الماسی, سید احمد, خبیری, محمدمهدی, ارباب پور بیدگلی, محمد, فانی, امیرحسین. (1397). برآورد تقاضای سفر جاده ای با استفاده از روش های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران). پژوهشنامه حمل و نقل, (), -.
سید احمد الماسی; محمدمهدی خبیری; محمد ارباب پور بیدگلی; امیرحسین فانی. "برآورد تقاضای سفر جاده ای با استفاده از روش های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران)". پژوهشنامه حمل و نقل, , , 1397, -.
الماسی, سید احمد, خبیری, محمدمهدی, ارباب پور بیدگلی, محمد, فانی, امیرحسین. (1397). 'برآورد تقاضای سفر جاده ای با استفاده از روش های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران)', پژوهشنامه حمل و نقل, (), pp. -.
الماسی, سید احمد, خبیری, محمدمهدی, ارباب پور بیدگلی, محمد, فانی, امیرحسین. برآورد تقاضای سفر جاده ای با استفاده از روش های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران). پژوهشنامه حمل و نقل, 1397; (): -.
برآورد تقاضای سفر جاده ای با استفاده از روش های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران)
3دانشگاه صنعتی امیرکبیر، گروه مهندسی عمران و محیط زیست،ایزان
4دانشگاه صنعتی امیرکبیر، گروه مهندسی عمران و محیط زیست،ایران
چکیده
سفر یکی از وجوه مهم زندگی بشر بوده و از مهمترین فعالیتهای ادواری (یا غیر ادواری) محسوب میشود. به همین دلیل، طی سالیان دراز، شیوههای مختلفی برای تأمین این نیاز جوامع ابداعشده است. سیستم حملونقل نیز مانند بسیاری از سیستمهای صنعتی متأثر از روابط عرضه و تقاضا بوده و هرگونه اقدامی در این حوزه باید با توجه به روابط موجود و روندهای آینده عرضه و تقاضا برنامهریزی گردد. در این پژوهش با استفاده از 3 روش مدلسازی رگرسیون خطی ساده، رگرسیون چند متغیره و شبکه عصبی پرسپترون چندلایه به پیش بینی تقاضای سفر محور قم-تهران(آزادراه) پرداخته شده است اطلاعات مورد استفاده در این تحقیق شامل اطلاعات مرکز آمار کشور، سالنامه های آماری و همچنین اطلاعات تردد شمار محور قم-تهران میباشد متغیرهای مستقل در روش رگرسیون چند متغیره و شبکه عصبی شامل جمعیت، جمعیت شاغل، میزان درآمد بوده و در مدل رگرسیون خطی ساده جمعیت میباشد. نتایج مطالعه نشان میدهد که همبستگی پیرسون بین متغیرهای در نظر گرفته شده در روش های شبکه عصبی، رگرسیون چند متغیره، رگرسیون خطی به ترتیب 995/0، 93/0، 723/0 بوده و میزان موفقیت هریک از مدل های مذکور در برآورد متغیر وابسته(تقاضای سفر) به ترتیب 99/0، 853/0، 541/0 بوده است. مقایسه روش ها نشان داده است که روش شبکه عصبی بیشترین همبستگی و دقت و روش رگرسیون خطی ساده کمترین همبستگی و دقت در برآورد تقاضا دارد.
Estimating the travel demand for road traffic using regression and neural network methods (Case study: Qom-Tehran Freeway)
نویسندگان [English]
Seyed Ahmad Almasi1؛ Mohammad Mehdi Khabiri2؛ Mohammad Arbabpour Bidgoli3؛ Amir Hosien Fani4
1Engineering Faculty, Yazd University, Yazd, Iran
2Civil Engineering Faculty,Yazd University
3Department of Civil and Environmental Engineering, Amirkabir University of Technology,Iran
4Department of Civil and Environmental Engineering, Amirkabir University of Technology,Iran
چکیده [English]
Travel is one of the most important aspects of human life and is one of the most important periodic (or non-periodic) activities. For this reason, over the years, various ways have been devised to meet this need of communities. Similar many industrial systems, the transportation system is affected by supply and demand relations, and any action in this area should be planned according to existing relationships and future trends of supply and demand. In this research, using 3 Models: simple linear regression, multivariate regression and multi-layered perceptron neural network models for forecasting traffic demand of Qom-Tehran (freeway) axis was studied. The data used in this research include the Iranian Statistical Center, statistical manuals and Qom traffic information. Independent variable in multivariate regression and neural network including population, working population, income level and simple linear regression model of population. The results of this study show that Pearson correlation between variables considered in neural network methods, multivariate regression, linear regression was 0.995, 0. 933, and 0,723 respectively, and the success rate of each of these models in estimated dependent variable (travel demand) was 0.99, 0.885, and 0.541, respectively. Comparison of methods has shown that the neural network method has the highest correlation and accuracy and simple linear regression method has the least correlation and precision in demand estimation.