Monte Carlo Ağac Axtarışı (Monte Carlo Tree Search, MCTS), çoxlu mümkün qərar ardıcıllığı arasından yüksək dəyərli həlləri müəyyən etmək üçün axtarış ağacından, statistik qiymətləndirmədən və təsadüfi simulyasiyadan istifadə edən optimallaşdırma alqoritmidir. Bu tədqiqat MCTS metodundan elektrikli nəqliyyat vasitələri üçün şarj stansiyalarının şəhər daxilində yerləşdirilməsini planlaşdırmaq məqsədilə istifadə edir. Kolumbiyanın Bogotá şəhərindəki coğrafi, sosial-iqtisadi və mobillik məlumatları birlikdə qiymətləndirilərək şarj infrastrukturunun yalnız tələbin yüksək olduğu ərazilərdə cəmlənməsinin qarşısını almağa və çıxış imkanlarının zəif olduğu əraziləri də nəzərə almağa yönəlmiş hesablama əsaslı qərar dəstəyi modeli hazırlanmışdır.
Tədqiqatın əsas problemi elektrikli nəqliyyat vasitələrinin şarj stansiyalarının yalnız əhali sıxlığına və ya gözlənilən iqtisadi tələbə görə yerləşdirilməsinin fərqli gəlir səviyyələrinə və nəqliyyat şəraitinə malik şəhər əraziləri arasında infrastruktur bərabərsizliyi yarada bilməsidir. Buna görə tədqiqat potensial elektrikli nəqliyyat vasitəsi tələbi ilə regional mobillik ehtiyacını eyni optimallaşdırma strukturuna daxil edir.
Modeldə Bogotá-dakı mövcud 37 şarj stansiyası başlanğıc infrastrukturunu təmsil edir. Mövcud stansiyaların əlçatanlıq bölgələri Manhattan məsafəsinə əsaslanan Voronoi bölgüsü ilə araşdırılmış, yeni stansiya namizədləri isə OpenStreetMap-dəki dayanacaqlar, səhiyyə müəssisələri, universitetlər, ticarət mərkəzləri və oxşar şəhər istifadə nöqtələrindən müəyyən edilmişdir.
Təklif olunan üsul yeni şarj stansiyalarının yerləşdirilməsini bir-birindən müstəqil qərarlar kimi deyil, bir stansiyanın yerinin sonrakı seçimlərin dəyərinə təsir etdiyi ardıcıl qərar problemi kimi nəzərdən keçirir. MCTS alqoritmi seçim, genişləndirmə, simulyasiya və geri yayılma mərhələlərini təkrarlayaraq çoxsaylı mümkün stansiya kombinasiyalarını araşdırır.
Tədqiqatın Bogotá tətbiqində 200 şarj stansiyasına dair hesablama əsaslı yerləşdirmə nəticəsi əldə edilmişdir. Model çıxışında şimal-şərq nəqliyyat dəhlizi və genişləndirilmiş şəhər mərkəzində daha sıx paylanma, daha geniş əlçatanlıq bölgələrinə malik periferik ərazilərdə isə çıxış çatışmazlığını azaltmağa yönəlmiş əlavə mövqelər görünür.
Tədqiqat sosial-iqtisadi tələbi və mobillik ehtiyacını birlikdə istifadə edən MCTS yanaşmasının mürəkkəb şəhər şarj infrastrukturu planlaşdırması üçün istifadə oluna biləcək çevik qərar dəstəyi üsulu təqdim etdiyini göstərir. Lakin müəyyən edilmiş mövqelər birbaşa qurulmuş obyektləri təmsil etmir. Tədqiqatın modeli statikdir; elektrikli nəqliyyat vasitələrinə tələbin zamanla inkişafını, elektrik paylayıcı şəbəkəsinin tutum məhdudiyyətlərini və real yol şəbəkəsinin bütün əməliyyat detallarını əhatə etmir. Bundan əlavə, MCTS riyazi baxımdan qlobal optimuma çatmağa zəmanət verən üsul deyil.
Elektrikli nəqliyyat vasitələrinin şarj infrastrukturunda əsas planlaşdırma problemi
Bir şəhərdə elektrikli nəqliyyat vasitələrinin yayılması yalnız avtomobillərin sayının artması ilə bağlı deyil. Nəqliyyat vasitələrinin harada və nə vaxt şarj edilə bilməsi, şarj stansiyalarına çıxışın nə qədər asan olması və infrastrukturun müxtəlif ərazilər arasında necə paylanması da elektrik mobilliyi sisteminin işləməsinə təsir edir.
Şarj stansiyasının yüksək nəqliyyat axını olan bir ərazidə qurulması potensial istifadə baxımından üstün ola bilər. Lakin yeni stansiyaların davamlı olaraq onsuz da inkişaf etmiş infrastruktura malik ərazilərdə cəmləşməsi başqa ərazilərdəki çıxış çatışmazlığının davam etməsinə səbəb ola bilər.
Tədqiqat bu vəziyyəti iki fərqli planlaşdırma məqsədi üzrə nəzərdən keçirir:
- İqtisadi səmərəlilik: Elektrikli nəqliyyat vasitələrindən istifadə potensialının yüksək olduğu və buna görə şarj xidmətinə tələbin daha güclü ola biləcəyi ərazilərin qiymətləndirilməsi.
- Regional ədalət: Mobillik şəraitinin daha zəif olduğu və mövcud infrastruktura çıxışda çatışmazlıqlar müşahidə edilən ərazilərin nəzərə alınması.
Bu iki məqsəd həmişə eyni mövqeləri göstərmir. Gözlənilən tələbin ən yüksək olduğu ərazi yeni infrastruktura ən çox ehtiyacı olan ərazi olmaya bilər.
Heterogen şəhər nə deməkdir?
Şəhər heterogenliyi şəhərdə əhalinin, gəlir səviyyələrinin, nəqliyyat imkanlarının, funksional fəaliyyətlərin və infrastruktur xidmətlərinin məkanca bərabər paylanmamasını ifadə edir.
Bogotá tədqiqatda yüksək sosial-məkan heterogenliyinə malik nümunə kimi istifadə edilmişdir. Şəhərin müxtəlif əraziləri arasında sosial-iqtisadi səviyyə, nəqliyyat vasitəsinə sahiblik və mobillik şəraiti baxımından mühüm fərqlər mövcuddur.
Buna görə şarj stansiyalarının yerləşdirilməsini yalnız şəhər boyunca bərabər intervallarla stansiya qurmaq kimi düşünmək kifayət deyil. Eyni məsafədə yerləşən iki ərazinin çıxış ehtiyacı və gözlənilən istifadə potensialı bir-birindən fərqli ola bilər.
Tədqiqatın ədəbiyyatda nəzərdən keçirdiyi üsullar
Tədqiqat şarj stansiyalarının yerləşdirilməsi üçün əvvəllər istifadə olunan üsulları dörd ümumi qrupa ayırır.
| Üsul | Əsas yanaşma | Tədqiqatdakı mövqeyi |
|---|---|---|
| p-median və MCLP | Obyektlərin tələb nöqtələrinə görə yerləşdirilməsi və əhatənin artırılması. | Klassik yerləşdirmə–təyinat yanaşmaları. |
| Qarışıq Tam Ədədi Xətti Proqramlaşdırma (MILP) | Müəyyən riyazi məqsəd və məhdudiyyətlərin dəqiq proqramlaşdırma formasında ifadə edilməsi. | Dəqiq optimallaşdırma yanaşmaları. |
| Genetik Alqoritmlər və Hissəcik Sürüsü Optimallaşdırması (PSO) | Evristik və populyasiya əsaslı həll axtarışı üsulları. | Meta-evristik yanaşmalar. |
| Monte Carlo Ağac Axtarışı (MCTS) | Mümkün qərar ardıcıllıqlarının ağac üzərindən statistik şəkildə araşdırılması. | Bu tədqiqatda hazırlanmış hesablama yanaşmasının mərkəzidir. |
Tədqiqat klassik yerləşdirmə üsullarının kiçik və ya sadələşdirilmiş problemlərdə faydalı ola biləcəyini, lakin çoxsaylı mövqelər və bir-biri ilə qarşılıqlı təsir göstərən şəhər dəyişənləri olduqda həll fəzasının böyüdüyünü bildirir.
