استفاده از عوامل تصمیم گیری چند ویژگی برای یک انتساب ترافیک اصلاح شده همه یا هیچ

خلاصه

برای روشن کردن یک سناریوی تخصیص ترافیک واقعی، یک سیستم تصمیم گیری چند معیاره ضروری است. بنابراین یک مدل تخصیص ترافیک طراحی شده برای شبیه‌سازی موقعیت واقعی ممکن است از امپدانس مطلق و/یا نسبی استفاده کند. در حالت ایده‌آل، فرآیند تصمیم‌گیری باید مجموعه‌ای از امپدانس‌های ترافیکی (عواملی که بر خلاف جریان روان ترافیک کار می‌کنند) همراه با پارامترهای مربوطه را شناسایی کند تا سیستم تصمیم‌گیری بهینه‌ترین یا کم‌معناترین مسیر را انتخاب کند. در این مطالعه، ما الگوریتم‌های مکانی را توسعه دادیم که امپدانس‌های متعدد را در نظر می‌گیرند. امپدانس های مورد استفاده در این مطالعه شامل الگوهای ترافیکی، ظرفیت و تراکم بود. ویژگی‌های فرآیند تصمیم‌گیری نیز با اتخاذ روش اولویت‌بندی اول به اول، سناریوهای چند ترافیکی را اولویت‌بندی می‌کنند. ما همچنین امپدانس کلاسیک را به امپدانس نسبی یا امپدانس مطلق تقسیم کردیم. مزیت اصلی این مدل تخصیص سفر مبتنی بر امپدانس و چند ویژگی نوآورانه این است که می توان آن را به شیوه ای از رویکرد جبری برای استفاده از الگوریتم کوتاه ترین مسیر تعبیه شده در سیستم های اطلاعات جغرافیایی (GIS) – ابزار رابط کاربر گرافیکی پیاده سازی کرد. بنابراین، بسته GIS می تواند امپدانس چند ویژگی را به طور موثر مدیریت کند. علاوه بر این، روش مورد استفاده در این مقاله انعطاف‌پذیری و سازگاری بهتر با یک سیستم حمل‌ونقل چندوجهی را نشان می‌دهد. حمل و نقل، تدارکات، و رویدادهای تصادفی، مانند تروریسم، به راحتی با امپدانس مربوطه قابل تجزیه و تحلیل هستند. مدل تخصیص سفر مبتنی بر امپدانس این است که می‌توان آن را به روشی از رویکرد جبری برای استفاده از الگوریتم کوتاه‌ترین مسیر تعبیه‌شده در سیستم‌های اطلاعات جغرافیایی (GIS) – ابزار رابط کاربر گرافیکی پیاده‌سازی کرد. بنابراین، بسته GIS می تواند امپدانس چند ویژگی را به طور موثر مدیریت کند. علاوه بر این، روش مورد استفاده در این مقاله انعطاف‌پذیری و سازگاری بهتر با یک سیستم حمل‌ونقل چندوجهی را نشان می‌دهد. حمل و نقل، تدارکات، و رویدادهای تصادفی، مانند تروریسم، به راحتی با امپدانس مربوطه قابل تجزیه و تحلیل هستند. مدل تخصیص سفر مبتنی بر امپدانس این است که می‌توان آن را به روشی از رویکرد جبری برای استفاده از الگوریتم کوتاه‌ترین مسیر تعبیه‌شده در سیستم‌های اطلاعات جغرافیایی (GIS) – ابزار رابط کاربر گرافیکی پیاده‌سازی کرد. بنابراین، بسته GIS می تواند امپدانس چند ویژگی را به طور موثر مدیریت کند. علاوه بر این، روش مورد استفاده در این مقاله انعطاف‌پذیری و سازگاری بهتر با یک سیستم حمل‌ونقل چندوجهی را نشان می‌دهد. حمل و نقل، تدارکات، و رویدادهای تصادفی، مانند تروریسم، به راحتی با امپدانس مربوطه قابل تجزیه و تحلیل هستند. علاوه بر این، روش مورد استفاده در این مقاله انعطاف‌پذیری و سازگاری بهتر با یک سیستم حمل‌ونقل چندوجهی را نشان می‌دهد. حمل و نقل، تدارکات، و رویدادهای تصادفی، مانند تروریسم، به راحتی با امپدانس مربوطه قابل تجزیه و تحلیل هستند. علاوه بر این، روش مورد استفاده در این مقاله انعطاف‌پذیری و سازگاری بهتر با یک سیستم حمل‌ونقل چندوجهی را نشان می‌دهد. حمل و نقل، تدارکات، و رویدادهای تصادفی، مانند تروریسم، به راحتی با امپدانس مربوطه قابل تجزیه و تحلیل هستند.

