مدل پيش‌بيني زمان سفر در سطح شبكه بر مبناي تحليل‌هاي زماني-مكاني

دكتري

حجم تردد روزانه بالا در بسياري از كلان‌شهرها منجر به افزايش ازدحام ترافيكي و به تبع آن، زمان سفر مي‌گردد. زيان‌هاي اقتصادي ناشي از هدررفت سوخت، آلودگي‌هاي محيطي و افزايش تصادفات از جمله پيامدهاي افزايش ازدحام ترافيكي به شمار مي‌رود. لذا اقدامات مناسب جهت رفع آثار ازدحام و كاهش آن با ابزارهاي مديريت تقاضا همواره از دغدغه‌هاي اصلي مديران شهري بوده است. به اين منظور، در اختيار داشتن اطلاعاتي جامع از كل منطقه مطالعاتي در مقياس مكاني و زماني وسيع با استفاده از ابزارهايي كم هزينه جهت برداشت داده‌ها اهميتي دوچندان خواهد يافت. زمان سفر به عنوان يكي از معيارهاي اصلي ارزيابي وضعيت ترافيكي مطرح مي‌باشد كه بر مبناي سرعت حركت وسايل نقليه به دست مي‌آيد. از طرفي، ازدحام ترافيكي نيز بر مبناي سرعت، در نقشه‌هاي ترافيكي به لحظه نمايش داده مي‌شود و مي‌تواند شاخصي براي تحليل وضعيت ترافيكي و پيش‌بيني آن محسوب گردد در مطالعه پيش رو، با استفاده از تصاوير ترافيكي به دست آمده از سرويس نقشه گوگل، پس از استخراج داده‌ها و تحليل و پردازش رقومي تصاوير، تحليلي توصيفي، مكاني و زماني از ازدحام ترافيكي صورت گرفته و نتايج، همبستگي مكاني و زماني ازدحام ترافيكي در سطح منطقه مطالعاتي و در بازه زماني مورد مطالعه را نمايش داد. مدل رگرسيون وزني زماني- مكاني (GTWR) براي نخستين بار در زمينه پيش‌بيني ازدحام ترافيكي ارائه گرديده و پس از تحليل‌هاي اوليه و انتخاب متغيرهاي مستقل مناسب، مدل‌هاي منتخب با مجموعه‌اي از داده‌هاي آموزشي (داده‌هاي ده هفته) كاليبره شده و با معيارهاي نيكويي برازش ارزيابي گرديد. نتايج نشان داد كه مدل GTWR با متوسط مقدار ضريب تعيين تعديل شده(R_adj^2) برابر با %60 بهبود قابل توجهي در برازش به داده‌ها نسبت به مدل عمومي (Global) نشان مي‌دهد. اعتبارسنجي مدل با متغيرهاي مختلف و با استفاده از داده‌هاي آزمايشي (آخرين برش زماني داده‌ها) نيز نشان داد كه مدل GTWR با مقدار متوسط ضريب همبستگي %80، در فرآيند پيش‌بيني موفق عمل كرده است. مقايسه مدل GTWR با مدل عمومي چندمتغيره (Global) نيز نشان داد كه مدل زماني- مكاني پيشنهاد شده در مقايسه با مدل عمومي بهبود قابل توجهي در پيش‌بيني مقادير داده‌هاي آزمايشي داشته است (%58 مدل عمومي در مقابل %83 و %81 و %81 مدل‌هاي GTWR). همچنين، مقايسه مدل پيشنهادي (GTWR) با مدل مكاني GWR پايه نيز نشان داد كه لحاظ نمودن داده‌هاي تاريخچه زماني منجر به افزايش قدرت پيش‌بيني مدل در تمام برش‌هاي زماني گرديده است. تحليل حساسيت مدل با حجم داده‌هاي آموزشي كمتر (داده‌هاي 5 هفته)، نيز نشان داد كه مدل GTWR براي افق‌هاي زماني مختلف با فاصله 6 هفته از زمان كاليبره نمودن مدل نيز توان پيش‌بيني بالايي را نشان مي‌دهد (در بدترين حالت %70). همچنين، حساسيت مدل نسبت به عدم پيوستگي داده‌هاي آموزشي نيز نشان داد كه در صورت وجود مقادير از دست رفته در سري زماني داده‌ها، مدل همچنان قادر به پيش‌بيني داده‌هاي آزمايشي تا %80 مي‌باشد.

194414

دانشگاه علم و صنعت ايران

برنامه ريزي حمل و نقل

دكتر افشين شريعت مهيمني