MCTS üsulunun seçilməsinin əsas səbəbi bütün mümkün stansiya kombinasiyalarını bir-bir hesablamaq əvəzinə axtarış fəzasının perspektivli hissələrinin araşdırıla bilməsidir.
Kombinator həll fəzası niyə böyüyür?
Şəhərdə çoxlu namizəd şarj stansiyası mövqeyinin olduğunu təsəvvür edək. Planlaşdırma qərarı bu namizədlərin arasından müəyyən sayda mövqenin seçilməsini tələb edir.
Bir stansiyanın seçilməsi digər namizədlərin verəcəyi əlavə çıxış qazancını dəyişə bilər. Çünki yeni stansiya qurulduqda ətrafındakı bəzi nöqtələrin ən yaxın stansiyaya olan məsafəsi azalır.
Buna görə ilk stansiya üçün yaxşı görünən mövqe sonradan başqa stansiyaların əlavə edildiyi strukturda eyni dərəcədə üstün olmaya bilər.
Problem stansiya seçimi ilə birlikdə yenidən formalaşan məkan optimallaşdırması problemidir.
Monte Carlo Ağac Axtarışı Şarj Stansiyalarını Necə Seçir?
Monte Carlo Ağac Axtarışı mümkün stansiya yerləşdirmələrini qismən qərar dəstləri şəklində axtarış ağacına yerləşdirir. Alqoritm əvvəlcə əvvəllər yüksək mükafat vermiş budaqlarla kifayət qədər araşdırılmamış budaqları balanslı şəkildə qiymətləndirir, sonra yeni namizəd mövqe əlavə edir, tamamlanmış yerləşdirmə üçün simulyasiya aparır və əldə olunan mükafatı əvvəlki düyünlərə geri ötürür. Beləliklə sonrakı seçimlər əvvəlki sınaqların statistikalarından istifadə edir.
MCTS alqoritminin dörd mərhələsi
Seçim (Selection): Alqoritm mövcud axtarış ağacında hansı budağın araşdırılacağını seçir. Seçim zamanı daha yüksək orta mükafat verən düyünlərlə az ziyarət edilmiş düyünlər arasında tarazlıq yaradılır.
Genişləndirmə (Expansion): Seçilmiş qismən yerləşdirmə konfiqurasiyasına hələ seçilməmiş yeni namizəd şarj stansiyası mövqeyi əlavə olunur.
Simulyasiya (Simulation / Rollout): Tamamlanmamış yerləşdirmə hədəflənən stansiya sayına çatana qədər qalan namizəd mövqelərdən seçim etməklə tamamlanır. Yaranmış yerləşdirmənin mükafatı hesablanır.
Geri yayılma (Backpropagation): Simulyasiyada hesablanan mükafat axtarış ağacındakı müvafiq əvvəlki düyünlərə ötürülür. Beləliklə hər düyünün ziyarət sayı və orta mükafat statistikaları yenilənir.
Axtarış ağacında bir düyün nəyi təmsil edir?
MCTS axtarış ağacının kök düyünü hələ heç bir yeni stansiyanın seçilmədiyi boş yerləşdirmə vəziyyətini təmsil edir.
Hər yeni seçimlə mövcud namizəd dəstinə bir stansiya mövqeyi əlavə olunur. Beləliklə ağacın dərinliyi artdıqca qismən yerləşdirmə daha çox stansiyadan ibarət olur.
Tədqiqatda istifadə olunan qismən vəziyyət göstərimi:
\[ S_t=\{c_{i_1},\ldots,c_{i_t}\} \]
Burada \(S_t\), t ədəd namizəd mövqe ehtiva edən qismən həlldir. \(c_{i_k}\), seçilmiş stansiya namizədini təmsil edir. t dəyəri seçilmiş mövqelərin sayıdır.
Kök düyündə seçilmiş yeni stansiya yoxdur. Tamamlanmış həlldə isə hədəflənən K ədəd stansiya seçilmişdir.
UCT seçim meyarı
Mənbə tədqiqatın (2) və (10) nömrəli tənliklərində MCTS düyün seçimi üçün istifadə olunan Upper Confidence Bound for Trees (UCT) meyarı izah edilir.
\[ UCT=\overline{R}_i+c\sqrt{\frac{\ln N}{n_i}} \]
Bu tənlikdə:
- \(\overline{R}_i\): i düyünündən keçən simulyasiyalarda əldə edilmiş orta mükafatdır.
- \(N\): Üst düyünün ümumi ziyarət sayıdır.
- \(n_i\): i düyününün ziyarət sayıdır.
- \(c\): Kəşf ilə istifadə arasındakı tarazlığı idarə edən sabitdir.
- \(\ln N\): Üst düyünün ziyarət sayının natural loqarifmidir.
Birinci termin: \(\overline{R}_i\), əvvəllər yaxşı nəticə vermiş seçimlərdən istifadəni təmsil edir. Orta mükafat artdıqca digər şərtlər sabit olduqda düyünün seçilmə meyli artır.
İkinci termin: \(c\sqrt{\ln N/n_i}\), daha az ziyarət edilmiş düyünlərin araşdırılmasını dəstəkləyir. Digər dəyişənlər sabit saxlanıldıqda \(n_i\) artdıqca bu kəşf töhfəsi azalır.
Kəşf sabiti c artırıldıqda daha az araşdırılmış budaqların seçilməsi daha çox təşviq olunur. c azaldıldıqda yüksək orta mükafatlı budaqlardan istifadə ön plana çıxır.
UCT dəyəri fiziki kəmiyyət deyil. Axtarış ağacındakı seçimlərin seçilmə prioritetini müəyyən edən riyazi baldır.
Mənbə bu tədqiqat üçün c sabitinin dəqiq ədədi dəyərini açıq şəkildə bildirmir. Tənlik \(n_i=0\) olduqda birbaşa hesablana bilməz; ziyarət edilməmiş düyünlərin necə başladılmasına dair ətraflı xüsusi tətbiq qaydası da bildirilmədiyinə görə bu boşluq fərziyyə ilə doldurulmamışdır.
Kəşf və istifadə niyə birlikdə lazımdır?
Alqoritm yalnız keçmişdə ən yüksək mükafat verən budaqları seçsə, əvvəllər kifayət qədər araşdırılmamış, lakin daha yaxşı nəticə yarada biləcək alternativləri qaçıra bilər.
Əksinə, yalnız yeni budaqları araşdırsa, əvvəllər faydalı olduğu görünən mövqe konfiqurasiyalarından kifayət qədər istifadə etməyə bilər.
UCT bu iki davranış arasında statistik seçim tarazlığı yaratmaq üçün istifadə olunur. Lakin bu mexanizm təkbaşına qlobal optimumun mütləq tapıldığını sübut etmir.
Simulyasiya mərhələsində namizədlər necə seçilir?
Mənbə Bölmə 2.4.3-ə görə simulyasiya mərhələsində tamamlanmamış yerləşdirməyə əlavə ediləcək qalan mövqelər bərabər ehtimalla və əvəzetməsiz nümunə götürülür.
\[ P(c\ \mathrm{selected})=\frac{1}{|\mathrm{remaining}|} \]
Burada \(|\mathrm{remaining}|\), hələ seçilməmiş uyğun namizəd mövqelərin sayıdır.
