پیش‌بینی و پایش میزان تُن ـ کیلومتر و بارنامه حمل‌شده جاده‌ای کشور به‌منظور تشخیص رفتار غیرعادی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 استاد، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

3 استادیار، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

جابه­‌جایی کالا جزء ضروری و لاینفک فرآیند برنامه‌ریزی توسعه ملّی است؛ هدف پژوهش حاضر، پیش‌بینی و پایش میزان تُن ـ کیلومتر و بارنامه حمل­‌شده کشور به منظور تشخیص رفتار غیرعادی است. در این پژوهش برای گردآوری داده‌­ها از مشاهده ماهانه به‌دست‌آمده طی 6 سال (1395 تا 1400) که توسط «سازمان راهداری و حمل‌ونقل جاده‌ای ایران» به تفکیک هر استان جمع‌آوری ‌شده، استفاده شده است. در این پژوهش تُن ـ کیلومتر با روش‌های مختلف تن-کیلومتر و بارنامه پیش‌بینی شده و نتیجه برای یافتن رفتار غیرعادی پس از افزایش نرخ بهره و مالیات کنترل می‌شود. برای پیاده‌سازی مدل، از 72 داده تُن ـ کیلومتر حمل‌شده و 72 بارنامه صادرشده که از 32 استان طی شش سال حمل‌ونقل جاده‌ای جمع‌آوری‌شده است، استفاده شد. چهار روش مختلف پیش‌بینی، یعنی جنگل تصادفی، شبکه عصبی LSTM، ARIMA و ETS به‌تفصیل بررسی شدند. نتایج تجربی نشان می‌دهد که جنگل تصادفی از سایر مدل‌ها بهتر عمل می‌کند. در این پژوهش از ابزار کنترل کیفیت آماری امتیاز z برای تشخیص داده‌های پرت و رفتار غیرعادی استفاده شد. نتایج تجربی حاکی از آن است که از 32 استان، 3 استان دارای رفتار غیرعادی هستند که یکی از آن­ها به دلیلی غیر از افزایش نرخ بهره و مالیات حمل‌ونقل جاده‌ای است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction and Monitoring of Ton-Kilometers and Waybill for Detecting Abnormal Behavior

نویسندگان [English]

  • Amirali Eghtesad 1
  • Abbas Saghaei 2
  • Amir Azizi 3
1 Master's degree, Department of Industrial Engineering, Technical and Engineering Faculty, Research Science Unit, Islamic Azad University, Tehran, Iran.
2 Professor, Department of Industrial Engineering, Technical and Engineering Faculty, Research Science Unit, Islamic Azad University, Tehran, Iran
3 Assistant Professor, Department of Industrial Engineering, Technical and Engineering Faculty, Research Science Unit, Islamic Azad University, Tehran, Iran
چکیده [English]

The objective of this research is to predict and monitor the ton-kilometers and waybill on the Iran's roads to find abnormal Behavior. In this study, data was collected from monthly observations over a period of 6 years (1395 to 1400) by the Iran Road Maintenance and Transportation Organization, categorized by province. Different machine learning techniques, deep learning, and time series methods were employed to predict ton-kilometers, and the results were monitored for abnormal behavior following an increase in interest rates and taxes. For model implementation, a dataset of 72 records of ton-kilometers and 72 records of issued waybill, collected from 32 provinces over six years of road transportation, was utilized. Initially, four different prediction methods, including random forest, LSTM neural network, ARIMA, and ETS, were extensively examined. The empirical results indicate that the random forest outperforms the other models. this study employs the statistical quality control tool, the z-score, to detect outliers and abnormal behavior in the data. The empirical findings reveal that out of the 32 provinces, three provinces exhibit abnormal behavior, and one of them is attributed to factors other than an increase in interest rates and transportation taxes.

