22055

22055

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

دكتري

برنامه ريزي حمل و نقل

1392

1398/12/04

دكتر افشين شريعت مهيمني

عمران

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.

1399/03/26

Network-based Model of Prediction the Travel Time Using Spatio-Temporal Analyses

2/22/2021 12:00:00 AM

The high daily traffic volume in many metropolises will increase traffic congestion and consequently travel time. The economic consequences of fuel loss, environmental pollution and increased traffic accidents are the consequences of increased traffic congestion. To this end, comprehensive information on the whole study area over large spatial and temporal scale using low-cost instruments of data collection will be of great importance. Travel time is regarded as one of the main criteria for assessing the traffic state based on the speed of movement of vehicles. On the other hand, traffic congestion are displayed based on speed on traffic maps and can be regarded as an indicator for analyzing and predicting traffic situation. In the present study, Google traffic image data have been captured and after data extraction and image processing, descriptive analyses as well as spatial and temporal analyses have been conducted. The results indicated the significant spatial and temporal correlation of traffic congestion over the study area and within the time of study. Geographically temporally weighted regression (GTWR) has been introduced for the first time in congestion prediction. The model has been calibrated using a set of training data (successive ten weeks) and selected independent variables and the best models have been evaluated using the goodness-of-fir criteria. The results showed that the GTWR model with an average adjusted coefficient of determination (𝑅𝑎𝑑𝑗 2 ) of 60% showed a significant improvement to fit data compared to the global model. Validation of the model with different variables using test data (latest time slice) showed that GTWR model with average value of 80% correlation coefficient was successful in the prediction process. Comparison of the GTWR model with the global model also showed that the general model predictive power is only 58% at best. Also, comparing the proposed model (GTWR) with the basic GWR spatial model showed that the inclusion of temporal history data increased the model's predictive power in all time slices. Sensitivity analysis of the model with less training data volume (5 weeks data) also showed that GTWR model had high predictive power (70% for the worst case) for different time horizons( 6 weeks after model calibration). In addition, the sensitivity of the model to the discontinuity of the training data showed that in case of data missing, the model would still be able to predict the test data up to 80%.