924 views
پیشینه تحقیق روشهای مدلکردن ترافیک و روش های تخمین ماتریس تقاضای سفر دارای ۳۰ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
۱- مقدمه ۴
۲- روشهای مدلکردن ترافیک ۵
۳- تخمین ماتریس تقاضای مبدأ-مقصد با استفاده از رویکرد استنباط آماری ۱۱
۳-۱- حداکثر احتمال ۱۱
۳-۲- حداقل مربعات ۱۲
۳-۳- استنباط بیزین ۱۴
۴- تعیین تعداد و محل شمارشگرهای ترافیکی ۱۷
مراجع ۲۶
[۲] Abrahamsson, T., “Estimation of origin-destination matrices using traffic counts–a literature survey”, IIASA Interim Report IR-98-021/May, Vol., 1998.
[۳] Castillo, E., Menendez, J.M., and Sanchez‐Cambronero, S., “Traffic estimation and optimal counting location without path enumeration using Bayesian networks”, Computer‐Aided Civil and Infrastructure Engineering, Vol. 23, pp. 189-207, 2008.
[۵] Spiess, H., “A maximum likelihood model for estimating origin-destination matrices”, Transportation Research Part B: Methodological, Vol. 21, pp. 395-412, 1987.
[۶] Snickars, F., and Weibull, J.W., “A minimum information principle: theory and practice”, Regional Science and Urban Economics, Vol. 7, pp. 137-168, 1977.
[۷] Van Zuylen, H.J., and Willumsen, L.G., “The most likely trip matrix estimated from traffic counts”, Transportation Research Part B: Methodological, Vol. 14, pp. 281-293, 1980.
[۸] Fisk, C., “On combining maximum entropy trip matrix estimation with user optimal assignment”, Transportation Research Part B: Methodological, Vol. 22, pp. 69-73, 1988.
[۹] Fisk, C., “Trip matrix estimation from link traffic counts: the congested network case”, Transportation Research Part B: Methodological, Vol. 23, pp. 331-336, 1989.
[۱۰] Fisk, C.S., and Boyce, D.E., “A note on trip matrix estimation from link traffic count data”, Transportation Research Part B: Methodological, Vol. 17, pp. 245-250, 1983.
[۱۱] Kawakami, S., Lu, H., and Hirobata, Y., “Estimation of origin-destination matrices from traffic counts considering the interaction of the traffic modes”, Regional Science, Vol. 71, pp. 139-151, 1992.
[۱۲] Nguyen, S., Estimating an OD Matrix from Network Data: a Network Equilibrium Approach, Montreal: University of Montreal, Center of Transportation Research, Report CRT-60, 1977.
[۱۳] Chen, Y., and Adviser-Florian, M., Bilevel programming problems: analysis, algorithms and applications, University of Saskatchewan, 1994.
[۱۴] Denault, L., Investigation of adjustment of origin-destination matrices using traffic counts, The Center of Transportation Research, University of Montreal, Report CRT-991, 1994.
[۱۵] Drissi-Kaitouni, O., and Lundgren, J.T., Bilevel origin-destination matrix estimation using a descent approach, Department of Mathematics, Institute of Thechnology, Sweden, 1992.
با توجه به اهمیت ماتریس تقاضای مبدأ-مقصد در مدیریت حملونقل شهری و برونشهری، در دهههای اخیر تلاشهای زیادی در جهت برآورد این ماتریس صورت گرفتهاست. همانگونه که در فصل قبل گفتهشد، دو روش مستقیم و غیرمستقیم جهت تعیین ماتریس تقاضای مبدأ-مقصد وجود دارد که به دلیل هزینهبر بودن روشهای مستقیم و با توجه به محدودیت بودجهی مدیریت حملونقل، روشهای غیرمستقیم و به ویژه روش تخمین این ماتریس با استفاده از شمارش حجم جریان برخی کمانها، مورد توجه پژوهشگران قرار گرفتهاست.
