23197

ساخت مدل پيش بيني تقاضاي سفر در ايستگاه هاي مترو

كارشناسي ارشد

برنامه ريزي حمل و نقل

1396

1399/10/23

دكتر عبدالرضا شيخ الاسلامي

عمران

توسعه پايدار حمل‌ونقل شهري مستلزم افزايش ميزان استفاده از حمل‌ونقل عمومي با توجه به عرضه و تسهيلات سيستم فعلي است، در حال حاضر متروي شهر تهران سهم بسزايي در جابجايي مسافران در سيستم حمل‌ونقل عمومي و كاهش آلودگي هواي شهر تهران داشته است، لذا در اين پژوهش با توجه به‌ضرورت مديريت تقاضاي سفر در ايستگاه‌هاي مترو به شناخت عوامل مهم تأثيرگذار در سيستم حمل‌ونقل ريلي درون‌شهري تهران بر اساس شرايط و موقعيت شهر تهران، مي‌پردازيم. متغيرهاي قيمت بنزين (دو نرخي)، خرابي تأسيسات پله‌برقي، آلودگي هواي شهر تهران، دماي هوا، روزهاي هفته و بارندگي به‌عنوان متغيرهاي اثرگذار فرض شده است و با استفاده از آزمون‌هاي آماري صحت فرضيات بررسي گرديد، نتايج نشان داد همه متغيرها به‌جز متغيرهاي بارندگي و دما بر تقاضاي روزانه ايستگاه متروي مورد مطالعه در اين پژوهش اثرگذار هستند، همچنين با بررسي و تحليل تقاضاي روزانه ايستگاه مترو بر اساس افزايش قيمت بنزين كه در آبان ماه 1398 جهش ناگهاني داشت، شاهد افزايش تقاضا در ايستگاه‌هاي متروي شهر تهران بوديم كه در اين مدل نيز به‌عنوان يكي از متغيرهاي مستقل با تأثيرگذاري نسبتاً زياد شناسايي شد. درگام بعدي پژوهش مدل رگرسيون چندگانه براي پيش‌بيني تقاضاي سفر در ايستگاه متروي ميدان آزادي شهر تهران طراحي گرديد و ضريب تعيين چندگانه مدل پيش‌بيني ( ) برابر با 878/0 محاسبه شد. با توجه به نتايج مدل تحقيق، متغير روزهاي هفته با ضريب بتاي (ضرايب استاندارد شده مدل) 0.714 بيش‌ترين كشش مثبت را در مدل پيش‌بيني تقاضاي روزانه ايستگاه مترو دارد، متغير قيمت بنزين و خرابي تأسيسات (پله برقي) به ترتيب با ضرايب 332/0، 101/0- بر تقاضا اثرگذار هستند، همچنين متغير شاخص آلودگي هوا، با ضريب بتاي 0.091- كم‌ترين كشش را در تقاضاي مترو دارد. متغيرهاي شناسايي شده در مدل پيش‌بيني مي‌تواند الگويي براي برآورد تقاضاي سفر روزانه در ايستگاه‌هاي‌ متروي ديگر شهرها باشد

1399/11/21

Modeling Travel Demand Forecasting at Metro Stations

1/12/2021 12:00:00 AM

Sustainable development of urban transportation requires increasing the use of public transportation according to the supply and facilities of the current system. At present, Tehran metro has a significant role in moving passengers in the public transportation system and reducing air pollution in Tehran, so in this study Paying attention to the necessity of managing travel demand in metro stations, we will recognize the important factors influencing the intra-city rail transportation system of Tehran based on the conditions and situation of Tehran. The variables of gasoline price (two rates), escalator installation failure, air pollution in Tehran, air temperature, days of the week and rainfall were assumed as effective variables and the hypotheses were checked using statistical tests. The results showed that all variables except rainfall and Temperature affects the daily demand of the metro station studied in this study. Also, by examining and analyzing the daily demand of the metro station based on the sudden increase in gasoline prices in November 2019, we saw an increase in demand in metro stations in Tehran. Was also identified as one of the independent variables with relatively high impact. In the next step of the research, a multiple regression model was designed to predict travel demand in Azadi Square metro station in Tehran and the coefficient of multiple determination of the prediction model ( ) was calculated to be 0.878. According to the results of the research model, the variable of days of the week with beta coefficient (standardized coefficients of the model) 0.714 has the highest positive elasticity in the daily demand forecast model of the metro station, the variable gasoline price and facility failure (escalator) with coefficients of 0.332, respectively , -0.101 affect the demand, also the air pollution index variable, with a beta coefficient of -0.091 has the lowest elasticity in metro demand. The variables identified in the forecast model can be a model for estimating daily travel demand at metro stations in other cities.

تقاضاي ايستگاه مترو , مدل پيش بيني , آلودگي هوا , قيمت بنزين , تحليل رگرسيون

Metro station demand , forecast model , air pollution , gasoline price , analysis regression