30587

ارائه‌ روشي براي كاليبره‌كردن مدل‌هاي تخصيص حمل‌ونقل همگاني با استفاده از كلان‌داده‌ها

كارشناسي ارشد

مهندسي عمران گرايش حمل‌ونقل

1399

1402/08/30

دكتر افشين شريعت مهيمني - دكتر رضا گلشن خواص

عمران

تا دو دهة پيش، روش‌هاي فعال، تنها شيوة جمع‌آوري داده‌هاي حمل‌ونقل بودند. اين روش‌هاي سنتي با مشكلاتي از قبيل هزينة بالاي اجرا، كوچك بودن اندازة نمونه و وجود وقفه در گردآوري داده مواجه‌اند و به دليل متكي‌بودن به پرسش‌گري، وجود سوگيري در آن‌ها همواره محل پرسش بوده است. پيشرفت فناوري و معرفي «سامانه‌هاي حمل‌ونقل هوشمند»، روش جمع‌آوري داده‌هاي حمل‌ونقل را متحول ساخته است. داده‌هاي حاصل از سامانه‌هاي حمل‌ونقل هوشمند علي‌رغم ضعف‌هاي خود از جمله عدم ثبت ويژگي‌هاي اقتصادي – اجتماعي افراد، مشكلات داده‌هاي سنتي را ندارند. اين موضوع محققان را به بررسي پتانسيل‌هاي داده‌هاي جديد براي جايگزيني يا ادغام آن‌ها با داده‌‌هاي سنتي تشويق كرده است. در همين راستا و در حوزة حمل‌ونقل همگاني، كلان‌‌داده‌هاي «كارت هوشمند»، در كاربردهاي مختلفي از جمله شناسايي الگوي سفر، برآورد ماتريس مبدأ – مقصد و همچنين مدل‌سازي تخصيص تقاضا به كار گرفته‌شده‌‌اند. با وجود نقش كليدي حمل‌ونقل همگاني در حل بسياري از مشكلات شهرهاي بزرگ، كاليبره‌كردن مدل‌هاي تخصيص حمل‌ونقل همگاني با روشي سيستماتيك كم‌تر مورد واكاوي قرار گرفته است؛ لذا، پژوهش حاضر تلاش كرده است باتوجه‌به دردسترس‌بودن داده‌هاي كارت هوشمند اتوبوس شهر مشهد، روشي براي كاليبره‌كردن مدل تخصيص حمل‌ونقل همگاني ارائه كند. به همين خاطر، در اين مطالعه، ابتدا با به‌كارگيري روش «زنجيرة سفر» براي 3/79 درصد تراكنش‌هاي كارت هوشمند ايستگاه پياده‌شدن افراد تخمين زده شد و ماتريس مبدأ – مقصد در سطح نواحي ترافيكي با رويكردي جديد برآورد، تعميم و با اطلاعات مطالعات تفصيلي همگاني شهر مشهد مقايسه شد. سپس، دو مدل مختلف تخصيص حمل‌ونقل همگاني «سرفاصله‌مبنا» با استفاده از ماتريس برآوردشده، نرم‌افزار شبيه‌ساز ويزوم و الگوريتم «بهينه‌سازي ازدحام ذرات» كاليبره شدند و بر اساس مقدار تابع هدف، مدل «استراتژي بهينه» به‌عنوان مدل برتر انتخاب شد. در نهايت مقدار ضريب همبستگي براي جريان مسافر هر مسير بر اساس مشاهدات كارت هوشمند و شبيه‌سازي مدل استراتژي بهينه، 83/0 به دست آمد. نتايج حاصل از اين مطالعه نشان داد كه كلان‌داده‌هاي كارت هوشمند جمع‌آوري‌شده در ايران، از پتانسيل مناسبي براي جايگزيني يا ادغام با داده‌هاي سنتي براي كاربردهاي مختلفي از جمله برآورد ماتريس مبدأ – مقصد و كاليبره‌كردن مدل تخصيص حمل‌ونقل همگاني برخوردارند.

1402/12/15

A Procedure for Calibration of Transit Assignment Model with Big Data

11/20/2024 12:00:00 AM

Two decades ago, transportation data collection relied solely on active methods, facing challenges such as high implementation costs, small sample sizes, and interruptions in data collection. These traditional methods were susceptible to bias due to their dependence on querying. The emergence of technology and the implementation of "Intelligent Transportation Systems" marked a transformative shift in data collection methods, offering a solution to the limitations of traditional approaches. While Intelligent Transportation Systems come with their own set of weaknesses, such as the absence of individuals' socio-economic characteristics, they don't encounter the traditional data problems. In the realm of public transportation, "smart card" big data has been increasingly employed for various applications, including the identification of travel patterns, estimation of origin-destination matrices, and modeling transit assignments. Despite the pivotal role of public transportation in addressing challenges in large cities, the systematic calibration of transit assignment models has received inadequate attention. Consequently, this research aims to fill this gap by presenting a procedure for calibrating a transit assignment model based on smart card data for the bus system in Mashhad, Iran. The study begins by estimating alighting stop for 79.3 percent of transactions using the "trip chaining" method. Subsequently, the origin-destination matrix at the traffic zone level is estimated, expanded, and then validated using information from comprehensive public transportation studies in Mashhad. Two models of Headway-based assignment are then calibrated using the estimated matrix, Visum simulation software, and the "Particle Swarm Optimization" algorithm. The "Optimal Strategy" model is identified as superior based on the value of the objective function. Finally, the correlation coefficient for passenger flow on each route, comparing smart card observations with the simulation of the optimal strategy model, is found to be 0.83. The results of this study highlight the significant potential of smart card big data in Iran for replacing or integrating with traditional data in various applications. This includes the crucial tasks of estimating origin-destination matrices and calibrating transit assignment models..

كلان‌داده , داده‌هاي كارت هوشمند , ماتريس مبدأ – مقصد , الگوريتم ازدحام ذرات , تخصيص حمل‌‌ونقل همگاني

Big Data , Smart Card Data , Origin-Destination Matrix , PSO Algorithm , Transit Assignment

Saeid Iranpour

Dr. Afshin Shariat Mohaymany - Dr. Reza Golshan Khavas