پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

مدل بهینه‌سازی توزیع زمانی سفرها در تخصیص ترافیک پویا

نوع مقاله : مقاله پژوهشی

نویسندگان
شهریار افندی زاده 1
احمد عبادی 2
نوید کلانتری 3
حمید بیگدلی راد 4
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
3 دانش‌آموخته دکترا، مدیر مشاور، AECOM - واشنگتن، آمریکا
4 دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
10.22034/tri.2023.391962.3143
چکیده
رشد سریع شهری منجر به افزایش تقاضای سفر و همچنین افزایش مالکیت وسایل نقلیه خصوصی شده و زیرساخت‌های موجود نتوانسته است با اثرات تقاضا و تراکم ترافیک مطابقت داشته باشد. با افزایش تراکم ترافیک، تأخیر مسافران افزایش و قابلیت اطمینان شبکه کاهش می‌یابد. در تحلیل سیستم‌های حمل‌ونقل، تخمین و تحلیل تقاضای سفر برای دستیابی به سیستم حمل‌ونقلی کارا و مؤثر، اهمیت ویژه‌ای دارد و برآورد و اصلاح ماتریس‌های تقاضا امری بسیار مهم است که با بهره‌گیری از دقت و جزئیات بیشتر در برآورد آن‌ها به نتایج قابل‌اعتمادتر و کاربردی‌تر می‌توان دست‌یافت. در مسئله برآورد و اصلاح ماتریس به‌خصوص در شبکه‌های متراکم، به‌کارگیری مدل‌های شبیه‌سازی باعث افزایش قابل‌توجه دقت مدل‌سازی می‌شود. در این پژوهش هدف بهینه‌سازی ضرایب توزیع زمانی ماتریس تقاضا در گام‌های 15 دقیقه برای کل بازه مطالعات است. رویکرد دوسطحی برآورد ماتریس تقاضای سفر از ماتریس‌های پیشین که ماتریس‌های استاتیک مطالعات جامع می‌باشد، استفاده شده است. در سطح بالا به‌وسیله مدل‌های ترکیبی گوسی ضرایب را تولید نموده و از الگوریتم بهینه‌سازی بر مبنای یادگیری و آموزش در بهینه‌‍سازی استفاده می‌نماید. تابع هدف کمینه‌کردن خطا از طریق مقدار RMSE  است. از ایستگاه‌های استفاده نشده، برای اعتبارسنجی مدل استفاده می‌شود که ضریب تشخیص  در کل بازه‌ها و کل ایستگاه‌ها مقدار 91/0 و در 3 بازه اوج مقدار 88/0 حاصل شده است که باتوجه‌ به رویکرد بهینه‌سازی با استفاده از ماتریس‌های پیشین به‌منظور تغییر زمان توزیع سفرها (شروع سفرها) نتایج نشان از عملکرد مناسب فرایند دوسطحی ارائه شده دارد.
کلیدواژه‌ها
توزیع زمانی سفر
تخصیص دینامیک Transims
بهینه‌سازی دوسطحی تقاضا
مدل ترکیبی گوسی

موضوعات

عنوان مقاله English

A Model for Optimizing the Time Distribution of Trips in Dynamic Traffic Assignment

نویسندگان English

Shahriar Afandizadeh 1
Ahmad Ebadi 2
Navid Kalantari 3
Hamid BigdeliRad 4
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.
3 Ph.D., Grad., Consulting Manager, AECOM, Washington, USA.
4 Ph.D., Candidate, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده English