به طور کلی روشهای تخمین ماتریس تقاضای مبدأ-مقصد با استفاده از شمارش حجم جریان برخی کمانها را میتوان به سه دسته تقسیم کرد. دستهی اول، روشهای مبتنی بر مفاهیم مدل کردن ترافیک[۱] است، که این روشها خود شامل مدلهای حداکثر آنتروپی[۲] (حداقل اطلاعات) و مدلهای ترکیبی تخصیص-توزیع[۳] میباشند. تخمین ماتریس تقاضای مبدأ-مقصد با حل مستقیم (F1، مقدار آنتروپی) و یا با تخمین پارامترهای مدل ترکیبی انجام میگیرد. دستهی دوم، روشهای مبتنی بر مفاهیم استنتاج آماری[۴] است که این روشها خود شامل مدل حداکثر درستنمایی[۵]، روش عمومی حداقل مربعات[۶] و روشهای استنتاج بیزین[۷] میباشد. در این روشها فرض بر این است که مقادیر حجم جریان کمانهای شمارش شده و همچنین ماتریس تقاضای سفر هدف توسط توزیع احتمالی، تولید میشوند و در نتیجه ماتریس تقاضای سفر با تخمین پارامترهای توزیع احتمالی تعیین میگردد [۲]. در اکثر روشهای مدل کردن ترافیک، یک ماتریس تقاضای سفر قدیمی را به عنوان یک ماتریس اولیه در نظر گرفته و به کمک آن ماتریس تقاضای سفر را برای زمان حال تخمین میزنند. در روشهای مبتنی بر توزیع احتمالی، غالباً ماتریسهای تقاضای سفری را که با استفاده از جمعآوری اطلاعات سفرهای مبدأ-مقصد بهدست آمده و نیازمند اصلاح است، تصحیح میکنند. دستهی سوم، روشهای مبتنی بر گرادیان[۸] است که در این روشها ماتریس تقاضای مبدأ-مقصد اولیه به صورت یک جواب اولیه برای مسألهی برآورد ماتریس تقاضای مبدأ-مقصد در نظر گرفته میشود، و بر اساس گرادیان تابع هدف و محاسبات تکرار شونده، ماتریس تقاضای سفر اولیه با بازتولید حجم ترافیک کمانهای شمارش شده، اصلاح میگردد.
در ادامهی این مقاله در بخش ۲ مروری بر فعالیتهای صورت گرفته در زمینهی تخمین ماتریس تقاضای سفر با استفاده از روش شمارش حجم جریان برخی کمانها خواهدشد. در بخش ۳ روشهای تخمین ماتریس تقاضای سفر به کمک استنتاجهای بیزین و با استفاده از اطلاعات حجم جریان تعدادی از کمانهای شبکهی حملونقل ارائه میشود، و در بخش ۴ روشهای تعیین تعداد و محل شمارشگرهای جریان ترافیکی تشریح میگردد.
با توجه به اینکه اطلاعات بهدست آمده از شمارش حجم جریان تعدادی از کمانهای شبکهی حملونقل برای تعیین یک ماتریس تقاضای سفر منحصربهفرد کافی نیست، بنابراین استفاده از یک ماتریس تقاضای مبدأ-مقصد اولیه Tij که در گذشته با استفاده از روشهای مستقیم بهدست آمدهاست و میتواند اطلاعات مفیدی راجعبه میزان حجم سفرهای بین ناحیهای در اختیار قرار دهد، بسیار حائز اهمیت میباشد.
اسپایس[۹] در سال ۱۹۸۷ ماتریس تقاضای مبدأ-مقصد را از کمینه کردن تابع Y بهدست آورد [۵] :
عبارت ۲-۱ تابع حداکثر آنتروپی است و به عبارت دیگر ماتریس تقاضای سفری که مقدار تابع Y را کمینه میکند، حجم جریان ترافیک کمانهای مشاهده شده را بازتولید مینماید. با کمینه کردن عبارت ۲-۱ رابطهی ۲-۲ حاصل میگردد [۶].
در این رابطه la ضرایب لاگرانژ مربوط به محدودیتهایی میباشد که حجم جریان کمان a از مجموعه کمانهای شمارش شده را به ماتریس تقاضای مبدأ-مقصد مرتبط میکند. ، نسبت حجم جریان بین زوج مبدأ-مقصد(i,j) است که از کمان a عبور میکند. عبارت ۲-۲ با فرض تخصیص نسبی یعنی های ثابت برقرار است. حجم جریان ترافیکی کمان a نیز از رابطهی زیر بهدست میآید.