کلید واژه ها:

امپدانس _ واگذاری ترافیک ؛ اختلال ؛ چند ویژگی ؛ انتخاب مسیر

چکیده گرافیکی

1. معرفی

یک مدل تخصیص ترافیک (TAM) از رویکردهای مختلفی در مسائل مقیاس با توجه به شبکه‌های حمل و نقل مدال استفاده می‌کند. از آنجایی که سیستم های حمل و نقل نقش مهمی در جابجایی کالا و افراد ایفا می کنند، یک TAM باید از نظر زمینه ای و علمی معتبر باشد. تعادل کاربر اولین اصل Wardrop [ 1 ] را فرا می‌خواند که می‌توان چنین حدس زد: در تعادل، هیچ سود یک‌طرفه‌ای برای راننده وجود ندارد که هزینه‌های سفر خود را با انتخاب مسیر امکان‌پذیر دیگری کاهش دهد . این را می توان به سادگی به عنوان تعادل زمان سفر برای انتخاب مسیر در نظر گرفت، که در آن هزینه سفر در مسیرهای انتخاب شده برابر است اما کمتر از هر مسیر استفاده نشده [ 1 ]]. در یک سناریوی تعادل کاربر معمولی، کاربر ممکن است مسیر حداقل هزینه را انتخاب کند. با این حال، از آنجایی که تعادل کاربر می تواند به دلیل مولفه های ادراکی تصادفی، مانند ترجیح کاربر، تجربه و زمان سفر متفاوت باشد، لازم است مسیرهای دیگری که ممکن است یک آستانه تعیین شده را برآورده کنند، شامل شود. برای محاسبه این تصادفی، تخصیص تعادل کاربر تصادفی می تواند مورد استفاده قرار گیرد زیرا تغییرات مسیر یک طرفه را شامل می شود. تحت سناریوی تخصیص تعادل کاربر تصادفی، مفروضات مختلفی را می توان بیان کرد: (الف) کاربران نمی توانند هزینه سفر را با تغییر مسیرها به دلیل محدود بودن اطلاعات موجود در آن لحظه خاص کاهش دهند. و (ب) تراکم را می توان به اندازه کافی با استفاده از یک تابع تاخیر محاسبه کرد [ 2 ، 3 ، 4 ، 5]. به این ترتیب، تعادل کاربر تصادفی به یک راه حل نقطه ثابت برای مشکل انتخاب مسیرها و زمان سفر از طریق شبکه تبدیل می شود. انتخاب کاربر بر اساس یک مدل سودمند تصادفی برای یک مدل تعادل کاربر تصادفی انجام می شود و زمان سفر پیوند به جریان پیوند بستگی دارد.

یکی از مدل‌های تخصیص ترافیک برای مدل تقاضای سفر در مقیاس بزرگ، تخصیص همه یا هیچ (AON) مبتنی بر مسیر با استفاده از الگوریتم کوتاه‌ترین مسیر Dijkstra است [ 6 ]. تخصیص AON تمام سفرهای وسیله نقلیه را به یک جفت مبدا و مقصد اختصاص می دهد که امکان پذیرترین مسیر واحد است. مزایای این روش وجود دارد؛ مهمترین عامل ایجاد شده توسط انسان (بهینه اجتماعی) است. وضعیت بهینه اجتماعی (ویژگی ماکروسکوپی) معمولاً برای برنامه ریزی حمل و نقل شبکه در مقیاس بزرگ استفاده می شود [ 7 ، 8 ]]، که در آن می توان حداکثر سود را با حداقل ریسک به دست آورد. با این حال، این کاملاً بر خلاف تخمین سفر کوتاه‌مدت در تعادل کاربر است، که در واقع می‌تواند وابستگی به زمان سفر (ویژگی میکروسکوپی) را با در نظر گرفتن جریان مبدا-مقصد و ظرفیت در نظر بگیرد [ 5 ]]. یک جریان انبوه مبدا-مقصد را می توان به سفرهای فردی تفکیک کرد تا وابستگی به زمان سفر را منعکس کند. سفرهای تفکیک شده پس از آن به طور سیستماتیک برای نمایش یک مسیر ایده آل در تعادل کاربر تصادفی اختصاص داده می شوند. اشکال در این مورد، تعداد زیاد پیوندهای مورد نیاز برای فرمول بندی پیوندهای پیوسته خواهد بود. بنابراین، اکثر الگوریتم‌های اکتشافی که چنین فرآیند تجمعی را در تخصیص مسیر به کار می‌گیرند، نباید از مجموعه‌ای از آستانه‌های امپدانس به‌ویژه در تعداد لینک‌های مسیر و ویژگی‌های اتصال آنها تجاوز کنند [ 9 ].