Rapid urban growth has led to an increase in travel demand and private vehicle ownership, and the existing infrastructure has not been able to match the effects of demand and traffic congestion. As traffic density increases, passenger delays increase and network reliability decreases. In the analysis of transportation systems, estimation and analysis of travel demand have particular importance to achieve an efficient and effective transportation system. Estimating and correcting demand matrices is very important, and more reliable and practical results can be achieved by using more accuracy and details in their estimation. In the problem of matrix estimation and modification, especially in dense networks, the accuracy of models significantly increases by using simulation models. In this research, the goal is to optimize the time distribution coefficients of the demand matrix in 15-minute steps for the entire study period. A bi-level approach has been used to estimate the travel demand matrix from previous matrices, which are the static matrices of comprehensive studies. At the upper level, it produces coefficients by Gaussian mixture models and uses Teaching–Learning-Based Optimization algorithm to optimize. The objective function is to minimize the error through the RMSE value. Unused stations are used to validate the model, and the detection coefficient, R^2, in all intervals and stations is 0.91 and in the 3 peak periods, the value is 0.88, according to the optimization approach using previous matrices, to change the time distribution of trips (trips start), the results show the proper functioning of the presented bi-level process.

کلیدواژه‌ها English

Time Distribution of Trips
Transims Dynamic Assignment
Bi-Level Demand Optimization
Gaussian Mixture
Model
-Abdi, A., Mosadeq, Z., & Bigdeli Rad, H. (2020). Prioritizing Factors Affecting Road Safety Using Fuzzy Hierarchical Analysis. Journal of Transportation Research, 17(3), 33-44.
-Afandizadeh Zargari, S., Bigdeli Rad, H., & Shaker, H. (2019). Using Optimization And Metaheuristic Method To Reduce The Bus Headway (Case Study: Qazvin Bus Routes). Quarterly Journal of Transportation Engineering, 10(4), 833-849.
-Afandizadeh, S., & Bigdeli Rad, H. (2021). Developing A Model To Determine The Number of Vehicles Lane Changing on Freeways By Brownian Motion Method. Nonlinear Engineering, 10(1), 450-460.
-Ameri, A., Bigdeli Rad, H., Shaker, H., & Ameri, M. (2021). Cellular Transmission and Optimization Model Development To Determine the Distances Between Variable Message Signs. Journal of Transportation Infrastructure Engineering, 7(1), 1-16.
-Andersen, N.S., Chiarandini, M. And Debrabant, K. (2022). Dynamic Origin-Destination Matrix Estimation In Urban Traffic Networks. Arxiv Preprint Arxiv.00099
-Ballis, H., & Dimitriou, L. (2020). Revealing Personal Activities Schedules From Synthesizing Multi-Period Origin-Destination Matrices.  Transportation Research Part B: Methodological, 139, 224-258.
-Behara, K. N. S. (2019). Origin-Destination Matrix Estimation Using Big Traffic Data: A Structural Perspective (Doctoral Dissertation. Queensland University Of Technology).
-Cascetta, E. and Nguyen, S. (1988). A Unified Framework For Estimating or Updating Origin/Destination Matrices From Traffic Counts. Transportation Research Part B: Methodological, 22(6), 437–455.
-Cascetta, E. And Postorino, M.N. (2001). Fixed Point Approaches To The Estimation of O/D Matrices Using Traffic Counts on Congested Networks. Transportation Science, 35(2), 134–147.
-Cascetta, E., Inaudi, D. And Marquis, G. (1993). Dynamic Estimators of Origin-Destination Matrices Using Traffic Counts .Transportation Science, 27(4), 363–373.
-Chiu, Y. C. Et Al. (2010). A Primer For Dynamic Traffic Assignment. Transportation Research Board, 2–3.
-Garcia-Rodenas, R. And Verastegui-Rayo, D. (2008). A Column Generation Algorithm For The Estimation of Origin–Destination Matrices in Congested Traffic Networks. European Journal of Operational Research, 184(3), 860–878.