Bərabər ehtimallı seçim bu mərhələdə bütün qalan namizədlərin eyni seçilmə ehtimalına malik olması deməkdir. Əvəzetməsiz seçim isə eyni yerləşdirmə daxilində bir mövqenin yenidən seçilməməsini təmin edir.
Mənbədə bu mərhələ ilə bağlı mühüm fərq var: sosial-iqtisadi tələb və mobillik göstəriciləri simulyasiya zamanı bərabər ehtimallı nümunə götürməni birbaşa dəyişmir. Bu göstəricilər tamamlanmış yerləşdirmənin mükafat funksiyası vasitəsilə qiymətləndirilməsində istifadə olunur.
Voronoi Diaqramı Şarj Stansiyasının Planlaşdırılmasında Necə İstifadə Olunur?
Voronoi diaqramı iş sahəsini mövcud obyektlərə yaxınlığa görə bölgələrə ayıran həndəsi üsuldur. Bu tədqiqatda mövcud şarj stansiyaları başlanğıc nöqtələri kimi istifadə olunaraq hər mövqenin hansı stansiyaya daha yaxın olduğu qiymətləndirilmiş və stansiyaların təxmini xidmət sahələri müəyyən edilmişdir. Məsafə ölçüsü kimi düz xətt məsafəsi əvəzinə Manhattan (L1) məsafəsi seçilmişdir.
Mövcud stansiyaların təsir bölgələri
Mənbə tədqiqatda Bogotá-dakı 37 mövcud şarj stansiyası Voronoi bölgüsünün mərkəz nöqtələrini təşkil edir.
Bir stansiyanın Voronoi bölgəsi tədqiqatda istifadə olunan məsafə ölçüsünə görə həmin stansiyaya digər mövcud stansiyalardan daha yaxın olan mövqelər çoxluğudur.
Mənbə Tənlik (1):
\[ V_i=\left\{x\in\mathbb{R}^{2}\ \middle|\ d_{L_1}(x,e_i)\leq d_{L_1}(x,e_j),\ \forall j\neq i\right\} \]
Burada:
- \(V_i\): i nömrəli mövcud şarj stansiyasının Voronoi bölgəsidir.
- \(x\): Araşdırılan ikiölçülü məkan nöqtəsidir.
- \(\mathbb{R}^{2}\): İkiölçülü koordinat müstəvisidir.
- \(e_i\): i nömrəli mövcud stansiyanın mövqeyidir.
- \(e_j\): i-dən başqa digər stansiya mövqeləridir.
- \(d_{L_1}\): Manhattan məsafəsidir.
Tənlikdəki bərabərsizlik x nöqtəsinin i nömrəli stansiyaya məsafəsinin digər stansiyalara məsafəsindən böyük olmadığını ifadə edir.
Bərabər məsafədə olan sərhəd nöqtələri riyazi tərifdə birdən çox bölgəyə aid ola bildiyi üçün mənbədəki unikal təyinat ifadəsi praktik bölmədə bərabərliklərin idarə edilməsini tələb edir. Mənbə ayrıca sərhəd həlli alqoritmi bildirmir.
Manhattan məsafəsi ilə Evklid məsafəsi arasındakı fərq
Evklid məsafəsi iki koordinat nöqtəsi arasındakı birbaşa həndəsi məsafəni təmsil edir.
Manhattan məsafəsi isə iki nöqtə arasında koordinat oxlarına paralel hərəkətlərin cəminə əsaslanır.
Mənbənin istifadə etdiyi L1 metrikasının ikiölçülü Kartezyen koordinatlarda əsas göstərimi:
\[ d_{L_1}(a,b)=|x_a-x_b|+|y_a-y_b| \]
Bu tənlik mənbədə istifadə olunan məsafə metrikasının öyrədici riyazi açılımıdır; tədqiqatda aparılmış ayrıca ölçmə deyil.
Burada x və y koordinat fərqləri eyni uzunluq vahidində olmalıdır. Koordinat sistemi metr əsaslıdırsa Manhattan məsafəsinin vahidi də metrdir.
Mənbə bu metrikanı Bogotá-nın torvari şəhər yol quruluşunda nəqliyyat vasitələrinin hərəkətini düz xətt məsafəsindən daha uyğun şəkildə təxmini təmsil etmək üçün seçmişdir.
Lakin Manhattan məsafəsi real yol şəbəkəsində birtərəfli yolları, kəsişmə məhdudiyyətlərini, yamacları, tıxacları və səfər müddətini öz-özünə hesablamır. Buna görə real sürüş müddəti ilə ekvivalent deyil.
Voronoi bölgələrinin ölçüsü nəyi göstərir?
Tədqiqatda geniş Voronoi bölgələri mövcud stansiyaların seyrək olduğu və müəyyən obyektlərin daha geniş coğrafi ərazilərə xidmət etməli olduğu bölgələrin göstəricisi kimi şərh edilir.
Daha kiçik və kompakt bölgələr isə mövcud infrastrukturun daha sıx olduğu ərazilərlə əlaqələndirilir.
Burada Voronoi bölgəsinin sahəsi birbaşa ölçülmüş elektrikli nəqliyyat vasitəsi tələbi deyil. Tədqiqatçılar bu həndəsi ölçünü infrastruktur sıxlığı və mümkün çıxış boşluğu üçün vekil göstərici kimi istifadə edirlər.
Vekil göstərici (proxy indicator), birbaşa ölçülməsi çətin və ya mövcud məlumatla müəyyən edilə bilməyən xüsusiyyəti təmsil etmək üçün istifadə olunan dolayı dəyişəndir.
Voronoi sahəsindən sosial-iqtisadi məlumatın çıxarılması
Voronoi bölgələri yaradıldıqdan sonra hər bölgə ilə əlaqəli sosial-iqtisadi səviyyə, mobillik göstəriciləri və digər məkan dəyişənləri bir araya gətirilir.
Bu əməliyyatlar nəticəsində hər namizəd mövqenin yalnız fiziki məsafə baxımından deyil, yerləşdiyi bölgənin struktur xüsusiyyətləri baxımından da qiymətləndirilməsi mümkün olur.
Qüvvət qanunu əlaqəsi
Mənbə Tənlik (7):
\[ A(p)\sim w_{\mathrm{dem}}(p)^{-\alpha} \]
Burada:
- \(A(p)\): Müvafiq mövqenin Voronoi əhatə sahəsidir; sahə vahidi istifadə olunan koordinat sistemindən asılıdır.
- \(w_{\mathrm{dem}}(p)\): Normallaşdırılmış sosial-iqtisadi tələb çəkisidir.
- \(\alpha\): Sıfırdan böyük qəbul edilən qüvvət qanunu eksponentidir.
- \(\sim\): Mənbə kontekstində miqyaslama əlaqəsini ifadə edir; hər nöqtədə dəqiq bərabərlik iddiası deyil.
Mənfi eksponent digər şərtlər altında tələb çəkisinin artması ilə əhatə sahəsinin kiçilməsi istiqamətindəki əlaqəni ifadə edir.
Bu, yüksək gəlirli bölgələrdə mövcud stansiyaların daha sıx olması ilə əlaqələndirilən müşahidə meylinin riyazi izahıdır.
Tənlikdə istifadə olunan \(\alpha\) eksponentinin dəqiq ədədi qiymətləndirilməsi mənbədə göstərilməyib. Bundan əlavə, tələb çəkisi sıfır olduqda mənfi qüvvətin riyazi baxımdan birbaşa hesablanması mümkün deyil. Bu sərhəd halının tətbiqdə necə tənzimləndiyi ətraflı bildirilməyib.
Müşahidə olunan miqyaslama əlaqəsi gəlir səviyyəsinin təkbaşına stansiya sıxlığını səbəbli şəkildə müəyyən etdiyinin sübutu deyil.