با توجه به مدل‌های تخصیص ترافیک موجود، TAM اطلاعات مربوط به بخش پیوند، مانند بسته شدن جاده، خط‌مشی موقت اساسی یا فراگیر (به عنوان مثال، تبدیل یک جاده سه خطه به یک جاده دو خطه با مسیر دوچرخه) را ندارد. ترجیح مسیر کاربر بر اساس تجربه، و عوامل مرتبط با عملکرد وسیله نقلیه (مثلا، رانندگی با کامیون کامل در سربالایی در مقابلبا استفاده از یک مسیر مداری)، ما یک مدل تخصیص ترافیک مبتنی بر GIS را پیشنهاد می‌کنیم که می‌تواند این عوامل را به طور کامل و به روش‌های کارآمدتر بدون تکیه بر نرم‌افزار برنامه‌ریزی حمل‌ونقل در قفسه حساب کند. اصل اساسی ما استفاده از امپدانس به عنوان پارادایم راهنمای اصلی مدل تخصیص ترافیک توسعه‌یافته است که می‌تواند به راحتی در هر مدل شبکه GIS کاربردی با تلاش و هزینه‌های کمی گسترش یا ادغام شود. این امر می تواند موارد زیر را ارائه دهد: (1) انعطاف پذیری در مسیریابی وسایل نقلیه. و (ii) سهولت در ترکیب یک ساختار داده ویژگی که تمام موارد امپدانس را به حساب می آورد. تخصیص اصلاح شده پیشنهادی همه یا هیچ (MAON) چندین بسته از یک بسته از سفرهای وسیله نقلیه به یک جفت مبدا و مقصد را قرار می دهد، که امکان پذیرترین مسیر واحد برای هر بسته در یک زمان است.

اهداف اصلی این مطالعه توسعه یک مدل تخصیص ترافیک مبتنی بر امپدانس و چند ویژگی برای برنامه‌ریزان حمل‌ونقل و تحلیل‌گران تقاضای سفر است. سپس مدل تخصیص ترافیک پیشنهادی را برای شبیه‌سازی یک سناریوی ترافیک شهری با شش ویژگی امپدانس اصلی به کار بردیم.

2. بررسی ادبیات

انتخاب یک فرآیند مسیر معمولاً شامل به حداقل رساندن مسافت سفر می‌شود، به‌ویژه با این فرض که هزینه حمل‌ونقل (همچنین به عنوان بی‌کاربردی نامیده می‌شود) به طور قابل‌توجهی تحت تأثیر مسافت سفر است. جانیک نشان داد که هزینه لجستیکی کامل باید مستلزم فاصله اقتصادی باشد [ 10 ]. فاصله اقتصادی مسافتی است که یک کالا ممکن است قبل از اینکه هزینه های حمل و نقل از ارزش بار بیشتر شود طی کند. یک مدل تخصیص ترافیک شامل یک مشکل کمینه سازی مسافت سفر شامل میانگین وزن خط Beyer (LWM) [ 11]. الگوریتم کوتاه ترین مسیر Dijkstra به راحتی در LWM به عنوان وسیله ای برای تعیین مسیر با کمترین امپدانس استفاده می شود. معایب استفاده از LWM عبارتند از: (1) این واقعیت که فقط شبکه های تک مدال می توانند مدل شوند. (ii) شکاف های بخش ممکن است به طور ناخواسته در مسیر انتخاب شده گنجانده شود. و (iii) امپدانس کل می تواند برای بخش های بسیار کوتاه بسیار کوچک باشد. با این وجود، LWM هنوز در برنامه ریزی حمل و نقل دوربرد مفید است، به ویژه در مقایسه فواصل اقتصادی بین مسیرهای جدیدتر با سایر مسیرهای جایگزین.

