برآورد تقاضای سفر جاده‌ای با استفاده از روش‌های رگرسیون و شبکه عصبی(مطالعه موردی:آزادراه قم-تهران)

نویسندگان

1 دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه یزد، ایران

2 دانشیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

3 دانش آموخته کارشناسی ارشد‌، گروه مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران

4 دانشجوی دکتری، گروه مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر، تهران، 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 دستگاه‌های 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 پیش‌بینی تقاضای سفر محور قم-تهران(آزادراه) پرداخته‌شده است اطلاعات مورداستفاده در این تحقیق شامل اطلاعات مرکز آمار کشور، سالنامه‌های 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 گرفته‌شده درروش‌های شبکه عصبی، رگرسیون چند متغیره، رگرسیون خطی به ترتیب 995/0، 93/0، 723/0 بوده و میزان موفقیت هریک از مدل‌های مذکور در برآورد متغیر وابسته (تقاضای سفر) به ترتیب 99/0، 853/0، 541/0 بوده است. مقایسه روش‌ها نشان داده است که روش شبکه عصبی بیشترین همبستگی و دقت و روش رگرسیون خطی ساده کمترین همبستگی و دقت در برآورد تقاضا دارد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Estimating the Travel Demand for Road Traffic using Regression and Neural Network Methods (Case study: Qom-Tehran Freeway)

نویسندگان [English]

  • S.A. Almasi 1
  • M. M. Khabiri 2
  • M. Arbabpour Bidgoli 3
  • A.H. Fani 4
1 M.Sc. Grad., Department of Civil Engineering, Yazad University
2 Associate Professor, Engineering Faculty, Yazd University, Yazd, Iran
3 M.Sc. Grad., Department of Civil and Environmental Engineering, Amirkabir University of Technology, Tehran, Iran
4 Ph.D. Student, Department of Civil and Environmental Engineering, Amirkabir University of Technology, Tehran, 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 are 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) were 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.
 

کلیدواژه‌ها [English]

  • Travel Demand
  • forecast
  • Neural Network
  • Regression
  • Freeway

- افندی زاده زرگری، ش. و رحیمی، الف.، (1389)، "مدل تحلیل عاملی برای انتخاب عوامل مؤثر بر تقاضای سفر با اتوبوس­های بین شهری"، پژوهشنامه حمل‌ونقل، سال هفتم، شماره اول، ص. 1-10.

-افندی­زاده، ش. مومن پور، الف.، (1393)، "تحلیل تقاضای سفر با رویکرد به مدل شبکه عصبی و روش رگرسیون، بررسی موردی محور (­خلخال – اردبیل)، چهاردهمین کنفرانس بین المللی مهندسی حمل‌ونقل و ترافیک، ص.14.

-حاج شیر محمدی، ع. (1385)، "­اصول برنامه‌ریزی و کنترل تولید و موجودی­ها"، چاپ سوم، انتشارات ارکان دانش، ص. 15-25.

-جمیلی، الف. (1386)، "مدل برآورد تقاضای حمل‌ونقل ریلی مسافر"، نهمین همایش حمل‌ونقل ریلی، انجمن مهندسی حمل‌ونقل ریلی ایران، تهران، آبان 1386، دانشگاه علم و صنعت، ص.30-25.

- سالنامه آماری وزارت راه و شهرسازی،1395.

- شادینا، ه. (1383­)، "شبکه عصبی و کاربرد تجزیه و تحلیل داده‌ها در علوم پزشکی"، تهران، مرکز ملی تحقیقات علوم پزشکی، ص.14.

- شهرابی، ج. و موسوی، س الف.، (1387)، "ارائه یک مدل شبکه عصبی جهت پیش‌بینی تقاضا در زنجیره تامین با رویکرد داده کاوی"، دومین کنفرانس داده کاوی ایران، تهران، ص.13.