Sosial-iqtisadi səviyyə ilə tələb arasındakı əlaqə
Kolumbiyada istifadə olunan sosial-iqtisadi təsnifat altı səviyyədən ibarətdir. Mənbədə birinci səviyyə ən aşağı, altıncı səviyyə isə ən yüksək sosial-iqtisadi səviyyəni təmsil edir.
Bu sistem tədqiqat modelində elektrikli nəqliyyat vasitələrinin qəbul edilmə potensialını təmsil edən dəyişən kimi istifadə olunmuşdur.
Mənbə Tənlik (6):
\[ w_{\mathrm{dem}}(p)=\frac{\operatorname{level}(p)-1}{5} \]
Burada \(\operatorname{level}(p)\) müvafiq mövqenin 1 ilə 6 arasındakı sosial-iqtisadi səviyyəsidir.
Formula altı səviyyəni sıfır ilə bir arasındakı ölçüsüz çəkilərə çevirir.
| Sosial-iqtisadi səviyyə | Tələb çəkisi |
|---|---|
| 1 | 0,0 |
| 2 | 0,2 |
| 3 | 0,4 |
| 4 | 0,6 |
| 5 | 0,8 |
| 6 | 1,0 |
Bu dəyərlər birbaşa formuldan hesablanır. Real elektrikli nəqliyyat vasitəsinə sahiblik nisbətlərini və ya gələcəkdə mütləq baş verəcək tələbi göstərmir.
Model sosial-iqtisadi səviyyə yüksəldikcə potensial elektrikli nəqliyyat vasitəsi tələbinin arta biləcəyini fərz edir. Bu əlaqə mənbədə Bogotá-nın bazar quruluşu və mövcud infrastruktur nümunələri ilə əsaslandırılır.
Mobillik indeksi
Mobillik İndeksi (Mobility Index, MI), şəhər ərazilərinin nəqliyyat şəraitini və struktur mobillik xüsusiyyətlərini təmsil etmək üçün istifadə olunan mürəkkəb göstəricidir.
Mənbə indeksin yaradılmasında nəqliyyata çıxış, motorlaşma, səfər müddətləri, ictimai nəqliyyatla bağlı göstəricilər və mobillik baxımından əlverişsiz qruplarla əlaqəli dəyişənlərin nəzərə alındığını izah edir.
Əsas Komponentlər Analizi (Principal Component Analysis, PCA), bir-biri ilə əlaqəli çoxsaylı dəyişəndən məlumatdakı dominant dəyişmə nümunələrini təmsil edən daha az sayda komponent əldə etmək üçün istifadə olunan statistik üsuldur.
Mənbə mobillik indeksinin belə çoxdəyişənli yanaşmaya əsaslandığını bildirir. Lakin bu tədqiqatın mətnində mobillik indeksinə aid bütün PCA yükləri və ətraflı komponent əmsalları yenidən təqdim edilmir. Buna görə indeksin mənbədə olmayan ədədi komponentləri yaradılmayıb.
Mobillik indeksinin normallaşdırılması
Mənbə Tənlik (8):
\[ I_{M\mathrm{norm}}(p)= \frac{MI(p)-MI_{\min}}{MI_{\max}-MI_{\min}} \]
Bu tənlik mobillik indeksini müşahidə olunan ən kiçik və ən böyük dəyərlər arasında normallaşdırır.
Burada:
- \(MI(p)\): Araşdırılan mövqedəki mobillik indeksidir.
- \(MI_{\min}\): Məlumat dəstindəki ən kiçik mobillik indeksidir.
- \(MI_{\max}\): Məlumat dəstindəki ən böyük mobillik indeksidir.
- \(I_{M\mathrm{norm}}(p)\): Sıfır ilə bir arasında əldə olunan normallaşdırılmış indeksdir.
Surət müvafiq nöqtənin indeksinin ən kiçik dəyərdən nə qədər yüksək olduğunu göstərir. Məxrəc bütün müşahidələr arasındakı indeks intervalını təmsil edir.
Normallaşdırmadan sonra əldə edilən dəyər ölçüsüzdür. Tənlik ən böyük və ən kiçik indeks dəyərləri fərqli olduqda müəyyən edilir. Mənbə onların bərabər olduğu halda istifadə ediləcək ayrıca əməliyyat göstərməyib.
Mobillik ehtiyacının hesablanması
Mənbə Tənlik (9):
\[ w_{\mathrm{need}}(p)=1-I_{M\mathrm{norm}}(p) \]
Bu tənlik mobillik indeksini tərsinə çevirərək ehtiyac çəkisi yaradır.
Mənbənin fərziyyəsinə görə daha yüksək mobillik indeksi daha əlverişli mobillik şəraiti ilə əlaqəlidir. Buna görə indeksin tərsinə çevrilməsi daha aşağı mobillik indeksinə malik ərazilərin ehtiyac çəkisinin yüksəlməsini təmin edir.
Məsələn, normallaşdırılmış mobillik indeksi riyazi olaraq 0,8 olan nöqtənin ehtiyac çəkisi 0,2 olur. Normallaşdırılmış indeks 0,2 olduqda ehtiyac çəkisi 0,8 olur.
Bu iki dəyər metodun işləmə məntiqini izah edən hesablama nümunələridir; Bogotá-dakı konkret nöqtələrin ölçülmüş indeksləri kimi təqdim olunmur.
İqtisadi tələb ilə regional ehtiyacın birlikdə qiymətləndirilməsi
Modelin mühüm xüsusiyyəti yalnız iqtisadi tələbə və ya yalnız mobillik ehtiyacına görə qərar verməməsidir.
Bu iki komponent çəki funksiyasında birləşdirilir. Beləliklə alqoritm həm gözlənilən istifadə potensialı, həm də regional mobillik ehtiyacı baxımından qiymətləndirilən namizəd yerləşdirmələrə fokuslanır.
Lakin sosial-iqtisadi tələbin sıfır ola bildiyi bu formulasiya tələb çəkisinin vurma strukturunda zəiflədici təsirini də özü ilə gətirir. Bu vəziyyətin sosial ədalət baxımından təsiri modelin şərhində nəzərə alınmalıdır.
Çoxmeyarlı mükafat funksiyası
Tədqiqatın optimallaşdırma problemi namizəd dəstdən K ədəd stansiya seçilərək ümumi mükafatın maksimumlaşdırılması kimi müəyyən edilir.
Mənbə Tənlik (3):
\[ \max_{\substack{S\subseteq C'\\|S|=K}}R(S) \]
Burada \(C'\), uyğun namizəd mövqelər çoxluğudur. \(S\) bu çoxluqdan seçilmiş yeni stansiya mövqelərini, K isə qurulması planlaşdırılan yeni stansiyaların sayını təmsil edir.
Mükafat funksiyasının mənbə Tənlik (4)-dəki ifadəsi:
\[ R(S)=\sum_{p\in P}W(p)\Delta d(p,S) -\lambda_1P_{\mathrm{new}}(S) -\lambda_2P_{\mathrm{exist}}(S) \]
Bu formulda:
- \(P\): Tədqiqat sahəsinin diskretləşdirilməsi ilə əldə edilən qiymətləndirmə nöqtələri çoxluğudur.
- \(W(p)\): p nöqtəsindəki sosial-iqtisadi tələb və mobillik ehtiyacından alınan birləşik çəkidir.
- \(\Delta d(p,S)\): Yeni stansiyalar əlavə edildikdə p nöqtəsinin ən yaxın stansiyaya olan Manhattan məsafəsindəki yaxşılaşmadır.
- \(P_{\mathrm{new}}(S)\): Yeni seçilmiş stansiyaların bir-birinə həddən artıq yaxın yerləşdirilməsini çəkindirən cəza komponentidir.
- \(P_{\mathrm{exist}}(S)\): Yeni stansiyaların mövcud infrastrukturla lazımsız məkan təkrarı yaratmasını çəkindirən cəza komponentidir.
