1. مقدمه
انتخاب مکان یکی از تصمیمات اساسی در یک فضای شهری عمومی است که می تواند بر اساس علاقه توپوگرافی، در دسترس بودن زمین، کاربری زمین و ترجیحات عمومی تعیین شود [ 1 ]. سایت باید عاری از هرگونه تداخل طبیعی یا محیطی، صنعت، تجارت، یا خطرات ترافیکی نامطلوب باشد و برای جمعیت فعلی و آینده قابل دسترسی باشد. با این حال، در اکثر جوامع، یافتن مطلوبترین سایت ممکن نیست [ 2 ، 3 ]. به طور سنتی، انتخاب مکان بر اساس دانش یک متخصص است، در حالی که کاربران اصلی امکانات، مانند مدیران شهری و به ویژه شهروندان عمومی، شامل نمیشوند [ 4 ]. بنابراین، مکان مناطق انتخاب شده مطابق با علایق و الزامات کاربر نیست [ 5]. یکی از مهمترین امکانات شهری پارکینگ عمومی است. امروزه به دلیل استفاده گسترده از خودرو، تقریباً همه شهرهای بزرگ در دسترس نبودن پارکینگ عمومی هستند. در واقع یکی از مسائلی که برای حل مشکل ترافیک مطرح می شود، انتخاب صحیح پارکینگ عمومی است [ 6 ، 7 ]. بنابراین، مطالعه رویکرد قبلی برای به دست آوردن مزیت ترین مکان برای پارکینگ عمومی ضروری است.
انتخاب مکان برای تاسیسات شهری سال ها مورد مطالعه قرار گرفته است. مؤسسه مهندسین حمل و نقل آمریکا خلاصه ای از شهرهای مختلف در برخی از کشورهای قاره ایالات متحده آمریکا، انگلستان و آسیا ارائه کرد. آنها دریافتند که نسبت پارکینگ لوازم جانبی با سیستم حمل و نقل شهری و نرخ مالکیت خودرو متناسب است [ 8 ]]. مطالعه بوروشاکی و مالچوسکی (2010) تصمیم گیری فضایی مشارکتی مبتنی بر وب و GIS مشارکتی را به عنوان اثبات مفهوم توصیف کرد. آنها در مورد پتانسیل اینترنت برای تسهیل تصمیم گیری مشترک و فضایی بحث کردند. علاوه بر این، آنها روش اکثریت فازی را با استفاده از میانگین وزنی مرتب شده القایی (IOWA) برای تصمیمگیری گروه فضایی در نظر گرفتند. در نتیجه، این روشهای تحلیل تصمیم چند معیاره (MCDA) مکانیزمی را برای پر کردن شکاف بین ساکنان عمومی و کارشناسان ارائه میدهند. با این حال، محدودیت های تکنولوژیک در کشورهای در حال توسعه را می توان یافت [ 9]. پارکر و همکاران (2013) اطلاعات جغرافیایی داوطلبانه (VGI) و GIS مشارکتی (PGI) را در یک زمینه تفریحی در فضای باز یکپارچه کرد. آنها نشان دادند که VGI و PGI هر دو توانایی بیشتری برای تأثیرگذاری بر کاربر در مرحله برنامه ریزی نسبت به هنگام فعالیت دارند [ 10 ].
