افزایش تعداد وسایل حمل‌ونقل عمومی و تنوع کاربران، مشکل حمل‌ونقل بار شهری را در نظر نگرفتند. در واقع، حمل‌ونقل بار شهری شامل تعداد زیادی از کاربران و ذینفعان با ترجیحات، برداشت‌ها و معیارهای مختلف برای انتخاب گزینه‌ها است. علاوه بر این، در حالی که تعدد وسایل حمل‌ونقل عمومی و اپراتورهای آنها و همچنین تنوع پروفایل‌های کاربران، وظیفه طراحی یک سیستم اطلاعاتی همگن برای حمل‌ونقل بار شهری را به چالش می‌کشد، مشکل دیگر در دسترس بودن اطلاعات نیست، بلکه توانایی انتخاب اطلاعات مرتبط است که نیازها و علایق دقیق ذینفعان مختلف (ساکنان، خرده‌فروشان-مقامات، تأمین‌کننده، شرکت حمل‌ونقل) را برآورده کند.

یکی دیگر از معایب سیستم‌های شخصی‌سازی ذکر شده در بالا این واقعیت است که آنها در فرآیند بازیابی خود به روش‌های کلاسیک شخصی‌سازی مانند روش‌های مبتنی بر محتوا یا مبتنی بر همکاری متکی هستند که جستجو را پیچیده کرده و در پاسخگویی کند هستند. این به این دلیل است که روش‌های مبتنی بر محتوا از مشکلات شروع سرد رنج می‌برند، در حالی که روش‌های مبتنی بر همکاری می‌توانند در شخصی‌سازی ناسازگار باشند زیرا به یک مدل کامل از کاربر متکی هستند. یکی دیگر از نقاط ضعف شناسایی شده در رویکردهای فوق این واقعیت است که همه آنها از دانش خارجی استفاده نمی‌کنند یا فقط گاهی اوقات از آن استفاده می‌کنند، که استفاده آنها را در بازیابی شخصی‌سازی محدود می‌کند. علاوه بر این، هیچ یک از سیستم‌های شخصی‌سازی برنامه سفر فوق در حمل و نقل بار شهری پیاده‌سازی نشده است.

برای غلبه بر کاستی‌های ذکر شده در بالا، در این مقاله روش جدیدی برای شخصی‌سازی مبتنی بر ادغام مفهوم هستی‌شناسی، ابزار استدلال مبتنی بر مورد (CBR) و یک تکنیک چندمعیاره برای برآورده کردن ترجیحات همه بازیگران لجستیک شهری و بهینه‌سازی حرکت بار پیشنهاد می‌کنیم. مزیت استفاده از رویکرد CBR، ارائه یک فرآیند بازیابی راحت‌تر به منظور دستیابی به نتیجه‌گیری و ارائه توصیه‌هایی بر اساس دانش حاصل از تجربیات قبلی است. در واقع، CBR با به خاطر سپردن یک موقعیت مشابه قبلی و با استفاده مجدد از اطلاعات و دانش آن موقعیت، یک مشکل جدید را حل می‌کند (Aamodt & Plaza, 1994). با این حال، تکیه صرف بر CBR در برنامه‌های توزیع‌شده و پیچیده می‌تواند منجر به سیستم‌هایی شود که در کسب و نمایه‌سازی دانش بسیار مشکل دارند (Akmal et al., 2014; Amailef and Lu, 2013). از این رو، در این مقاله پیشنهاد می‌کنیم که مفهوم هستی‌شناسی را با ابزار CBR در سیستم شخصی‌سازی خود ادغام کنیم. در این زمینه، هستی‌شناسی از رویکرد CBR به روش‌های زیر پشتیبانی می‌کند: ابزاری کاربرپسند است که در آن نمایش موردی و پرس‌وجوها با استفاده از اصطلاحات روزمره تعریف می‌شوند. علاوه بر این، هستی‌شناسی با ایجاد ارتباط بین پرس‌وجو و اصطلاحات مربوط به مبنای موردی، ارزیابی شباهت را تسهیل می‌کند. علاوه بر این، ترکیب هستی‌شناسی و استدلال مبتنی بر مورد، اثر مسئله «شروع سرد» را کاهش داده و عملکرد سیستم را افزایش می‌دهد.

دستاوردهای اصلی این مقاله به شرح زیر است:

• طراحی یک سیستم بازیابی اطلاعات شخصی‌سازی‌شده جدید که ویژگی‌های استدلال مبتنی بر مورد، انتگرال چوکت و هستی‌شناسی را برای بهبود عملکرد ترکیب می‌کند.
• پیشنهاد یک روش جدید شخصی‌سازی که از قدرت استنتاج قوانین SWRL بهره می‌برد.
• پیشنهاد یک روش جدید اندازه‌گیری شباهت در مرحله بازیابی CBR که نمونه‌های متنی و عددی را در نظر می‌گیرد.
• این رویکرد اولین رویکردی است که هستی‌شناسی را برای مدیریت دانش بلادرنگ در سیستم‌های حمل و نقل بار توسعه داده و به کار می‌برد.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2، مروری مختصر بر جدیدترین دستاوردهای شخصی‌سازی ارائه می‌دهد. رویکرد پیشنهادی در بخش 3 نشان داده شده است. جزئیات مربوط به چارچوب شخصی‌سازی ما در لجستیک شهری در آن بخش ارائه شده است. رویکرد پیشنهادی با استفاده از یک مسئله جابجایی حمل و نقل بار اعتبارسنجی می‌شود. نتایج پیاده‌سازی و در بخش 4 نشان داده شده است. بخش بحث در بخش 5. در نهایت، بخش 6 این مقاله را نتیجه‌گیری می‌کند و برخی از مسیرهای تحقیقاتی احتمالی آینده را فهرست می‌کند.(منبع).