-He, Y., Zhao, Y., & Tsui, K. L. (2022). Short-Term Forecasting of Origin-Destination Matrix in Transit System Via A Deep Learning Approach. Transportmetrica A: Transport Science, 1-28.
-Kim, H., Baek, S. And Lim, Y. (2001). Origin-Destination Matrices Estimated With A Genetic Algorithm From Link Traffic Counts. Transportation Research Record, 1771(1), 156–163.
-Lee, K.-S. and Hobeika, A.G. (2007). Application of  Dynamic Value Pricing Through Enhancements To TRANSIMS. Transportation Research Record, 2003(1), 7–16.
-Lee, K.S., Eom, J.K. And Moon, D. S. (2014). Applications of TRANSIMS In Transportation: A Literature Review. Procedia Computer Science, 32, 769–773.
-Lundgren, J.T. and Peterson, A. (2008). A Heuristic For The Bilevel Origin–Destination-Matrix Estimation Problem .Transportation Research Part B: Methodological, 42(4), 339–354.
-Garcia-Rodenas, R. and D. Verastegui-Rayo (2008). A column generation algorithm for the estimation of origin–destination matrices in congested traffic networks. Eur. J. Oper. Res., Vol. 184, No. 3, 860–878.
-Maher, M.J. (1983). Inferences on Trip Matrices From Observations on Link Volumes: A Bayesian Statistical Approach. Transportation Research Part B: Methodological, 17(6), 435–447.
-Mahpour, A. and Rezaei-Arjarodi, A. (2022). Classification of Origin-Destination Matrix Estimation Methods In The Road Network. Road, Housing and Urban Development Research Center.
-Naser, M. And Birst, S.C. (2010). Mesoscopic Evacuation Modeling For Small-To Medium-Sized Metropolitan Areas. Mountain-Plains Consortium.
-Nguyen, S. (1984). Estimating Origin Destination Matrices From Observed Flows. Publication of: Elsevier Science Publishers BV [Preprint].
-Ortúzar, J.D. And Willumsen, L.G. (2011). Modelling Transport. 4th Edition, Wiley, H. (No Date) ‘No Title’.
-Rad, V. B., Najafpour, H., Shieh, E., & Rad, H. B. (2019). Questionnaire Design: Relation of  Physical Activity and Safety. Int. J. Architect. Eng. Urban Plan, 29(1), 113-123.
- Rao, R. V., Savsani,V. J. and Vakharia,  D. P. (2011). Teaching–learning-based optimization: a novel method for constrained mechanical design optimization problems. Comput. Des., Vol. 43, No. 3, 303–315.
-Rostami Nasab, M., & Shafahi, Y. (2020). Estimation Of Origin–Destination Matrices Using Link Counts and Partial Path Data. Transportation, 47(6), 2923-2950.
-Spiess, H. (1990). A Gradient Approach for the OD Matrix Adjustment Problem. A∈ ˆA, 1, 2-3.
-Tavana, H. (2001). Internally Consistent Estimation of Dynamic Network Origin-Destination Flows From Intelligent Transportation Systems Data Using Bi-Level Optimization. The University of Texas at Austin.
-Xia, Y., Hu, B., Xie, K., Tang, J., & Tai, H. M. (2019). An EV Charging Demand Model for the Distribution System Using Traffic Property. IEEE Access, 7, 28089-28099.
-Xiong, X., Ozbay, K., Jin, L., & Feng, C. (2020). Dynamic Origin–Destination Matrix Prediction With Line Graph Neural Networks and Kalman Filter. Transportation Research Record, 2674(8), 491-503.
-Yang, H. and Rakha, H. (2019). A Novel Approach For Estimation of Dynamic From Static Origin–Destination Matrices. Transportation Letters, 11(4), 219–228.
-Yang, H., Meng, Q. And Bell, M.G.H. (2001). Simultaneous Estimation of  the Origin-Destination Matrices And Travel-Cost Coefficient For Congested Networks in a Stochastic User Equilibrium. Transportation Science, 35(2), 107–123.
-Yaqoubi, M.M., And Rasafi, A.A. and Nouri, Z., (2020). Study of Static and Dynamic Traffic Assignment. 6th National Conference of Applied Researches In Civil Engineering, Architecture and Urban Management.
-Zakai-Ashtiani, H. and Mahmoudabadi, M. (2002). Correction of Origin-Destination Matrix With Volume Count Information (Mashhad City Case Study). Amirkabir Publication.
-Zuylen, H. J. Van and L. G. Willumsen (1980). The most likely trip matrix estimated from traffic counts. Transp. Res. Part B Methodol., Vol. 14, No. 3, 281–293.