لی و همکاران (2014) اقدامات کاربران را مورد مطالعه قرار داد که بر اساس نوع جدیدی از پرس و جوی گروه علاقه آگاه فضایی مدل سازی شد که یک گروه کاربری را بازیابی می کند، جایی که هر کاربر به کلمات کلیدی پرس و جو علاقه مند است و آنها در فضای اقلیدسی به یکدیگر نزدیک هستند [ 11 ]. Malczewski و Rinner (2015) یک تجزیه و تحلیل تصمیم گیری چند متغیره مشترک را برای دانش آموزانی که در زمینه های مختلف علم GIS شاغل هستند مورد بررسی قرار دادند [ 12 ]]. هونگ (2015) الگوهای فضایی داده های شبکه اجتماعی مبتنی بر مکان (LBSN) در سئول را با استفاده از تکنیک های تحلیل فضایی یک سیستم اطلاعات جغرافیایی تجزیه و تحلیل کرد. داده ها با طرحی که بر اساس API Python Foursquare تولید شده بود گردآوری شد. بر اساس نتایج تحلیلی، محقق قادر به شناسایی خوشههای محل برگزاری در اطراف مراکز شهر، و همچنین تفاوتها در نقاط داغ برای دستههای مختلف محل برگزاری و همبستگی با متغیرهای سرشماری [ 13 ] بود.
لوی و همکاران (2015) ParkFit را ارائه کرد که به عنوان یک نمای فضایی با وضوح بالا از عرضه و تقاضای پارکینگ شهری تعریف میشود. به عنوان یک تنظیمات عملی، ParkFit محدودیت های خاص خود را دارد. به عنوان مثال، فرد باید حداکثر فاصله قابل قبول برای پارکینگ را تعیین کند، که می تواند بسیار دور از مقصد باشد. دوم، این مدل نمیتواند زمانهای جستجوی پارکینگ، قیمت و چرخش، عوامل محلی مکان مطلوب راننده، امنیت و عبور از جاده را در طول پیادهروی ترکیب کند [ 14 ]]. عباسی و همکاران مطالعه (2017) پتانسیل داده های LBSN را در کنار مفهوم رتبه در پیش بینی الگوهای حرکتی انسان در منهتن، شهر نیویورک بررسی کرد. آنها سه سناریو را پیشنهاد میکنند، از جمله فاصله رتبه، تعداد مکانهای بین مبدأ و مقصد، و طرحواره شروع وزندار ورود. در این مطالعه، استفاده از یک طرحواره وزن دهی ورود به الگوهای توزیع سفر منجر به نمونه ای شد که تقریباً شبیه به داده های حقیقت زمینی بود. از آنجایی که تعداد سفرهای پیشبینیشده به تعداد واقعی سفرها نزدیکتر بود، توزیع سفر نیز حدود 50 درصد افزایش یافت [ 15 ].
اخیراً کریگ و همکاران. (2018) Smart Park را ارائه کرد، سیستمی برای اطلاعات پارک در زمان واقعی با تکیه بر حسگرهای تلفن هوشمند و زیرساخت Wi-Fi/سلولی فراگیر. نتایج آزمایشی از 12 داوطلب نشان داد که Smart Park در 97٪ مواقع رویدادهای پارک کردن را شناسایی می کند، در حالی که نتایج مثبت کاذب صفر را ایجاد می کند. در حالی که Smart Park از شبیهسازیها برای به حداقل رساندن هزینه استقرار اولیه و ریسک استفاده میکند، زمانی که فاصله بین دو خودرو 10 متر یا کمتر باشد، نمیتواند رویدادهای پارک را تشخیص دهد [ 16 ]. در اینجا، ترکیب تصمیم گیرندگان چندگانه مبتنی بر شبکه جغرافیایی اجتماعی را برای بهینهسازی یک مکان عمومی شهری در تهران، که پرجمعیتترین شهر ایران است، نشان میدهیم.
به عنوان یک محیط عملی برای توسعه مدل، ما مشکل انتخاب مکانها برای پارکینگ عمومی را ارزیابی میکنیم. بخش 2 فرآیند تحلیل سلسله مراتبی را به عنوان یک تحلیل تصمیم گیری چند معیاره مبتنی بر GIS (MCDA) ارائه می کند. سپس، مفاهیم مرتبط و تجزیه و تحلیل دقیق در بخش 3 نشان داده شده است. در نهایت، نتیجهگیریها و جهتگیریهای تحقیقات آینده بالقوه در بخش 4 در نظر گرفته میشوند .