-عزتی، ا و عاقلی، ح.، (1384)، برآورد کشش­های تقاضای مسافر و بار در راه آهن جمهوری اسلامی ایران، فصلنامه حمل‌ونقل شماره 3، ص. 20-28.

- قربانی، ع. (1387)، "برآورد تابع تقاضای سفر در زیر بخش ریلی کشور"، رساله کارشناسی ارشد دانشگاه تهران، ص. 71-83.

- لهراسبی، الف. و میزانی، س.، (1386)، "ارایه مدلی جهت پیش‌بینی تقاضا در حمل‌ونقل ریلی"، نهمین همایش حمل‌ونقل ریلی، انجمن مهندسی حمل‌ونقل، تهران، آبان 1386، دانشگاه علم و صنعت، ص. 35-72.

- مرکز آمارایران، (1397)، سایت.

- منهاج، م.، (1386)، " مبانی شبکه‌های عصبی"، چاپ چهارم، انتشارات دانشگاه صنعتی امیر کبیر، ص.7.

- Arentze, T. A., Ettema, D. and Timmermans, H. J. P. (2011), “Estimating a model of dynamic activity generation based on one-day observations: Method and results“, Transportation Research Part B, Vol. 45, pp.447-460.

-Fallah N, Mitnitski A, Rockwood K. (2011),"Applying neural network Poisson regression to predict cognitive score changes", Journal of Applied Statistics. 38: pp.2051–2062.

-Biglarian A, Babayee GH, Azmi R. (­2004)," Application of artificial neural network model to Determine the most important predictors of inhospital mortality after open-heart surgery and comparison with logistic regression model". Modares Journal of Medical Sciences.; 7: pp.23-29.

-Folgieri, R. T. Baldigara, M. Mamula (2017), “Artificial Neural Networks-Based Econometric", ToSEE – Tourism in Southern and Eastern Europe, Vol. 4, pp. 169-182.

-Jenkis, H., Abbie, M. and Everest, J. J., (1981), Rail and Travel between Londaon and Scotland: Analsis of Methods, TRR Report, 978, N.116.pp.978-999.

-Guastello, S. J. (2004), “Progress in applied nonlinear dynamics: Welcome to NDPLS. Psychologyand Life Sciences, 8, pp.1-16.

-Guo, J. Y. and Bhat, C. R. (2001), “Representation and analysis plan and data needs analysis for the activity-travel system“, Research Report 0-4080-1, Center for Transportation Research, The University of Texas at Austin, USA.

-Rasouli, M., Nikraz, H. (2013), “Trip Distribution Modelling Using Neural Network”, Australasian Transport Research, pp.372-398.

-Sadat Hashemi M, Kazem Nejad A, Kavehee B. (­2003), " Application of artificial neural networks in predicting pregnancy and compared them with conventional statistical methods". Journal of Shaeed Sdoughi University of Medical Sciences Yazd.; 11; pp.10-15.

-Sedehi M, Mehrabi Y, Kazemnejad A, Hadaegh F. (­2010), "Comparison of Artificial Neural Network, Logistic Regression and Discriminant Analysis Methods in Prediction of Metabolic Syndrome ", Iranian Journal of Endocrinology and Metabolism.;11(6).

Thomas, M. S. C. (2003), “Multiple causality in developmental disorders: Methodological implications from computational modeling”. Developmental Science, 6(5), pp.537-556.

-Tsai, T. H., et al. (2009), "Neural network based temporal feature models for short-term railway --passenger demand forecasting." Expert Systems with Applications 36(2): pp.3729-3736.

-Viglioni, G. M. (2007), "Methodology for Railway Demand Forecasting Using Data Mining. SAS Global Forum" Orlando, United States, pp.71-93.

-Zenina, H. (­2017), "­Transport Travel Demand Model Development Based on Machine Learning and Simulation Methods". RTU Press: Riga Technical University, p.44.

- Zhao, Sh, et al. (2011), “A new approach to the prediction of passenger flow in a transit system”, Computers and Mathematics with Applications 61, pp.1968–1974.