19497

۱۹۴۹۷

پيش‌بيني زمان سفر در معابر برون‌شهري با استفاده از تحليل‌هاي سري زماني

كارشناسي ارشد

برنامه ريزي حمل ونقل

۱۳۹۴

۱۳۹۷/۰۴/۲۶

دكتر افشين شريعت مهيمني

عمران

امروزه با توجّه به روند رو به رشد جمعيت و گسترش مهاجرت شهرها و حومه‌نشيني، افزايش ميزان سفرهاي برون‌شهري و به‌تبع آن افزايش ترافيك معابر شهري و برون‌شهري امري اجتناب‌ناپذير است. اين مطلب سبب تحميل هزينه‌هاي گزاف آلودگي و هدر رفت زمان به جامعه مي‌باشند. برنامه‌ريزي كوتاه‌مدت ترافيك، مستلزم درك درست و صحيح از شرايط آتي مسيرها است و بدون در اختيار داشتن تخمين‌هاي نزديك به واقعيت، برنامه‌ريزي معنايي نخواهد داشت. به اين منظور، مي‌توان تخمين‌هايي را بر پايه‌ي مشاهدات قبلي ارائه نمود كه به نحو قابل‌قبول و مناسبي گوياي شرايط آتي معبر باشد. داشتن اطلاعات زمان سفر نه‌تنها براي استفاده‌كنندگان از راه به‌منظور صرفه‌جويي در زمان سفر مفيد است، بلكه براي سنجش عملكرد سيستم شبكه راه‌ها نيز به‌منظور مديريت و برنامه‌ريزي عملياتي شبكه، يك دانش پايه و اساسي محسوب مي‌شود. پيش‌بيني زمان سفر و زمان سفر تجربه‌شده براي مديران امكان شناسايي، مقابله و ارزيابي حوادث را فراهم مي‌سازد. در اين پژوهش، مدل‌سازي پيش‌بيني زمان سفر براي روزهاي كاري هفته در بازه زماني 7 صبح تا 8 بعدازظهر و همچنين به‌صورت روزانه (براي كليه‌ي روزهاي هفته) در بازه زماني 24 ساعت، بر مبناي مدل‌هاي سري زماني در يكي از محورهاي اصلي و پرتردد كشور (محور تهران-قم) صورت پذيرفته است. براي اين منظور از داده‌هاي اول مهرماه 1394 تا 30 ام آذرماه 1394 استفاده گرديد. فرآيند مدل‌سازي با استفاده از 70 درصد داده‌ها صورت پذيرفت و 30 درصد باقيمانده نيز به‌منظور اعتبارسنجي مدل‌ها استفاده شد. پس از شناسايي نوع مدل، مدل‌هاي ممكن برآورد گرديد. پس از تحليل و بررسي پارامترهاي مدل‌ها، بر مبناي معيار آكائيك (AIC ) و بيزين شوارتز (SBC ) مدل برتر انتخاب گرديد. درنهايت پس از بررسي عدم وجود همبستگي بين باقيمانده‌هاي حاصل از مدل‌ها، فرآيند اعتبارسنجي صورت گرفته و با توجه به معيارهاي نكوئي برازش، مدل مطلوب به‌منظور پيش‌بيني زمان سفر ارائه گرديده است.

1397/07/21

Travel Time Prediction on Rural ways Based on Time Series Analyses

10/13/2018 12:00:00 AM

Nowadays, the ever increasing growth of population and the increase of immigration to urban areas and metropolises, led to increase the number of intra city trips and consequently road traffics. This causes impose of heavy expenses, including time and pollution to the society. Short-term traffic planning requires the proper perception of the future conditions of routes. Accordingly, the accurate estimation based on previous observations can be suggested to properly represent the future conditions. Travel time information not only helps the users to save time, but also is considered as a fundamental concept for evaluating the road system operation for better management. In this research, the travel time perdition based on time series and historic data is conducted for one of the main axes of Iran (Tehran-Qom), one of the most heavily traveled and congested roadways in Iran. The database was collected from the Bluetooth traffic detector. Bluetooth is a telecommunications industry specification that defines the manner in which mobile phones, computers, personal digital assistants, car radios, and other digital devices can be easily interconnected using short-range wireless communications. In principle, the Bluetooth traffic monitoring system calculates travel times by matching public Bluetooth wireless network IDs at successive detection stations. The time difference of the ID matches provides a measure of travel time and space mean speed based on the distance between the successive stations. The test site was about 118 kilometers and covered two sensors. 90 day period (3 months) was used from the historical database, 70% to do modeling and forecasted next 30% day values. Modeling was done in Two categories, for weekdays during the period from 7 am to 8 pm, as well as daily (for each day of the week) in the 24-hour period. After identifying the model type, possible models were estimated. Autoregressive moving average (ARMA) was implemented. After analyzing the model's parameters, the best model was selected based on the Akaic criteria (AIC) and Beesin Schwartz (SBC). Finally, after checking the lack of correlation, a desirable model is proposed to predict travel time. The results of each model from the case studies are investigated and reported. All in all, the results models can be used for decision making and traffic management accurately.