- \(\lambda_1,\lambda_2\): İki cəza komponentinin mükafata təsirini müəyyən edən əmsallardır.
Formulun birinci hissəsi hər qiymətləndirmə nöqtəsində təmin olunan məsafə yaxşılaşmasını həmin nöqtənin çəkisi ilə vurur və bütün qiymətləndirmə nöqtələri üzrə toplayır.
İkinci və üçüncü hissələr yeni stansiyaların öz aralarında və ya mövcud stansiyalara görə həddən artıq qruplaşmasını çəkindirir.
Buna görə mükafatın yüksək olması yalnız çıxış məsafəsinin azalmasına deyil, seçilmiş mövqelərin məkan yerləşdirmə nizamına da bağlıdır.
Mənbə \(\Delta d\) dəyərini L1 məsafəsindəki azalma kimi müəyyən edir. Məsafə metrlə hesablanırsa bu terminin vahidi metrdir; normallaşdırılmış çəki \(W(p)\) ölçüsüzdür. Lakin cəza funksiyalarının tam analitik formaları və ədədi əmsalları kifayət qədər ətraflı izah edilmədiyinə görə ümumi mükafatın yekun vahidi bu mətndən dəqiq müəyyən edilə bilməz.
Birləşik çəki funksiyası
Mənbə Tənlik (5):
\[ W(p)=w_{\mathrm{dem}}(p)^{\alpha} \cdot w_{\mathrm{need}}(p)^{\beta} \]
Bu ifadə tələb və mobillik ehtiyacı çəkilərini vurma yolu ilə birləşdirir.
\(\alpha\) və \(\beta\), iki komponentin nisbi riyazi təsirini tənzimləyən eksponent parametrləridir.
Vurma strukturu iki göstəricidən biri çox aşağı olduqda digər göstərici yüksək olsa belə birləşik çəkinin məhdudlaşmasını təmin edə bilər.
Mənbənin əsas arqumenti bu strukturun yalnız bir meyar üzrə güclü görünən namizədləri seçmək əvəzinə eyni anda bir neçə şəhər meyarına cavab verən mövqelərin qiymətləndirilməsinə kömək etməsidir.
Lakin bu riyazi xüsusiyyət sosial baxımdan avtomatik ədalət zəmanəti deyil. Xüsusilə \(w_{\mathrm{dem}}=0\) olan ərazidə \(\alpha>0\) seçilərsə birləşik çəki sıfır olur. Buna görə aşağı sosial-iqtisadi səviyyəli ərazilərin necə dəstəklənəcəyi digər mükafat komponentlərindən, cəzalardan və seçilən parametrlərdən asılıdır.
Mənbə \(\alpha\), \(\beta\), \(\lambda_1\) və \(\lambda_2\) üçün təkrarlana bilən hesablamaya imkan verən tam ədədi parametr cədvəli təqdim etmir. Bu parametrlərin ədədi dəyərləri uydurulmayıb.
Cəza terminlərinin funksiyası
Şəhər ərazisində yüksək tələb olması bütün yeni stansiyaların eyni kiçik sahədə yerləşdirilməsini həmişə məqsədəuyğun etmir.
\(P_{\mathrm{new}}(S)\) komponenti yeni stansiyaların bir-birinə həddən artıq yaxın olmasını, \(P_{\mathrm{exist}}(S)\) isə mövcud stansiyalarla lazımsız üst-üstə düşməni çəkindirmək üçün istifadə olunmuşdur.
Lakin mənbə bu cəza funksiyalarının tam riyazi alt ifadələrini, məsafə hədlərini və əmsallarını ayrıca tənliklər şəklində təqdim etmir. Buna görə cəzaların hansı ədədi məsafədən başlayaraq hansı böyüklüyə çatdığını dəqiq hesablamaq mümkün deyil.
Tədqiqatın bütöv metod axını
Mənbə Şəkil 2-də dörd əsas mərhələdən ibarət hesablama iş axını müəyyən edilir.
| Mərhələ | Giriş və əməliyyat | Çıxış |
|---|---|---|
| 1. Məlumatların toplanması və ilkin emalı | Yol şəbəkəsi, sosial-iqtisadi məlumatlar, mövcud stansiyalar, mobillik göstəriciləri və istifadə nöqtələri birləşdirilir. | Ortaq məkan məlumat strukturu. |
| 2. Mükafat funksiyasının qurulması | Əlçatanlıq, tələb, mobillik ehtiyacı və məkan cəzaları inteqrasiya olunur. | Yerləşdirmənin qiymətləndirmə funksiyası. |
| 3. MCTS optimallaşdırması | Seçim, genişləndirmə, simulyasiya və geri yayılma dövrü icra olunur. | Qiymətləndirilmiş yerləşdirmə seçimləri. |
| 4. Çıxışın yaradılması | Hesablama büdcəsi başa çatdıqda yüksək mükafatlı yerləşdirmə seçilir. | Təklif olunan şarj stansiyası mövqeləri. |
Bu proses tək bir stansiyanın koordinatını tapmaq üçün deyil, müəyyən sayda stansiyanın birlikdə yaratdığı məkan konfiqurasiyasını seçmək üçün istifadə olunur.
Tədqiqatın Metodu və Nəticələri
Tədqiqatın tətbiq sahəsi və məlumat mənbələri
Tədqiqatın tətbiq sahəsi Kolumbiyanın Bogotá şəhəridir. Məlumatlar coğrafi və inzibati baxımdan birləşdirilərkən Bogotá-nın Regional Planlaşdırma Vahidləri (Unidades de Planeamiento Zonal, UPZ) aralıq məkan planlaşdırma miqyası kimi istifadə edilmişdir.
UPZ vahidləri sosial-iqtisadi vəziyyətin, infrastrukturun və mobillik göstəricilərinin ortaq coğrafi sərhədlər daxilində qiymətləndirilməsinə imkan verir.
| Dəyişən | Simvol | Növ | Məlumat mənbəyi |
|---|---|---|---|
| Sosial-iqtisadi səviyyə | SS | Demoqrafik | District Planning Secretariat |
| Ev təsərrüfatı | HN | Demoqrafik | DANE |
| Avtomobillər | Aut | Mobillik | Bogotá Cómo Vamos |
| Mobillik indeksi | IM | Mobillik | Observatorio de Movilidad de Bogotá |
| Dayanacaqlar | Par | İnfrastruktur | OpenStreetMap |
| Səhiyyə mərkəzləri | HC | İnfrastruktur | OpenStreetMap |
| Universitetlər | Uni | İnfrastruktur | OpenStreetMap |
| Yanacaq stansiyaları | FS | İnfrastruktur | OpenStreetMap |
| Ticarət mərkəzləri | CC | İnfrastruktur | OpenStreetMap / Open Data |
| Supermarketlər | Sup | İnfrastruktur | OpenStreetMap / Open Data |
| Parklar | Park | İnfrastruktur | OpenStreetMap / Open Data |
DEM, MOV və INFR qısaltmaları müvafiq olaraq demoqrafik, mobillik və infrastruktur dəyişənlərini bildirir. Cədvəl dəyişənlərin tədqiqatdakı funksiyalarını göstərir; hər dəyişənin mükafat funksiyasına ayrıca riyazi əmsalla birbaşa əlavə edildiyi mənasına gəlmir.
Əvvəlki tədqiqatlardan istifadə olunan nəticələr
Tədqiqatçılar Bogotá-nın mövcud mobillik strukturunu əsaslandırmaq üçün əvvəllər dərc olunmuş məkan təhlili nəticələrindən istifadə etmişlər.
Mənbədə ötürülən əvvəlki məkan avtokorrelyasiyası tədqiqatında Moran's I = 0,656 dəyəri bildirilmişdir.