2. مواد و روشها
طراحی ما از سه قسمت تشکیل شده است. در بخش اول از AHP برای برنامه ریزی انتخاب سایت با استفاده از تحلیل تصمیم گیری چند معیاره استفاده می کنیم. سپس، شبکه جغرافیایی اجتماعی را به عنوان بستری برای رسیدگی به دیدگاه های مختلف در نظر می گیریم. در نهایت مدل پیشنهادی و ویژگی های آن نشان داده شده است.
2.1. انتخاب سایت و تجزیه و تحلیل تصمیم گیری چند معیاره
قبلاً انتخاب سایت کاملاً بر اساس معیارهای اقتصادی و فنی بود. معیارهای انتخاب همچنین باید الزامات اجتماعی و زیست محیطی را که توسط قوانین و مقررات دولتی اجرا می شود، مطابقت دهد. امروزه در جامعه فراصنعتی و دانش بنیان، مردم به مهمترین منبع تبدیل شده اند. فرآیند انتخاب مکان به تحلیلهای چند معیاره پیچیده نیاز دارد که شامل مجموعهای از عوامل مرتبط با مسائل اقتصادی، اجتماعی، فنی، زیستمحیطی و سیاسی است که ممکن است منجر به اهداف متضاد شود [ 17 ]. تجزیه و تحلیل تصمیم چند معیاره مبتنی بر GIS (MCDA) مجموعه ای از تکنیک ها برای حل مسائل فضایی با در نظر گرفتن و وزن دادن به معیارهای مختلف (یعنی ویژگی های جغرافیایی) در فرآیند تصمیم گیری است [ 3 ،18 ].
موضوع MCDA پشتیبانی از جمله تجزیه و تحلیل تصمیم چند هدفه (MODA) برای تصمیم گیری چند ویژگی (MADA)، فردی برای تصمیم گیرندگان گروهی، و تصمیم تحت اطمینان برای تصمیم گیری تحت اطمینان را سفارش داد. تصمیم گیری مبتنی بر داده های مکانی، اطلاعات و فناوری های ارتباطی است. مدیران و تصمیم گیرندگان برای تبادل نظر و اطلاعات از آن استفاده می کنند، که در هنگام تمرکز بر موضوعات تصمیم گیری خاص ضروری است. تصمیمات فضایی بر اساس معیارهای چندگانه در نظر گرفته شده است [ 3 ].
2.2. شبکه های ژئو اجتماعی
پیشرفت جهانی در روابط جهانی، شبکه های کامپیوتری و خدمات مبتنی بر مکان، روند جدیدی را در سیستم اطلاعات جغرافیایی معرفی کرده است. شبکه های جغرافیایی اجتماعی به عنوان یکپارچه کننده سیستم های دستگاه های تلفن همراه، شبکه های بی سیم و سایر قابلیت های GIS در حوزه سیستم اطلاعات جغرافیایی توسعه یافته اند [ 19 ، 20 ]. در واقع، پیشرفت تکنولوژی منجر به گسترش روزافزون منابع داده شده است. از زمان ابداع شبکه های اجتماعی، مطالعات متعددی در مورد فعالیت های کاربران انجام شده است.
بعد مکان به پیوند شکاف بین دنیای فیزیکی و خدمات شبکه های اجتماعی مجازی کمک می کند [ 21 ]. از سوی دیگر، فعالیتهای مشارکت عمومی که از قابلیتهای شبکههای جغرافیایی اجتماعی استفاده میشوند برای حل مشکلات فضایی شهری استفاده میشوند [ 11 ، 22 ].
علاوه بر این، بستر مناسبی برای همکاری شهروندان عمومی، کارشناسان شهری و مدیران دولتی است. البته این همکاری تا کنون برای انتخاب سایت امکانات عمومی مطرح نشده بود. کاربران همیشه در منطقه سکونت و فعالیت خود هستند و از سایت مناسبی برای ساختاردهی محیط و پشتیبانی از خدمات شهری استفاده می کنند [ 23 ].
