26212

برآورد ماتريس مبدأ - مقصد سفرهاي روزانه شهري بر اساس داده‌هاي انبوه (مطالعه موردي: محدوده مركزي شهر تهران)

دكتري تخصصي

مهندسي عمران- برنامه ريزي حمل ونقل

1400

1400/11/30

دكتر شهريار افنديزاده زرگري

مهندسي عمران

پيش‌بيني ماتريس مبدأ - مقصد سفرها در شهرها نقش اساسي را در برنامه‌ريزي حمل‌ونقل ايفا مي‌كند. روش‌هاي برآورد ماتريس مبدأ- مقصد سفرها به‌صورت گسترده‌اي در حال انتقال از روش‌هاي مرسوم آماربرداري به سمت استفاده از داده‌هاي سامانه‌هاي حمل‌ونقل هوشمند از قبل جمع‌آوري شده است. علت اين انتقال يكي هزينه‌هاي بالاي انجام آماربرداري‌هاي سنتي و ديگري تنوع داده‌هاي توليدي توسط سامانه‌هاي حمل‌ونقل هوشمند و امكان بهره‌برداري مضاعف از آن‌ها است. اين داده‌ها مجموعه‌اي متنوع از داده‌هاي انبوه را تشكيل مي‌دهند. بهترين رويكرد در مواجه با داده هاي با حجم، تنوع و سرعت انتشار بالا روش‌هاي يادگيري ماشيني مبتني بر روش‌هاي يادگيري عميق است. لذا در اين پايان نامه نيز از اين روش‌ها جهت برآورد ماتريس مبدأ – مقصد سفرهاي روزانه و ساعتي شهروندان استفاده گرديده است. لذا با استفاده از مجموعه‌اي از داده‌هاي سامانه‌هاي هوشمند حمل‌ونقل، شامل: سامانه‌هاي پلاك خوان، كارت‌هاي هوشمند پرداخت، ترددشمارها در تقاطعات، سامانه موقعيت‌ياب جهاني نرم‌افزارهاي ناوبري در كنار مشخصات اجتماعي-اقتصادي، جمعيتي و كاربري زمين نواحي ترافيكي، اقدام به پيش‌بيني ماتريس مبدأ- مقصد شده است. مدل پيشنهادي اين پايان‌نامه در كلان‌شهر تهران به‌عنوان مطالعه موردي مورد ارزيابي قرار گرفته است. به منظور ارزيابي نتايج علاوه بر روش‌هاي آماري از روش ابداعي جهت مقايسه ساختاري ماتريس برآورد شده و ماتريس مرجع استفاده است. شبكه عصبي پيچشي پيشنهادي اين پايان‌نامه بهترين عملكرد را از نظر دقت پيش‌بيني ماتريس مبدأ-مقصد و كمترين خطا را با توجه به شاخص‌هاي ميانگين مربعات خطا و درصد ميانگين خطا دارد، همچنين خروجي مدل شبكه عصبي پيچشي بيشترين شباهت ساختاري را با ماتريس مبدأ - مقصد مرجع نشان داد.

1400/12/17

Urban Trip Origin-Destination Matrix Estimation Base on Big Data

2/19/2023 12:00:00 AM

Predicting the travel demand plays an indispensable role in urban transportation planning. Data collection methods for estimating the origin–destination (OD) demand matrix are being extensively shifted from traditional survey techniques to the pre-collected data from intelligent transportation systems (ITSs). This shift is partly due to the high cost of conducting traditional surveys and partly due to the diversity of scattered data produced by ITSs and the opportunity to derive extra benefits out of this big data. This study attempts to predict the OD matrix of Tehran metropolis using a set of ITS data, including the data extracted from automatic number plate recognition (ANPR) cameras, smart fare cards, loop detectors at intersections, global positioning systems (GPS) of navigation software, socio-economic and demographic characteristics as well as land-use features of zones. For this purpose, five models based on machine learning (ML) techniques are developed for training and test. In evaluating the performance of the models, the statistical methods show that the convolutional neural network (CNN) leads to the best performance in terms of accuracy in predicting the OD matrix and has the lowest error in terms of root mean square error (RMSE) and mean absolute percentage error (MAPE). Moreover, the predicted OD matrix was structurally compared with the ground truth matrix, and the CNN model also shows the highest structural similarity with the ground truth OD matrix in the presented case.

ماتريس مبدأ- مقصد ساعتي , يادگيري ماشين , داده‌هاي انبوه , شبكه عصبي پيچشي

Amirmasoud Memarnejad

shahriar Afandizadeh Zargari