کلیدواژه‌ها [English]

  • Prediction
  • Statistical Quality Control
  • Waybill
  • Ton-Kilometer
  • Machine Learning
  • Deep Learning
  • Monitoring

مراجع

  1. Akaike H. (1987). Factor analysis and AIC. Psychometrika, 52(3), 317–32.
  2. Bergstra J. BY. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(Feb), 281-305.
  3. Box, G.E.P., & Jenkins GM. (1976). Time Series Analysis: Forecasting and Control. Holden Day, San Fr. (1970)
  4. Chikodili, N.B., Abdulmalik, M.D., Abisoye, O.A., & Bashir, SA. (2021). Outlier Detection in Multivariate Time Series Data Using a Fusion of K-Medoid, Standardized Euclidean Distance and Z-Score. Commun Comput Inf Sci [Internet]. [cited 2023 Jun 19], 1350, 259–71.
  5. Farazmand, M., Pishvaee, M. S. (2018). Multimodal Transportation Network Design Model under Uncertainty Conditions (Case Study: Cement Transportation in Iran). The Journal of Industrial Management Perspective, 8(3), 115-139. (In Persian)
  6. Fildes, R., Harvey A.C., West, M., & Harrison, J. (1991). Forecasting, Structural Time Series Models and the Kalman Filter. The Journal of the Operational Research Society, 42, 1031
  7. Fox, J. (1995). Applied Regression Analysis and Generalized Linear Models. Sage Publ [Internet]. 2015, 1–817.
  8. Ho, TK. (1995). Random Decision Forests. Proc third Int Conf Doc Anal Recognit 278–282.
  9. Hyndman, R.J., & Koehler, A.B. (2006). Another look at measures of forecast accuracy. Int J Forecast, 22(4), 679–88.
  10. Hyndman, R.J., Koehler, A.B., Snyder, R.D., & Grose S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. Int J Forecast, 18(3), 439–54.
  11. Khan, M.Z., Khan, F.N. (2020). Estimating the demand for rail freight transport in Pakistan: A time series analysis. J Rail Transp Plan Manag [Internet], 14(December 2019),
  12. Kingma, D.P., & Ba, JL. (2015). Adam: A method for stochastic optimization. In: 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings.
  13. Mansourianfar, M.H., Haghshenas, H. (2018). Micro-scale sustainability assessment of infrastructure projects on urban transportation systems: Case study of Azadi district, Isfahan, Iran. Cities, 72, 149–59. (In Persian)
  14. Mohaghar, A., Heydarzadeh Moghaddam, H., Ghasemi, R. (2023). Developing a Model to Optimize Maximum Coverage of Roadside Units Placement in Vehicular Ad–hoc Network for Intelligent Transportation System. The Journal of Industrial Management Perspective, 13(2), 211-240. (In Persian)
  15. Nikbakhsh, E., Zegordi, S. H. (2014). Hub Arc Covering Location Problem under Disruption. The Journal of Industrial Management Perspective, 4(1), 9-29.
  16. Ord, J.K., Ord, J.K., Koehler, A.B., & Snyder, R.D. (1997). Estimation and prediction for a class of dynamic nonlinear statistical models. J Am Stat Assoc 92(440), 1621–9.
  17. Patil, G.R., & Sahu, P.K. (2016). Estimation of freight demand at Mumbai Port using regression and time series models. KSCE J Civ Eng., 20(5, 2022–32.
  18. Rob, J. Hyndman, Anne B. Koehler, Keith Ord. & Ralph Snyder. (2008). Forecasting with Exponential Smoothing: The State Space Approach Springer Series in Statistics [Internet]. Vasa. [cited 2023 Feb 19].
  19. Sehgal, S., Suman, S., Patel, J., Chauhan, D.S., Singh, N.K., & Singh, R.K. (2017). Gross ton-kilometer forecasting models for freight trains of Northern-central Indian railways. 2017 Int Electr Eng Congr iEECON 2017, (March), 8–10.
  20. Zoghi, H., and Alipourvavossari, M. (2012). Model for Increasing Freight Transportation Price per Ton-Kilometer in Road Transport after Implementing Targeted Subsidy Plan. 9th Int Civ Eng Congr.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار