مدل برآورد ماتریس‌های مبدأ و مقصد در مدل تخصیص دینامیکی در شرایط اشباع

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

2 دانشجوی کارشناسی‌ ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

10.22034/tri.2021.270946.2860

چکیده

روند کاربرآورد ماتریس‌های مبدأ و مقصد به این صورت است که در ابتدا یک ماتریس اولیه در نظر گرفته می شود که به کمک نرم‌افزار" transims " به شبکه تخصیص دینامیکی داده می‌شود تا احجام دینامیکی حاصل شوند و با احجام مشاهده‌شده در در حالت واقعی مقایسه ‌شوند و تفاوت آنها در مراحل بعدی اصلاح ‌گردد. اکثر مطالعاتی که تاکنون صورت گرفته، بر روی ارائه روش‌های جدیدی برای حل این مسئله تمرکز داشته‌ است و با توجه به پیچیدگی‌های موجود در بحث پیاده‌سازی تخمین ماتریس مبدأ و مقصد در محیط واقعی، کمتر به آن پرداخته‌شده است. در این پژوهش، مدل‌سازی این فرآیند دوسطحی در قالب مطالعه موردی شهر واتربری در ایالت کانکتیکت آمریکا (بدلیل دسترس بودن داده‌ها و شبکه عبور ‌و ‌‌مرور دارای ازدحام این شهر)، تخصیص دینامیکی به کمک نرم‌افزار" transims" که دارای توانمندی در استفاده برای مد های مختلف حمل‌ونقلی و همچنین دارا بودن قابلیت اعمال تغییرات در برنامه (متن‌باز))برای استفاده کنندگان می‌باشد، انجام گرفته است. تخمین ماتریس مبدأ و مقصد در شرایط اشباع به کمک الگوریتم فیلتر کالمن و رویکرد حداقل مربعات خطا انجام شده است و همچنین کدنویسی تمامی فرآیند تخمین ماتریس مبدأ و مقصد به زبان C++ ، صورت گرفته است. در انتها مراحل تکرارشونده، میزان خطای حجم کمان‌ها برای تأیید فرآیند تخمین ماتریس مبدأ و مقصد، با استفاده از روش حداقل مربعات خطا حاصل شده است، که با استفاده از آن و اعمال شرط تأیید فرآیند، ماتریس مبدأ و مقصد بهینه ای حاصل می‌شود که نزدیک به نتایج حاصل شده از حجم های مشاهده شده در محیط واقعی است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation model of origin and destination matrices in the dynamic assignment model under congestion conditions

نویسندگان [English]

  • Shahriar Afandizadeh 1
  • Mohammad Nemati Jahan 2
1 Professor, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
2 M.Sc., Student, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده [English]

The process of estimating the origin and destination matrices is that first there is an initial matrix that is given to the dynamic assignment network with the help of transims software so that the dynamic volumes are obtained and compared with the observed volumes in reality and their differences are corrected in later steps. Most studies to date have focused on providing new methods for problem solving, and due to the complexities of discussing the implementation of origin and destination matrix estimation in the real environment, less attention has been paid to it. In this research, modeling of this bi-level process in the form of a case study of Waterbury City (due to the availability of data and congested traffic network), dynamic assignment using transims software that is powerful in various transportation discussions and also has the ability to make changes to the program. The origin and destination matrix estimation in saturation conditions is performed using the Kalman filter algorithm and the least squares error approach (widely used and powerful in large-scale and saturation networks), as well as coding the entire origin and destination matrix estimation process. In the language of C++, is the innovation of this research. At the end of the iterative steps, the amount of arc volume error to confirm the process of estimating the source and destination matrix is obtained using the least squares error method, which is used to apply the process confirmation condition, the optimal source and destination matrix is obtained that close The results of the volumes observed in the real environment

کلیدواژه‌ها [English]

  • Dynamic Assignment
  • Origin and Destination Matrix Estimation
  • Bi-Level Approach
  • Kalman Filter Method
  • Least squares
  • Bell, M. G., (1991), “The Real Time Estimation of Origin-Destination Flows in The Presence of Platoon Dispersion”, Transportation Research Part B: Methodological, 25(2-3), pp.115-125.