2.3. روش پیشنهادی
این مقاله سعی در حل مسئله انتخاب مکان شهری با استفاده از GIS مشارکتی از طریق شبکههای جغرافیایی اجتماعی دارد. به این ترتیب، روش پیشنهادی همانطور که در شکل 1 نشان داده شده طراحی شده است .
سیستم اطلاعات جغرافیایی (GIS) بخشی اساسی از فناوری مدلسازی برای مدیریت و تحلیل دادههای شهری است. بنابراین، ادغام GIS با روشهای دیگر، مدلسازی بیشتر رویکرد MCDM را ممکن میسازد [ 24 ].
مرحله اول: این مرحله بر انتخاب معیارهای غالب متمرکز است که بر تعیین پارکینگ عمومی مناسب در یک منطقه شهری تأثیر دارد. برای رسیدن به این هدف، پنج معیار را انتخاب کردیم: تراکم جمعیت، تراکم ترافیک، دسترسی، ارزش زمین و عرض خیابان. در میان این معیارها، “دسترسی” دارای معیارهای فرعی است که در شکل 2 نشان داده شده است.
مرحله دوم: وزن دهی معیارهای تعریف شده مرحله مهمی است و پایایی پیامدهای آن می تواند نتایج نهایی را تضمین کند. وزن دهی معیارها توسط AHP انجام می شود. روش AHP مبتنی بر وزن دهی زوجی است. برای محاسبه وزن عوامل از روش میانگین هندسی استفاده شد. مرحله بعدی در این فرآیند تخمین نسبت ناسازگاری است. این مقدار احتمال نشان دهنده احتمال درجات تصادفی متناظر است، به طوری که مقادیر کمتر از 0.1 خوب هستند، مقادیری که ارزش بیش از 0.1 دارند ناسازگار هستند، و وزن معیارها باید دوباره برقرار شود [ 18 ، 24 ]. با استفاده از روش AHP در این تحقیق، سلسله مراتب معیارهای مکان یابی پارکینگ عمومی مطابق با شکل 3 بود..
مرحله سوم: به منظور تجمیع نظرات سطوح مختلف تصمیم گیرندگان، از رویکرد اکثریت فازی استفاده می شود. اکثریت فازی یک روش تجمیع است که از طریق ترجیح نظر اکثریت تصمیم گیرندگان را در بر می گیرد. مقدار تجمیع نهایی، ارزش اکثر مشابه ترین مقادیر را مشخص می کند. شباهتهای بین جفت مقادیر ترجیحی را میتوان با استفاده از یک تابع پشتیبانی، Sup ( a , b ) محاسبه کرد که میتوان آن را به عنوان پشتیبان « a » از « b » در جایی که [ 25 ] نشان داد:
بنابراین، هر چه دو مقدار آرگومان نزدیکتر باشند، بیشتر از یکدیگر پشتیبانی میکنند [ 26 ]. علاوه بر این، بیشترین مقادیر پشتیبانی شده وزن بیشتری در روش تجمیع دارند. آنها نشان دادند که روش اکثریت فازی معنای اکثریت ترجیحات را در یک فرآیند تصمیم گیری گروهی تولید می کند [ 25 ].
امتیاز استفاده از OWA به دست آمده برای هر گزینه پیشنهادی که به صورت Pk تعریف شده است ( k تصمیم گیرندگان شماره است). مشکل را می توان به صورت تعریف کرد [پ1من،پ2من, … ,پqمن] →پm a j o r i t yمن، که نشان دهنده تجمع تنظیمات برگزیده است پکمنبه گونه ای که امتیاز نهایی با اکثریت مقادیر ترجیحات مطابقت داشته باشد. این مشکل را می توان با در نظر گرفتن تمام مقادیر k حل کرد. مراحل زیر عبارتند از:
محاسبه کل حمایت ارزش برای اولویت تصمیم گیرنده از سوی تصمیم گیرندگان دیگر در گزینه یکم به شرح زیر است:
را اسu p (پکمن،پدمن)یک عملیات پشتیبانی باینری است به صورت:
در اینجا، وزن P k با استفاده از OWA (یا سایر اشکال تصمیم گیری) محاسبه می شود. ‘α’ یک آستانه در تابع پشتیبانی است.