Moran's I coğrafi baxımdan qonşu müşahidələrin bir-birinə nə dərəcədə oxşar dəyərlər daşıdığını araşdırmaq üçün istifadə olunan məkan avtokorrelyasiya göstəricisidir.
Müsbət Moran's I dəyəri oxşar xüsusiyyətlərin məkanda qruplaşması istiqamətindəki əlaqə ilə uyğundur. Lakin bu statistika təkbaşına qruplaşmanın hansı mexanizmə görə yarandığını sübut etmir.
Mühüm mənbə fərqi: 0,656 dəyəri bu məqalənin MCTS alqoritminin uğur balı deyil. Tədqiqatçıların istinad etdiyi əvvəlki Bogotá mobillik xarakterizasiyasının nəticəsidir.
Əvvəlki tədqiqatda sosial-iqtisadi səviyyə və ev təsərrüfatlarının avtomobil sahibliyinin mobillik şəraiti ilə əhəmiyyətli dərəcədə əlaqəli olduğu bildirilmişdir. Bu əlaqələr mövcud tədqiqatda tələb dəyişəninin modelə daxil edilməsini əsaslandırır.
Coğrafi məlumatların hazırlanması
Mənbədə coğrafi əməliyyatların QGIS 4.0 istifadə olunaraq həyata keçirildiyi bildirilir.
Müxtəlif məlumat mənbələri ortaq koordinat istinad sisteminə çevrilmiş; məkan birləşdirməsi və regional statistika əməliyyatları vasitəsilə Voronoi bölgələrinə müvafiq dəyişənlər təyin edilmişdir.
Mənbə koordinat sistemini “SIRGAS-Hormonal” şəklində adlandırır. Bu ifadə dəqiq EPSG kodu və ya ətraflı proyeksiya parametri ilə birlikdə verilmədiyinə görə burada alternativ koordinat sistemi adı ilə səssizcə dəyişdirilməmişdir.
Bu çatışmazlıq metodun eyni koordinat çevrilmələri ilə tam eyni şəkildə yenidən icra olunması baxımından əhəmiyyətlidir.
Proqram təminatı mühiti
Tədqiqatda hesablama optimallaşdırmasının Python 3.12.13 istifadə edilərək hazırlandığı bildirilir.
| Proqram təminatı | Versiya | Vəzifə |
|---|---|---|
| QGIS | 4.0 | Coğrafi məlumat emalı və məkan təhlili |
| Python | 3.12.13 | MCTS alqoritminin tətbiqi |
| NumPy | 2.0.2 | Ədədi hesablama |
| Pandas | 2.2.2 | Məlumatların idarə edilməsi |
| Matplotlib | 3.10.0 | Nəticələrin vizuallaşdırılması |
Alqoritmin sıfırdan hazırlandığı və hesablama səmərəliliyini dəstəkləmək üçün vektorlaşdırılmış məlumat strukturlarından istifadə olunduğu izah edilir.
Lakin mənbə təcrübələrin aparıldığı prosessor və ya GPU modelini, ümumi işləmə müddətini, təsadüfi ədəd generatorunun toxumunu, MCTS iterasiya büdcəsini və bütün parametrlərin dəqiq ədədi konfiqurasiyasını açıq eksperiment cədvəli şəklində bildirmir.
Buna görə yalnız məqalədəki izahlara əsaslanaraq nəticələrin bit səviyyəsində tam eyni şəkildə təkrar istehsal ediləcəyinə zəmanət vermək olmaz.
Namizəd şarj stansiyası mövqelərinin yaradılması
Yeni stansiyalar üçün namizəd mövqelər OpenStreetMap məlumatlarından Overpass API istifadə olunaraq əldə edilmişdir.
Mənbədə nümunə götürülən etiketlər arasında bunlar var:
amenity=parking— dayanacaqlar.amenity=hospital— xəstəxanalar və səhiyyə müəssisələri.amenity=university— universitetlər.shop=mall— alış-veriş mərkəzləri.
Bu tip yerlər nəqliyyat vasitələrinin müəyyən müddət park vəziyyətində qala bildiyi və ya sıx nəqliyyat hərəkətinin baş verdiyi şəhər fəaliyyət nöqtələri kimi qiymətləndirilmişdir.
Bu mərhələdə müəyyən edilmiş nöqtələr birbaşa qurulmuş şarj stansiyaları deyil. Bunlar alqoritmin seçə biləcəyi namizəd mövqeləri yaradır.
Mövcud infrastrukturun məkan xarakterizasiyası
Mənbə Şəkil 3 Bogotá yol şəbəkəsinin həndəsi strukturunu göstərir. Torvari yol nizamı Manhattan məsafəsinin seçilməsi üçün metodoloji əsas yaradır.
Mənbə Şəkil 4 isə mövcud 37 şarj stansiyasının mərkəz götürüldüyü Voronoi bölgələrini göstərir. Xəritədəki bölgələr stansiyaların təxmini məkan təsir sahələrini təmsil edir.
Tədqiqat daha aşağı sosial-iqtisadi səviyyədə yerləşən ərazilərdə Voronoi sahələrinin ümumiyyətlə daha böyük və daha dağınıq, yüksək sosial-iqtisadi səviyyəli ərazilərdə isə daha kiçik və kompakt olduğunu bildirir.
Bu müşahidə mövcud stansiyaların daha yüksək iqtisadi tələb gözlənilən ərazilərdə cəmlənmə meyli göstərdiyi şərhini dəstəkləyir.
Voronoi əhatə sahəsinin paylanması
Mənbə Şəkil 5 iki fərqli göstərim ehtiva edir.
Birinci paneldə sosial-iqtisadi səviyyələrə görə Voronoi sahələrinin paylanması xətti miqyasda qutu qrafikləri ilə göstərilir.
İkinci paneldə Voronoi sahələri loqarifmik miqyasda göstərilərək dəyişənlər arasındakı təxmini xətti meyl araşdırılır.
Qutu qrafiki (box plot) məlumat qrupunun median dəyərini, yayılmasını və mümkün kənar müşahidələri göstərmək üçün istifadə olunan statistik qrafik növüdür.
Qutunun daxilindəki üfüqi xətt medianı, qutunun sərhədləri paylanmanın orta hissəsini, xarici işarələr isə istifadə olunan göstərim qaydasına görə əsas paylanmadan ayrılan dəyərləri təmsil edir.
Mənbədə aşağı sosial-iqtisadi səviyyələrdə daha geniş və dəyişkən Voronoi sahələri, yüksək sosial-iqtisadi səviyyələrdə isə daha dar əhatə sahələri görünür.
Loqarifmik qrafikdəki təxmini xətti meyl əvvəl izah olunan qüvvət qanunu əlaqəsinə vizual sübut kimi şərh olunur.
Lakin mənbədə bütün fərdi Voronoi sahələrinin koordinatları və ədədi dəyərləri ayrıca xam məlumat cədvəli şəklində olmadığı üçün qutu qrafiki üçün yeni dəqiq median, kvartil və ya reqressiya əmsalları hesablanmayıb.
Mobillik indeksi nəticələri
Mənbə Şəkil 6-da mobillik indeksinin sosial-iqtisadi səviyyələrə görə paylanması göstərilir.
Ümumi meyl daha yüksək sosial-iqtisadi səviyyələrin daha əlverişli mobillik göstəriciləri ilə əlaqəli olması istiqamətindədir.
Lakin qutu qrafiklərinin paylanması eyni sosial-iqtisadi səviyyədə olan bütün ərazilərin bir-biri ilə eyni mobillik şəraitinə malik olmadığını da göstərir.
Mənbənin müvafiq mətnində “MI = 0.146 × 10^−0.06” ifadəsi var. Bu ifadə yazıldığı formada sosial-iqtisadi səviyyə dəyişənini ehtiva etmir. Buna görə mətndəki artan xətti meyli hesablayan tam reqressiya funksiyası kimi şərh edilə bilməz.