 

  • Bierlaire, M., & Crittin, F., (2004), “An Efficient Algorithm for Real-Time Estimation and Prediction of Dynamic OD Tables”, Operations Research, 52(1), pp.116-127.

 

  • Cascetta, E., & Russo, F. (1997), “Calibrating Aggregate Travel Demand Models with Traffic Counts: Estimators and Statistical Performance”, Transportation, 24(3), pp.271-293.

 

  • Cascetta, E., (1984), “Estimation of Trip Matrices from Traffic Counts and Survey Data: A Generalized Least Squares Estimator. Transportation Research Part B: Methodological”, 18(4-5), pp.289-299.
  • Cascetta, E., Inaudi, D., & Marquis, G. (1993), “Dynamic Estimators of Origin-Destination Matrices Using Traffic Counts”, Transportation Science, 27(4),
    363-373.
  • Cremer, M., & Keller, H., (1987), “A New Class of Dynamic Methods for The Identification of Origin Destination Flows”, Transportation Research Part B: Methodological, 21(2), pp.117-132.
  • Dixon, M. P., & Rilett, L. R., (2002), “Real Time OD Estimation Using Automatic Vehicle Identification and Traffic Count Data, Computer Aided Civil and Infrastructure Engineering”, 17(1), pp.7-21.
  • Fallah, Ali and Shetab Bushehri, Seyed Nader and Takbiri, Behrooz and Ebrahimi, Ali, (2012), “Estimation and Update of Destination Source Matrix for Large Transport Networks Using Bayesian Networks and by Counting the Volume of Arc Traffic”, Twelfth Conference Between International Transport and Traffic Engineering, Tehran.
  • Frederix, R., Viti, F., Corthout, R., & Tampère, C. M., (2011), “New Gradient Approximation Method for Dynamic
    Origin–Destination Matrix Estimation on Congested Networks”, Transportation Research Record, 2263(1), pp.19-25.
  • Maher, M. J., (1983), “Inferences on Trip Matrices from Observations on Link Volumes: A Bayesian Statistical Approach”, Transportation Research Part B: Methodological, 17(6), pp.435-447.
  • Perrakis, K., Karlis, D., Cools, M., Janssens, D., Vanhoof, K., & Wets, G., (2012), “A Bayesian Approach for Modeling Origin–Destination matrices”, Transportation Research Part A: Policy and Practice, 46(1), pp.200-212.
  • Shariat Mahimani, Afshin and Rafiei, Mohammad Reza, (2016), “Dynamic Estimation of Origin-Destination Matrix of Highway Corridors Using Traffic Volumes”, 16th International Conference on Transportation and Traffic Engineering,
  • Tavana, H., (2001), “Internally-Consistent Estimation of Dynamic Network
    Origin-Destination Flows From Intelligent Transportation Systems Data Using Bi-Level Optimization (Doctoral Dissertation)”.

 

 

 

 

 

 

 

 

 

 

 

 

  • Welch, G., & Bishop, G., (1995), “An Introduction to the Kalman Filter”.
  • Yang, H., Sasaki, T., Iida, Y., & Asakura, Y., (1992), “Estimation of Origin-Destination Matrices from Link Traffic Counts on Congested Networks”, Transportation Research Part B: Methodological, 26(6), pp.417-434.
  • Zhou, X., & Mahmassani, H. S., (2006), “Dynamic Origin-Destination Demand Estimation Using Automatic Vehicle Identification Data”, IEEE Transactions on Intelligent Transportation Systems, 7(1), pp.105-114.
  • Zhou, X., (2004), “Dynamic
    Origin-Destination Demand Estimation and Prediction For Off-Line and On-Line Dynamic Traffic Assignment Operation (Doctoral Dissertation)”.