31367

مدل‌سازي سفرهاي شهري با استفاده از روش كاهش ابعاد و بازسازي

كارشناسي ارشد

مهندسي عمران - مهندسي و برنامه ريزي حمل و نقل

1400

1403/6/26

دكتر شهريار افندي زاده زرگري

-

مهندسي عمران

برنامه‌ريزي شهري و ارتباط آن با حمل‌ونقل تا حد زيادي به درك الگوي فعاليت انسان در مناطق شهري بستگي دارد. ازاين‌رو مدل‌سازي و پيش‌بيني سفرهاي افراد از سال‌ها پيش حائز اهميت بوده است. تا سه دهه گذشته، برطرف كردن نيازهاي بلندمدت حمل‌ونقل از طريق ايجاد زيرساخت‌هاي حمل‌ونقلي بوده ‌است كه مبتني بر عرضه تسهيلات حمل‌ونقل است. پس از گذشت سال‌ها به دليل افزايش هزينه‌هاي زيرساخت‌هاي جديد و افزايش نگراني‌ها در مورد تراكم ترافيك و آلودگي هوا، ابعاد برنامه‌ريزي حمل‌ونقل مبتني بر عرضه گسترده‌تر شده و مشكلات دسترسي معابر و همچنين مديريت تقاضاي سفر را نيز دربگرفته است. درنتيجه، استراتژي‌هاي مديريت تقاضاي سفر مانند قيمت‌گذاري بر تراكم، دوركاري، ساعت كاري شناور، دولت الكترونيك و ... وجود دارد كه تلاش مي‌كند الگوي سفر افراد را تغيير دهد و تقاضاي سفر را مديريت كند. سياست‌هاي مديريت تقاضاي سفر منجر به تغيير تمركز مدل‌سازي تقاضاي سفر از پيش‌بيني مبتني بر سفر (مدل‌هاي چهار مرحله‌اي) در بازه زماني بلندمدت و در سطح همفزون به مدل‌سازي سفر در سطح ناهمفزون(در سطح افراد) شده است. بدين منظور در اين پژوهش الگوي فعاليت افراد بر اساس ويژگي‌هاي اجتماعي-اقتصادي‌شان پيش‌بيني‌شده است. در اين پژوهش از داده‌هاي شهر واشنگتن استفاده‌شده كه در سال 2008/2007 جمع‌آوري‌شده است. اين پيش‌بيني با استفاده از مدل يادگيري ماشين شبكه مولد متخاصم(GAN) و مدل رمزگذار خودكار(Auto-Encoder) انجام‌شده است كه اطلاعات اجتماعي-اقتصادي افراد اعم از سن، جنسيت، درآمد، وضعيت اشتغال و ... را به‌عنوان ورودي دريافت كرده و اينكه اين افراد در طول روز در هر نيم ساعت كدام يك از شش فعاليت خانه، كار، تحصيل، خريد، تفريح و ديگر را انجام مي‌دهند، پيش‌بيني مي‌كند. رمزگذارهاي خودكار كاهش ابعاد را با فشرده كردن داده‌هاي ورودي در فضاي پنهان با ابعاد پايين‌تر از طريق يك رمزگذار انجام مي‌دهند و سپس داده‌هاي اصلي را از اين نمايش فشرده با استفاده از رمزگشا بازسازي مي‌كنند. در مقابل، GAN ها به‌طور ضمني كاهش ابعاد را با يك بردار نهفته تصادفي آغاز مي‌كنند و مولد آن را به داده‌هاي با ابعاد بالا شبيه به مجموعه داده اصلي تبديل مي‌كند. به‌منظور اعتبار سنجي مدل‌هاي ساخته‌شده از فاصله اوليه فريشه(FID)، آماره مجذور كاي، نمودار الگوي زماني، مقايسه تعداد كل فعاليت‌ها و آماره t استفاده‌شده است. بر اساس اعتبارسنجي‌هاي صورت گرفته، مدل شبكه مولد متخاصم Wasserstein معروف به WGAN به‌عنوان مدل برتر انتخاب شد كه با دقت 6/91 درصد توانست فعاليت افراد را در يك شبانه‌روز پيش‌بيني كند. واژه‌هاي كليدي: مدل‌سازي سفر، مدل‌سازي فعاليت‌مبنا، الگوي فعاليت افراد، شبكه مولد متخاصم(GAN)، مدل رمزگذار-رمزگشا(Auto-Encoder)

1403/07/23

Urban travel modeling using dimensional reduction and reconstruction

9/16/2025 12:00:00 AM

Urban planning and it’s relation with transportation is closely tied to understanding human activity patterns within urban areas. Consequently, modeling and predicting individual travel behavior have been essential for years. Historically, addressing long-term transportation needs involved creating transportation infrastructure based on these patterns. However, over time, due to rising costs of new infrastructure and concerns about traffic congestion and environment pollution impact, transportation planning has shifted focus. It now encompasses managing costs, accessibility challenges, and travel demand management.As a result, various travel demand management strategies for travel behavior such as congestion pricing, telecommuting, flexible work hours, and intelligent transportation systems aim to alter individual patterns and effectively manage travel behavior. The transition from traditional four-step travel demand modeling to disaggregate travel modeling (at the individual level) has been a significant development in travel planning.In this study, we predict specific activity patterns based on individuals’ socio-economic characteristics. We utilize data from the city of Washington, collected in 2007-2008. Using Generative Adversarial Networks (GANs) and Auto-Encoders, we input socio-economic information such as age, gender, income, eployment status and the model predicts individuals’ activities throughout the day in 48 thirty minutes intervals, categorizing them into six types: home, work, education, shopping, recreation, and other.To validate our models, we employ metrics such as Fréchet Inception Distance (FID), chi-suare test, pattern analysis, t-test and comparisons of total activity counts. Based on validation, the Wasserstein Generative Adversarial Network (WGAN) emerges as the best model. It accurately predicts individuals’ activities during a 24 hours of a day. Keywords: Travel modeling, activity-based modeling, individual activity patterns, Generative Adversarial Network (GAN), Auto-Encoder

مدل‌سازي سفر , مدل‌سازي فعاليت‌مبنا

Travel modeling , activity-based modeling

Alireza Bakhshipour

Dr. Shahriar Afandizadeh Zargari