با توجه به تابع پشتیبانی، اسu p (پکمن،پدمن)اگر مجاورت یا فاصله بین دو مقدار کمتر از ‘α’ باشد، دو مقدار از یکدیگر پشتیبانی می کنند. در غیر این صورت، آنها هیچ پشتیبانی ارائه نمی کنند. در این تنظیم، ‘α’ آستانهای را تعریف میکند که با آن نزدیکی مقادیر حمایت کننده (به اندازه کافی نزدیک) یا نه () در نظر گرفته میشود. با جمع کردن این مقادیر در هر ردیف، عدد t ‘ k مرحله دوم این مرتب سازی در اعداد مرتبه صعودی t’ k و t’ 1 ≤ t’ 2 ≤ … ≤ t’ q نامگذاری می شود. “Q most” به عنوان تابع عضویت فازی است که طبق مراحل زیر محاسبه می شود:
پس از محاسبه مقدار ‘Q’، V k مطابق با رابطه (8) با تقسیم هر مقدار ‘Q’ بر کل مقادیر ستون ‘Q’ به دست می آید:
محاسبه امتیاز OWA برای هر یکمین مکان، A i ، مربوط به اکثر ترجیحات تصمیم گیرندگان به شرح زیر است:
که در آن شاخص t ( k ) k امین «کوچکترین» است.
مرحله چهارم: پس از فرآیند تجمیع، مکانهای مناسب نهایی تعیین و ارزیابی میشوند.
3. نتایج
در این بخش فرآیند پیاده سازی توضیح داده می شود. ابتدا حوزه مطالعه موردی معرفی شده و داده های مورد نیاز به تصویر کشیده شده است. دوم، معماری سیستم توضیح داده شده است. در نهایت، نتایج پیاده سازی مورد بحث قرار می گیرد.
3.1. منطقه مطالعه
شهرداری منطقه 6 تهران 2138.5 هکتار وسعت دارد و 3.3 درصد کلان شهر تهران را شامل می شود. در شمال این منطقه منطقه 3 (بزرگراه همت)، از شرق منطقه 7 (بزرگراه مدرس)، از غرب منطقه 2 (بزرگراه چمران) و از جنوب به مناطق 10، 11، 12 و (. آو انقلاب) که شامل شش منطقه و 18 منطقه محلی است.
شکل 4 موقعیت جغرافیایی منطقه مورد مطالعه را نشان می دهد. بر اساس آخرین آمار به دست آمده، جمعیت منطقه 6 حدود 237292 نفر است که از این تعداد 119421 نفر مرد و 117871 نفر زن هستند [ 27 ].
3.2. داده های مورد نیاز
همانطور که در بخش 3 توضیح داده شد ، معیارهای اصلی عبارتند از تراکم جمعیت، تراکم ترافیک، ارزش زمین، عرض خیابان، و دسترسی (که شامل فاصله از پارکینگ عمومی، مراکز توریستی، جاده های اصلی، مراکز بهداشتی و مراکز خرید است). اولین گام در پیاده سازی، تهیه داده های مورد نیاز است که در جدول 1 توضیح داده شده است.
3.3. معماری سیستم
در این تحقیق از شبکه اجتماعی تلگرام به عنوان بستری برای تصمیم گیری در گروه فضایی استفاده شده است. تلگرام نرم افزاری کاربرپسند و متن باز است که از امنیت بالایی برخوردار است. معماری سیستم پیشنهادی به طور کلی در سه لایه فیزیکی طراحی شده است، همانطور که در شکل 5 نشان داده شده است.
