33260

بررسي اثر انواع سوگيري در نمونه‌گيري‌ بر كاليبراسيون دياگرام‌هاي اساسي ترافيك

كارشناسي ارشد

مهندسي عمران- برنامه ريزي حمل ونقل

1400

1403/07/15

دكتر رضا گلشن خواص- دكتر علي توكلي كاشاني

پروفسور بروس هلينگا از دانشگاه واترلو كانادا

مهندسي عمران

مطالعات ترافيكي نقش مهمي در بهبود كيفيت زندگي شهري دارند و مي‌توانند به توسعه پايدار شهري و كاهش مشكلات زيست‌محيطي و اقتصادي مرتبط با ترافيك كمك كنند. بهينه‌سازي جريان ترافيك از طريق مدلسازي ترافيك، ابزاري موثر براي مديريت تراكم و بهبود زيرساخت‌هاي موجود است. يكي از روش‌هاي كليدي در اين زمينه، استفاده از دياگرام‌هاي اساسي ترافيك است كه ارتباط بين سه پارامتر ترافيكي كلان‌نگر سرعت، جريان و چگالي را به تصوير مي‌كشد. پژوهش حاضر به بررسي اثرات سوگيري در فرآيند نمونه‌گيري بر كاليبراسيون دياگرام‌هاي اساسي ترافيك پرداخته است. در اين راستا، سناريوهاي مختلف سوگيري در نمونه‌گيري با استفاده از داده‌هاي داخلي و خارجي و با كمك مدل تك رژيمه وان ارد تحليل و كاليبره شده‌اند. نتايج بدست آمده نشان داده است كه سوگيري نمونه‌ها به سمت داده‌هاي رژيم ترافيكي روان، اگرچه در ابتدا خطاي كاليبراسيون كمتري را ايجاد مي‌كند، اما به دليل توزيع نامتعادل داده‌ها، پارامترهاي كليدي مدل نظير چگالي راهبندان و ظرفيت به طور دقيق تخمين زده نشده است. تحليل بيشتر داده‌ها نشان داده است كه توزيع مناسب داده‌هاي نمونه‌برداري در تمام رژيم‌هاي ترافيكي، منجر به بهبود قابل‌توجهي در دقت كاليبراسيون شده است؛ به‌طوريكه براي داده‌هاي خارجي با 380 مشاهده، دقت تخمين چگالي راهبندان و ظرفيت به ترتيب به ميزان 74 درصد و 85 درصد و براي داده‌هاي داخلي با 280 مشاهده به ترتيب به ميزان 97 درصد و 96 درصد افزايش يافته است. علاوه بر اين، تحليل اثرات زمان و روز نمونه‌برداري بر كاليبراسيون دياگرام‌هاي اساسي هر دو مجموعه داده نشان داده است كه جمع‌آوري داده‌ها از روزهاي عادي هفته و در ساعات اوج ترافيك صبح و عصر، كمترين مجموع خطاي مطلق نسبي را در برآورد چهار پارامتر مدل به همراه داشته است. در نهايت، پايان نامه حاضر بيان مي‌كند كه با تعريف شرايط بهينه براي نمونه‌برداري، مي‌توان به نتايج دقيق‌تري در كاليبراسيون مدل‌هاي ترافيكي دست يافت و هزينه و زمان جمع‌آوري داده‌ها را به طور قابل ‌توجهي كاهش داد.

1403/10/16

Investigating the effect of bias in sampling on the calibration of Fundamental traffic diagrams

10/6/2025 12:00:00 AM

Traffic studies play a fundamental role in improving urban life quality and can contribute to sustainable urban development by reducing environmental and economic problems associated with traffic. Optimizing traffic flow through traffic modeling is an effective tool for managing congestion and enhancing existing infrastructure. One of the key methods in this field is the use of fundamental traffic diagrams, which depict the relationship between three macroscopic traffic parameters: speed, flow, and density. This study investigates the effects of sampling bias on the calibration of fundamental traffic diagrams. In this regard, different sampling bias scenarios were analyzed and calibrated using domestic and external datasets, employing the single-regime Van Aerde model. The results indicated that biasing samples towards free-flow traffic conditions, while initially resulting in lower calibration errors, fails to accurately estimate key model parameters, such as jam density and capacity, due to the unbalanced data distribution. Further analysis revealed that a well-distributed sampling across all traffic regimes significantly improves calibration accuracy. For the external dataset with 380 observations, the accuracy of jam density and capacity estimates increased by 74% and 85%, respectively, while for the domestic dataset with 280 observations, the improvements were 97% and 96%, respectively. Additionally, the analysis of the effects of sampling time and day on the calibration of fundamental diagrams for both datasets showed that data collected from regular weekdays during peak morning and evening traffic hours resulted in the lowest total relative absolute error for estimating the four model parameters. In conclusion, this thesis demonstrates that by defining optimal conditions for sampling, more accurate results in the calibration of traffic models can be achieved, significantly reducing the cost and time of data collection.

دياگرام‌هاي اساسي ترافيك , كاليبراسيون مدل‌هاي ترافيكي , سوگيري در نمونه‌برداري , داده‌هاي لوپ‌هاي القايي

Fundamental Traffic Diagrams , Traffic Model Calibration , Sampling Bias , Inductive Loop Data

malihe sadat masoumi

reza golshan khavas-ali tavakoli kashani