در روشهای مدلکردن ترافیک، به طور مستقیم یا غیرمستقیم فرض میشود که رفتار مسافرین از نوعی مدل توزیع سفر تبعیت میکند. ون زویلن[۱۰] و ویلیامسن[۱۱] در سال ۱۹۸۰ دو مدل مهم از این نوع را ارائه کردند [۷]. مدلهای ون زویلن و ویلیامسن بر اساس اصول حداکثر آنتروپی، که از مدلهای توزیع سفر نوع جاذبه منجر میشوند، بهدست میآیند.
فیسک[۱۲] [۸] مدل حداکثر آنتروپی ون زویلن و ویلیامسن را با در نظر گرفتن شرایط تعادل استفاده کننده به عنوان محدودیت برای شبکههای شلوغ توسعه داد. مدل پیشنهادی وی یک ساختار دو سطحی[۱۳] دارد که آنتروپی را روی سطح بالایی بیشینه میکند و مسئلهی تعادل استفاده کننده را روی سطح پایینی حل میکند.
فیسک در مقالهی دیگری در سال ۱۹۸۹ ثابت میکند که اگر الگوی حجم جریان ترافیک مشاهده شده یک الگوی جریان تعادلی استفاده کننده باشد، مدل آنتروپی توسعهیافتهی وی راه حلی همانند مدل ترکیبی توزیع-تخصیص سفر خواهد داشت [۹]. همچنین الگوریتمهای حل کارایی برای حل روشهای ترکیبی در مقالهی فیسک و بویس[۱۴] ارائه گردیدهاست [۱۰].
کاواکامی[۱۵] و همکارانش [۱۱] در سال ۱۹۹۲ مدل ترکیبی فیسک و بویس را برای دو گونه سفر وسیله نقلیه شخصی و کامیون توسعه دادند. آنها مدل خود را برای یک شبکهی حملونقل با مقیاس متوسط (شهر ناگویای[۱۶] ژاپن) اجرا کردند. اگرچه برای این شبکهی حملونقل یک ماتریس تقاضای سفر اولیه وجود داشت، اما به دلیل اینکه مدل آنها تأثیر این ماتریس را لحاظ نمیکند، از آن استفاده نگردید.
نگوین در سال ۱۹۹۷ [۱۲] برای اولین بار دو روش بر مبنای تعادل استفاده کننده ارائه کرد. مدل اول برای مواقعی است که حجم جریان در همهی کمانها موجود باشد، و مدل دوم برای مواقعی است که تنها اطلاعات کوتاهترین زمان سفر بین تمام زوج مبدأ-مقصدها در دسترس باشد.
روشهایی که توانایی تخمین ماتریس تقاضای سفر برای شبکههای بزرگ را دارند، دارای یک وجه مشترک میباشند، و آن ساختار دو سطحی مسائل تعریف شده در هریک از این روشها است. در مسائل دو سطحی، مسئلهی تخمین ماتریس تقاضای سفر در سطح بالایی و مسئلهی تخصیص ترافیک تعادلی در سطح پایینی حل میشود. این دو مسئله به یکدیگر وابسته هستند، به طوری که مسئلهی تخصیص ترافیک تعادلی بعد از تخمین ماتریس تقاضای سفر در سطح بالایی حل میشود و مسئلهی سطح بالایی با توجه به مقادیر ترافیک کمانها که از حل مسئلهی تخصیص در سطح پایینی بهدست آمدهاست، حل میگردد.
[۱] Traffic Modeling
[۲] Entropy Maximizing
[۳] Assignment – Distribution
[۴] Statistical Inference
[۵] Maximum Likelihood
[۶] Generalized Least Squares
[۷] Bayesian Inference
[۸] Gradient
[۹] Spiess
[۱۰] Van Zuylen
[۱۱] Willumsen
[۱۲] Fisk
[۱۳] Bisection Structure
[۱۴] Boyse
[۱۵] Kawakami
[۱۶] Nagoya
تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ را پرداخت نمایید.
ارسال نظر