سمت کلاینت رابط اپلیکیشن تلگرام است. این لایه داده های موجود در پایگاه داده را با توجه به درخواست کاربر می خواند و نقشه مناسب را در مرورگر وب نمایش می دهد. در محیط برنامه نویسی Visual Studio 2015 (C #) طراحی شده است.
لایه Server Application یک لایه میانی است و وظیفه پردازش داده است. این لایه داده های وارد شده در هر مرحله را تایید می کند و سپس آنها را برای اجرای الگوریتم و تولید پیام های ارسال شده به کاربر آماده می کند. در این لایه از API اپلیکیشن تلگرام برای پیاده سازی ربات استفاده شده است. لایه سمت سرور، لایه داده است. این لایه داده ها را ذخیره و مدیریت می کند. از سه مجموعه تشکیل شده است: وب سرویس طراحی شده با زبان برنامه نویسی PHP 5.2.0، سرور تلگرام و نرم افزار پایگاه داده فضایی که با نرم افزار PostgreSQL و PostGIS طراحی شده است.
3.4. رابط کاربر گرافیکی
این مطالعه در صدد طراحی و پیادهسازی یک چارچوب مفهومی برای GIS مبتنی بر وب مشترک برای ادغام جنبههای مختلف کاربران امکانات عمومی است. چارچوب PGIS دو جزء شامل تصمیم فردی و تصمیم گروهی را در بر می گیرد. از آنجایی که این سیستم در محیط شبکه های اجتماعی پیاده سازی می شود، قطعا بسیاری از کاربران دانش و تخصص کافی در زمینه سیستم های اطلاعات جغرافیایی ندارند. بنابراین، یک رابط کاربری کاملا ساده طراحی شد.
بخش اول سیستم به تصمیم گیری فردی مربوط می شود. کاربر روی نام ربات، @FuzzyMajorityModel کلیک می کند. کاربر گزینه شروع را برای برقراری ارتباط با ربات انتخاب می کند. در مرحله بعد، کاربر باید اطلاعات شخصی را وارد کند تا به تصمیم فردی وارد شود. سپس، کاربر باید یک سناریوی گزینه ثابت را انتخاب کند. یک گزینه ثابت در سناریو تعداد مکان های ارائه شده در منطقه مورد مطالعه است و در قالب یک نقشه مبتنی بر وب به کاربر نمایش داده می شود.
کاربر باید بین این گزینه ها حداقل دو مورد را انتخاب کند و سپس گزینه ها را به سیستم ارسال کند ( شکل 6 الف). در ادامه دو معیار اصلی و ماتریس زیرمعیارهای حاوی آنها برای وزن دهی و مقایسه باینری نشان داده شده است. پس از وزن دهی، عملیات AHP بر روی عملکرد سیستم انجام می شود و بررسی انجام می شود. خروجی نهایی در یک نقشه وب نمایش داده می شود. شکل 6 ب نمونه ای از خروجی یک تصمیم فردی را نشان می دهد. بخش دوم سیستم، گروه تصمیم گیری است. با وارد کردن نام کاربری و رمز عبور، کارشناس اصلی می تواند وارد شود ( شکل 6 ج).
شکل 7 نمونه ای از خروجی در این مرحله است. با کلیک بر روی هر نقطه، مقدار اولویت مکان تعیین می شود.
فرآیند ارزیابی در دو مرحله تکمیل می شود. این سیستم ابتدا تنها توسط 50 کارشناس و سپس توسط سه سطح مختلف کاربر شامل 50 کارشناس، 25 مدیر شهری و 150 شهروند عمومی برای منطقه مورد مطالعه از طریق ربات تلگرام اجرا می شود. سپس نتایج آرشیو شده در هر دو مورد توسط 50 کارشناس، 25 مدیر شهری و 150 شهروند عمومی با یکدیگر مقایسه شده است. مکانهای انتخاب شده برای پارکینگ عمومی به این گروههای آزمایشی معرفی میشوند تا نظر آنها را با توجه به عوامل ارزیابی درخت از جمله: «رضایت»، «توزیع پارکینگ عمومی» و «مناسب بودن و سهولت استفاده» جویا شوند.