Buna görə tədqiqatın qrafikdə dəstəklənən keyfiyyət xarakterli artım meyli ötürülmüş, lakin təsdiqlənməyən müstəqil dəyişən və ya meyl əmsalı əlavə edilməmişdir.
Kənar müşahidələr niyə qorunmuşdur?
Mənbə bəzi Voronoi və mobillik məlumatlarında kənar dəyərlərin olduğunu bildirir.
Bu kənar dəyərlərin hamısı ölçmə xətası kimi qiymətləndirilməmişdir. Avenida El Dorado dəhlizi və Calle 100 düyünü qeyri-adi sıxlıq və nəqliyyat hərəkəti səbəbindən fərqli davranış göstərə bilən şəhər nöqtələri arasında qeyd edilmişdir.
Tədqiqatçılar texniki məlumat səhvlərini süzgəcdən keçirərkən real şəhər fərqlərini təmsil edən kənar müşahidələri qoruduqlarını bildirirlər.
Bu seçim vacibdir; çünki real yüksək sıxlıqlı nəqliyyat nöqtələrinin yalnız statistik baxımdan qeyri-adi göründüklərinə görə çıxarılması modelin şəhər strukturunu təmsil etməsini zəiflədə bilər.
Namizəd mövqelərin məkan paylanması
Mənbə Şəkil 7 OpenStreetMap vasitəsilə müəyyən edilmiş namizəd şarj stansiyası mövqelərinin Bogotá daxilində paylanmasını göstərir.
Xəritədə namizəd mövqelər nöqtə işarələri ilə, mövcud stansiyaların Voronoi bölgə sərhədləri isə xətlərlə göstərilir.
Mərkəzi şəhər ərazilərində namizəd mövqelərin daha sıx, periferik ərazilərdə isə daha seyrək olduğu bildirilir.
Bu paylanma namizəd mövqelərin şəhər daxilində bərabər sıxlıqda olmadığını göstərir. Lakin namizəd sayının çox olması bütün namizədlərin texniki baxımdan quraşdırmaya uyğun olması demək deyil.
200 şarj stansiyasının hesablama yerləşdirməsi nəticəsi
Mənbə Şəkil 8 MCTS alqoritmi nəticəsində seçilmiş 200 şarj stansiyası mövqeyini göstərir.
Mənbə şəklin izahında qırmızı nöqtələr modelin seçdiyi mövqeləri, yaşıl nöqtələr namizədləri, mavi xətlər isə mövcud infrastrukturun Voronoi bölgələrini təmsil edir.
Model çıxışında şimal-şərq dəhlizində və genişləndirilmiş şəhər mərkəzində daha yüksək stansiya sıxlığı görünür.
Periferik ərazilərdə isə mövcud stansiyaların daha geniş çıxış sahələrinə malik olması səbəbindən əlçatanlıq boşluqlarını azaltmağa yönəlmiş əlavə mövqelər seçilmişdir.
Bu məkan nəticəsi modelin yüksək tələb sahələrini nəzərə alarkən mövcud infrastrukturun seyrək olduğu əraziləri də qiymətləndirə bildiyini göstərir.
Lakin mənbədə nəticə üçün tam stansiya koordinat cədvəli, yeni elektrik şəbəkəsi yük axını doğrulaması və ya real istifadəyə verilmiş 200 stansiyadan əldə edilmiş performans məlumatı təqdim edilmir.
Buna görə bu yerləşdirmə hesablama modelinin yaratdığı təklif olunan yerləşdirmə kimi qiymətləndirilməlidir.
Modelin miqyaslana bilməsi
Tədqiqat MCTS üsulunun mühüm üstünlüklərindən birinin böyük kombinator həll fəzalarının hamısının taranmasını tələb etməməsi olduğunu vurğulayır.
Alqoritm daha çox hesablama büdcəsi ayrıldıqda axtarış ağacını inkişaf etdirməyə davam edə bilən struktur təqdim edir.
Bu xüsusiyyət ədəbiyyatda anytime alqoritmi yanaşması ilə əlaqələndirilir. Anytime alqoritmləri hesablamanı erkən dayandırmaq lazım gəlsə belə mövcud həll verə bilər və əlavə hesablama ilə həlli yaxşılaşdırmağı hədəfləyir.
Lakin hesablama müddətinin artması ilə həllin hər icrada mütləq yaxşılaşacağı və ya qlobal optimuma çatılacağına zəmanət verilmir.
Digər optimallaşdırma üsulları ilə müqayisə
Tədqiqatçılar MCTS yanaşmasının klassik acgöz seçim və ya klasterləşdirmə əsaslı yanaşmalardan fərqli olaraq yerləşdirmə qərarlarını ardıcıl və bir-biri ilə əlaqəli şəkildə nəzərdən keçirməsini üstünlük kimi müzakirə edirlər.
Genetik Alqoritmlər və Hissəcik Sürüsü Optimallaşdırması kimi populyasiya əsaslı üsullardan fərqli olaraq MCTS ağac strukturu üzərində UCT seçim prinsipindən istifadə edir.
Bu müqayisələr əsasən üsulların riyazi və alqoritmik xüsusiyyətləri üzərindən aparılmışdır.
Mənbədə bütün alternativ alqoritmlər üçün eyni məlumat və hesablama büdcəsi altında aparılmış ətraflı performans müqayisə cədvəli yoxdur. Buna görə MCTS-nin müvafiq üsullardan müəyyən faiz daha sürətli və ya daha uğurlu olduğu istiqamətində ədədi nəticə çıxarmaq olmaz.
Modelin statik quruluşu
Tədqiqatın özünün göstərdiyi mühüm məhdudiyyətlərdən biri modelin statik olmasıdır.
Statik model seçilmiş məlumat dövründəki şəhər şəraitini əsas götürərək yerləşdirmə təklifi yaradır.
Elektrikli nəqliyyat vasitələrinin sayı, şarj tələbi, əhali paylanması, nəqliyyat vərdişləri və şəhərdə yeni inkişaf sahələri zamanla dəyişə bilər.
Mənbə model bu dəyişikliklərin hamısını zaman boyunca mərhələli şəkildə proqnozlaşdıran dinamik optimallaşdırma sistemi deyil.
Elektrik şəbəkəsi baxımından əhatə sərhədi
Elektrikli nəqliyyat vasitələrinin şarj stansiyalarının qurulması yalnız məkan əlçatanlığından asılı deyil. Real tətbiqdə elektrik paylayıcı şəbəkəsinin tutumu və qoşulma şərtləri də qiymətləndirilməlidir.
Mənbə tədqiqatın nəticə bölməsində elektrik şəbəkəsi tutumunun və nəqliyyat şəbəkəsi məhdudiyyətlərinin gələcəkdə modelə daxil edilə biləcək təkmilləşdirmələr sırasında olduğunu bildirir.
Buna görə mövcud modelin seçdiyi namizəd mövqenin elektrik bağlantısı baxımından dərhal tətbiq oluna biləcəyi nəticəsinə gəlmək olmaz.
Modelin dəstəklədiyi nəticələr
- Bogotá-da mövcud şarj infrastrukturunun məkan paylanması sosial-iqtisadi xüsusiyyətlərlə əlaqəlidir.
- Mövcud stansiyaların Voronoi əhatə sahələri sosial-iqtisadi səviyyələrə görə fərqlənir.
- Manhattan məsafəsinə əsaslanan Voronoi bölgüsü mövcud infrastrukturun təxmini çıxış bölgələrini müəyyən etmək üçün istifadə oluna bilər.
- MCTS alqoritmi namizəd şarj stansiyalarının ardıcıl seçimlərini çoxmeyarlı mükafat funksiyası ilə qiymətləndirə bilər.
- Təklif olunan modelin hesablama çıxışı yüksək potensial tələb sahələri ilə çıxış çatışmazlığı olan ərazilər arasında məkan tarazlığı yaratmağı hədəfləyir.