معیارهای عدم استفاده عملیاتی، مانند زمان سفر، ازدحام، و سرعت عملیاتی، برای سنجش امپدانس استفاده شده است [ 12 ]. اکثر مطالعات از زمان سفر به عنوان عامل امپدانس غالب استفاده می کنند. فرض شده است که رویکردهای شبیه‌سازی آتی مستلزم شامل مسیرهای زمان سفر سریع‌تر و بخش‌هایی با افزایش سرعت سفر به عنوان جایگزین‌های مسیر است [ 13 ، 14 ، 15 ، 16 ].

رویکرد نستروف و دی پالما ظرفیت جریان را در یک لینک برای شبیه سازی تراکم با در نظر گرفتن حجم و ظرفیت محدود کرد [ 17 ]. منطق رویکرد آنها از تعیین محدودیت های تقاضا و ظرفیت در یک چارچوب زمانی محدود ناشی می شود [ 18 ]. تخصیص مجدد ترافیک، در چنین سناریویی، از دو فرآیند تشکیل شده است: (الف) کسر جریان ترافیکی که از بخش شلوغ خارج می‌شود از زمان قبلی، که می‌توانیم آن را به عنوان یک شرایط پیشینی بنامیم . و (ب) اضافه کردن ترافیک ورودی به بخش شلوغ در طول یک دوره جاری به عنوان یک شرایط پسین [ 19 ]]. به این ترتیب، دنباله ای از سفرهای اختصاص داده شده توسط یک الگوریتم صف اول در اولین خروجی (FIFO) طراحی شد. قانون FIFO در الگوریتم برای چند انتساب واقعی مبدا-مقصد مورد نیاز است [ 20 ، 21 ]. این قانون FIFO همچنین می‌تواند برای این مطالعه به‌منظور رویکردی مشابه به مدل تخصیص ترافیک مبتنی بر تعادل تصادفی کاربر پویا با تفکیک مسیرهای انتخاب‌شده به مسیرهای متعدد با استفاده از یک دنباله مرتبه تصادفی در یک دوره مشخص، اعمال شود.

سیستم‌های اطلاعات جغرافیایی (GIS) می‌توانند راه‌حل‌هایی را برای مشکلات مسیریابی مجدد پیکربندی کنند، به عنوان مثال، در مسیریابی وسایل نقلیه اضطراری بلادرنگ، زمانی که کاربر باید دینامیک فیزیکی (به عنوان مثال، جاده‌ها، ترافیک و تعمیر و نگهداری جاده یک طرفه) و عدم قطعیت ذاتی را در نظر بگیرد. به عنوان مثال، مسیرهای رژه، ترافیک عابر پیاده و غیره ). رویکرد کلاسیک GIS تنظیم امپدانس منفرد و سپس جمع‌آوری تمام بخش‌هایی است که شرایط امپدانس را برآورده می‌کنند. برای پیاده‌سازی تحلیل‌های شبکه پیچیده و ترکیب اطلاعات مکانی، سطوح ظریف‌تری از امپدانس‌ها که ممکن است از بخش به بخش متفاوت باشد مورد نیاز است. به عنوان مثال، کوان و رانسبرگر امپدانس در سطح بخش را برای مدل سازی که در آن بن بست ها به احتمال زیاد وجود دارد، اعمال کردند [ 22]. آنها همچنین خاطرنشان کردند که پرداختن به درجه ای از عدم قطعیت دشوار است، به ویژه زمانی که عواملی مانند زباله در بخش های جاده پس از طوفان مانع از سفر در جاده ها می شود. برای در نظر گرفتن عوامل متعدد مانع سفر، فرآیند تصمیم گیری چند معیاره به طور کلی در تحقیقات عملیاتی استفاده شده است [ 23 ، 24 ].

گروسارد و همکاران [ 23 ] از یک فرآیند سلسله مراتبی تحلیلی در حمل و نقل استفاده کرد. چن و همکاران [ 24 ] از یک مدل سطح حداقل امپدانس تحلیلی (AMIS) روی سطوح پیوسته برای شناسایی انتخاب مسیر بر اساس ورودی کاربر استفاده کرد. فرآیند سلسله مراتب تحلیلی را نیز می توان گسترش داد تا شامل یک روش تصمیم گیری چند معیاره جبرانی و شامل تجزیه و تحلیل ریسک [ 25 ] باشد.