بخش اول سیستم تصمیم فردی هر یک از کارشناسان و شهروندان را در مورد انتخاب مکان برای پارکینگ عمومی نشان می دهد. بخش دوم تصمیم گیری مشترک است. واضح است که سناریوی شماره 2 برای انتخاب مکان پارکینگ عمومی در منطقه مورد مطالعه کاربرد و مناسب تر است ( جدول 2 ).
4. نتیجه گیری و کارهای آینده
مدل ارائه شده در اینجا برای تسهیل انتخاب مکان برای پارکینگ عمومی با استفاده از یک رویکرد جدید از همکاری تصمیم گیرندگان چند معیاره در نظر گرفته شده است. به دلیل سهولت دسترسی، کاربر پسند بودن و در دسترس بودن قابلیتهای فضایی، تنظیمات ما بر اساس شبکههای جغرافیایی اجتماعی است. روش پیشنهادی فرآیند تحلیل سلسله مراتبی را برای وزن دهی به معیارها اعمال کرد که در دو مرحله یک بار توسط 50 نفر از کارشناسان و سپس توسط سه سطح مختلف کاربر شامل 50 کارشناس، 25 مدیر شهری و 150 شهروند عمومی منطقه مورد مطالعه تکمیل شد. . سپس، روش اکثریت فازی نتایج بایگانی شده AHP را برای تعیین مکانهای ترجیحی مناسب برای پارکینگ عمومی جمعآوری کرد. روش پیشنهادی از طریق ربات تلگرام پیاده سازی شد. ارزیابی روش پیشنهادی بر اساس مقایسه حالتهای یدککش انجام میشود. نتایج دو مزیت اصلی سناریوی تصمیمگیری مشارکتی برای حل انتخاب مکان شهری عمومی را توجیه کرد: توزیع عادلانه مکانهای انتخابی و رضایت بالای کاربران.
این تحقیق دارای سه مزیت اصلی است: (1) چارچوب پیشنهادی مستقل از کاربرد است و برای همه مکانهای شهری عمومی قابل اجرا است. معرفی معیارهای موثر برای حل مشکلات مکان یابی کافی است. (2) معماری طراحی شده و رابط کاربری گرافیکی پیاده سازی شده از طریق ربات تلگرام برای هر فردی رایگان و قابل دسترسی است. و (3) عدم قطعیتی که از نظرات مختلف ناشی میشود، با تجمیع اکثریت فازی مدلسازی میشود.
نتایج نشان می دهد که رضایت کاربران از 65 درصد به 85 درصد افزایش یافته است، این دلیل معناداری برای جایگزینی رویکرد پیشنهادی با روش سنتی است. بنابراین، مدل جدید ما ممکن است به عنوان نقطه شروعی برای ایجاد یک ابزار کاربر پسند برای انتخاب مکان پارکینگ عمومی باشد. برای تعمیم روش پیشنهادی، ما پیشنهاد میکنیم این تنظیمات را در مناطق مختلف جغرافیایی و سایر مشکلات انتخاب مکان عمومی شهری مانند مراکز خرید، مراکز مراقبت بهداشتی و پمپ بنزینها بررسی کنیم. محدودیت مدل اجرای آن در فضای عمومی یک منطقه شهری است که با معیارهای فضایی آشنا نیست. به طور موثر، این ممکن است دقت انتخاب ها را کاهش دهد. واضح است که ما تحقیقات بیشتری را برای ایجاد یک مدل بهینه از انتخاب مکان برای تأسیسات شهری با استفاده از شبکههای جغرافیایی اجتماعی توصیه میکنیم.
بدون دیدگاه