- Bogotá tətbiqində 200 stansiya mövqeyi ehtiva edən hesablama əsaslı yerləşdirmə nəticəsi göstərilmişdir.
Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr
Tədqiqat MCTS üsulunun bütün şəhərlərdə və ya bütün məlumat şəraitlərində ən yaxşı alqoritm olduğunu riyazi olaraq sübut etmir.
Modeldə müəyyən edilən 200 mövqenin hamısının real dünyada quraşdırmaya uyğun, iqtisadi baxımdan gəlirli və ya elektrik şəbəkəsi baxımından yetərli olduğu göstərilməmişdir.
Mənbə həmçinin təklif olunan infrastruktur paylanmasının bütün gəlir qruplarında ölçülmüş sosial ədalət artımı təmin etdiyinə dair sahə qiymətləndirməsi təqdim etmir.
Mükafat funksiyası üzərindən optimallaşdırılan əlçatanlıq real sürüş müddəti, şarj üçün gözləmə müddəti, stansiyanın doluluq nisbəti və ya elektrik xidmətinin fasiləsizliyi ilə ekvivalent deyil.
Metodoloji məhdudiyyətlər və gələcək tədqiqatlar
Tədqiqatçılar metodun gələcəkdə təkmilləşdirilməsi üçün elektrikli nəqliyyat vasitələrinə tələbin zamanla dəyişməsinin, nəqliyyat şəbəkəsinə aid ətraflı məhdudiyyətlərin və elektrik paylayıcı şəbəkəsinin tutumunun nəzərə alınmasını təklif edirlər.
Bundan başqa real sahə məlumatları ilə uzunmüddətli performans doğrulaması, müxtəlif şəhərlərdə tətbiq oluna bilmənin araşdırılması və modelin mükafat funksiyasındakı parametrlərin təsirinin təhlili sonrakı tətbiqlər üçün mənalı qiymətləndirmə sahələridir. Bu son məqamlar tədqiqat çərçivəsində tamamlanmış yeni eksperimentlər kimi təqdim edilmir.
Ümumi elmi qiymətləndirmə
Bu tədqiqatın əsas töhfəsi elektrikli nəqliyyat vasitələrinin şarj stansiyası planlaşdırmasını yalnız məkan yaxınlığı problemi olmaqdan çıxarıb sosial-iqtisadi tələb, mobillik şəraiti və məkan əlçatanlığını birlikdə nəzərə alan hesablama optimallaşdırması çərçivəsi hazırlamasıdır.
MCTS bu çərçivənin həll axtarış mühərrikini təşkil edərkən Voronoi bölgüsü mövcud infrastrukturun coğrafi xidmət bölgələrini təmsil edir; sosial-iqtisadi tələb və mobillik ehtiyacı isə həllin qiymətləndirilməsinə töhfə verir.
Tədqiqat xüsusilə bir-birindən fərqli şəhər şəraitinə malik böyük metropollarda infrastruktur planlaşdırmasına yönəlmiş qərar dəstəyi üsullarının inkişafına töhfə verir. Bununla yanaşı tətbiq qərarlarının real tələb, elektrik şəbəkəsi və yerli əməliyyat şəraiti ilə ayrıca təsdiqlənməsi tələb olunur.
Mənbə və Metod Qeydi
Orijinal başlıq: Spatial Optimization of Electric Vehicle Charging Infrastructure in Highly Heterogeneous Cities: A Monte Carlo Tree Search Approach Integrating Socioeconomic and Mobility Indicators
Müəlliflər: Diego Julian Rodriguez Patarroyo, Jaime Francisco Pantoja Benavides, Frank Nixon Giraldo Ramos.
Qurum: Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá 110311, Colombia.
Məsul müəllif: Frank Nixon Giraldo Ramos (fngiraldor@udistrital.edu.co).
Bərabər töhfə: Mənbədə bərabər töhfə və ya birgə birinci müəlliflik bildirişi yoxdur.
Jurnal: Urban Science.
Nəşriyyat: MDPI.
Cild / nömrə / məqalə nömrəsi: 10 / 6 / 316.
DOI: 10.3390/urbansci10060316.
Göndərilmə tarixi: 10 Aprel 2026.
Reviziya tarixi: 24 May 2026.
Qəbul tarixi: 26 May 2026.
Nəşr tarixi: 4 İyun 2026.
Mənbə növü: Resenziyalı elmi tədqiqat məqaləsi.
Lisenziya: Creative Commons Attribution (CC BY 4.0).
Rəsmi nəşr: https://www.mdpi.com/2413-8851/10/6/316
DOI bağlantısı: https://doi.org/10.3390/urbansci10060316
Akademik redaktorlar: Fatemeh Nasr Esfahani və Carrie M. Hall.
Maliyyələşdirmə: Tədqiqat üçün xarici maliyyə alınmadığı bildirilmişdir.
Məlumatların əlçatanlığı: Tədqiqatda təqdim edilən məlumatlar məsul müəllifdən tələb oluna bilər. Məkan məlumatlarının bir hissəsi OpenStreetMap və DANE açıq məlumat mənbələrindən əldə edilmişdir.
Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişlər.
Etika komitəsi və məlumatlandırılmış razılıq: Mənbədə tətbiq olunmadığı bildirilmişdir.
Müəllif töhfələri: Konseptuallaşdırma və metod D.J.R.P.; proqram təminatı D.J.R.P.; doğrulama, formal təhlil və tədqiqat D.J.R.P. ilə J.F.P.B.; resursların təmin edilməsi və məlumatların tərtibi J.F.P.B.; ilkin layihə D.J.R.P.; nəzərdən keçirmə və redaktə üç müəllif; nəzarət D.J.R.P. tərəfindən həyata keçirilmişdir.
Süni intellektdən istifadə bildirimi: Müəlliflər məqalənin hazırlanması zamanı texniki yazı dəstəyi, dilin təkmilləşdirilməsi və LaTeX formatlaşdırılması məqsədilə Gemini 1.5 Pro/Flash istifadə etdiklərini bildirmişlər. Yaradılmış çıxışın müəllif tərəfindən nəzərdən keçirilib redaktə edildiyi və nəşr məzmununun məsuliyyətinin müəlliflərdə olduğu qeyd edilmişdir.
Əsas metod: Bogotá-da mövcud 37 şarj stansiyasının Voronoi bölgüsü, sosial-iqtisadi və mobillik məlumatlarının birləşdirilməsi, MCTS-UCT axtarış prosesi və çoxmeyarlı məkan mükafat funksiyası istifadə edilmişdir.
Hesablama çıxışı: MCTS yanaşması ilə 200 stansiya mövqeyinə dair yerləşdirmə yaradılmışdır. Bu çıxış real sahə quraşdırılması deyil.
Mənbədaxili qeyri-müəyyənliklər: MI reqressiya ifadəsindəki dəyişən çatışmazlığı və koordinat sisteminin “SIRGAS-Hormonal” şəklində adlandırılması mənbədə verildiyi kimi qiymətləndirilmişdir. Təsdiqlənməmiş düzəlişlər edilməmişdir.
Təkrarlana bilmə sərhədi: MCTS iterasiya büdcəsi, təsadüfi toxum, bütün kəşf və mükafat əmsalları, cəza funksiyalarının tam analitik formaları və eksperiment avadanlığı kifayət qədər ətraflı bildirilməmişdir.
Elmi şərh sərhədi: Nəticələr Bogotá məlumatlarına əsaslanan hesablama əsaslı məkan optimallaşdırması nəticələridir. Yeni stansiyaların real elektrik şəbəkəsində istismar performansı, sahə istifadə nəticələri və ya müxtəlif şəhərlərə birbaşa ötürülə bilməsi müstəqil şəkildə sübut edilməmişdir.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib