کاربرد هوش مصنوعی در مدیریت عمومی برای پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم در محیط شهری

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

کاربرد هوش مصنوعی در مدیریت عمومی برای پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم در محیط شهری

عنوان لاتین

The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment

مدیریت عمومی فناوری اطلاعات و ارتباطات را به منظور ایجاد سیستم های هوشمند جدید و طراحی استراتژی های جدید برای پیشگیری از ریسک در مدیریت حمل و نقل به کار گرفته است. هدف نهایی بهبود کیفیت خدمات حمل و نقل و همچنین تضمین امنیت حمل و نقل عمومی است. در این پژوهش، ترکیبی از روش های خوشه بندی فضایی و مدل های شبکه عصبی مصنوعی به منظور پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم مورد استفاده قرار گرفتند. سیستم های اطلاعات جغرافیایی برای انجام تحلیل فضایی به منظور شناسایی مناطق دارای تراکم بالای رویدادهای مجرمانه استفاده شدند در این مطالعه هوش مصنوعی برای ایجاد مدل های پیش بینی شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. مدل های پیش بینی شبکه عصبی با استفاده از خطای میانگین مربعات (MSE) برای یافتن مل پیش بینی بهینه ارزیابی شدند. مدل پیش بینی بهینه برای پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم مورد استفاده قرار گرفت. الگوریتم گرادیان مزدوج مقیاس پذیر به عنوان الگوریتم آموزشی برای ایجاد مدل های شبکه عصبی پیش نگر به کار رفت،‌ زیرا این الگوریتم به عنوان یکی از سریع ترین الگوریتم های یادگیری در مقایسه با الگوریتم های دیگر از جمله الگوریتم یادگیری پس انتشار به شمار می رود.

Public administration has adopted information and communication technology in order to construct new intelligent systems and design new risk prevention strategies in transportation management. The ultimate goal is to improve the quality of the transportation services and also to ensure public transportation safety. In this research, a combination of spatial clustering methods and artificial neural network models was used in order to predict the high crime risk transportation areas. Geographic information systems were used to perform spatial analysis so as to identify the regions with a high concentration of crime incidents. Artificial intelligence was used in this study in order to build artificial neural network predictive models. The neural network predictive models were evaluated by using the Mean Squared Error (MSE) in order to find the optimal forecasting model. The optimal forecasting model was used in order to predict the high crime risk transportation areas. The scaled conjugate gradient algorithm was utilized as the training algorithm for the construction of the feedforward neural network models, since it is considered as one of the fastest learning algorithms compared to several other algorithms such as backpropagation learning algorithms