به طور دقیق، یک مطالعه جامع که به یک رویکرد امپدانس چند ویژگی با قاعده اول ورود اول در آستانه‌های اندازه بسته می‌پردازد، هرگز انجام نشده است. ما معتقدیم که این اولین الگوریتمی است که کمیت، حاشیه نویسی و خروجی بصری مدل تخصیص ترافیک را ارائه می کند که به موارد زیر می پردازد: نسبت حجم/ظرفیت، شرایط خطر رانندگی (بخش های سیل زده)، بسته شدن پل ها، تعمیر/ساخت کلی جاده، حق دسترسی راه، طبقه بندی جاده (آسفالت نشده یا غیره) با هم. مدل ارائه شده در این مطالعه شبیه به یک مدل تخصیص ترافیک پویا است که می تواند برای برنامه ریزی حمل و نقل دوربرد ایالتی و منطقه ای مورد استفاده قرار گیرد. مدل مورد استفاده برای این مطالعه دوره را به بازه‌های زمانی کوچک‌تر، مانند هفتگی یا ماهانه تقسیم می‌کند.

3. توسعه مدل

3.1. رویکرد

یک مجموعه داده شبکه از گره ها و پیوندها تشکیل شده است. گره ها نشان دهنده: (i) مکان ها هستند. (ب) گره های پایان دهنده. و (iii) مرکز مناطق پیوندها بخشهای جاده با جهت و ظرفیت هستند. هر پیوند توسط دو گره (یک گره شروع و یک گره پایانی) به هم متصل می شود که گره پایانی به عنوان گره آغازین پیوند پیوسته بعدی عمل می کند. هر بخش شامل هزینه های تعمیم یافته مرتبط مانند مسافت و زمان سفر است. مسیر مجموعه‌ای از بخش‌هایی است که از مبدا به مقصد از طریق بخش‌های متعدد متصل شده‌اند و به طور اجتناب‌ناپذیری دارای امپدانس هستند. امپدانس مجموعه ای از هزینه های تعمیم یافته از بخش هایی است که به مسیر تعلق دارند. به عنوان مثال، اگر هزینه تعمیم یافته بخش ها زمان سفر باشد، امپدانس مسیر زمان سفر است و بهترین مسیر سریع ترین مسیر است. یک مسیر انحرافی، با کمترین مقدار امپدانس، ممکن است زمانی انتخاب شود که یکی از بخش های مسیر هزینه تعمیم یافته را به طور ناگهانی افزایش دهد. سفر را می توان به عنوان سفر بین مبدأ و مقصد از طریق یک مسیر تعریف کرد. یک جفت مبدا و مقصد نیز ممکن است شامل اطلاعات گره باشد که مرکز مناطق و نقاط را نشان می دهد.

ثانیاً، مسیرهای انتخاب شده بسته به مکان‌های جغرافیایی، انواع حرکت، حالت‌های حمل و نقل و پنجره‌های زمانی، مجموعه‌ای از امپدانس تولید می‌کنند. هدف در چنین سیستم بهینه سازی شده، به حداقل رساندن امپدانس ناشی از شکاف های زمانی و مکانی است. امپدانس از زیرساخت های حمل و نقل، آب و هوا، سیاست ها و مقررات، وسایل نقلیه، کالاها و رانندگان تامین می شود. امپدانس در شبکه های حمل و نقل منطقی بر روی اجزای گرهی و پیوندی ظاهر می شود، همانطور که از Gutiérrez و Urbano [ 26 ] اصلاح شده است:

ز پ = \sum s \in p ز س + \sum s \in p ز n

(1)

که در آن Z _p = امپدانس ( یعنی کل هزینه های تعمیم یافته پیوندها) یک مسیر p . Z _s = هزینه تعمیم یافته پیوند s در طول مسیر امکان پذیر p ; Z _n = هزینه تعمیم یافته یک گره n در طول مسیر امکان پذیر p .

اگر یک فعالیت به گره‌های مجاور برسد، بخش‌های متصل به بخش‌های جایگزین مسیر تبدیل می‌شوند، یعنی p = ( S ، N )، که حرکت از مبدا به مقصد از طریق مجموعه‌ای از پیوندها را می‌توان با S ( i ، j ) نشان داد. . S مجموعه ای از پیوندها است و N مجموعه ای از گره ها شامل i و j است. گره i گره دم (گره شروع) و گره j گره سر (گره پایانی) است.

3.2. اجزاء

ما آرنولد و همکاران را گسترش دادیم. مفهوم مدار الکتریکی “باز” یا “بسته” [ 27 ] برای ارزیابی قطع و وصل شدن از یک گره دم i به یک گره سر j . هنگامی که کالاها و افراد از گره i به j از طریق بخش های به هم پیوسته سفر می کنند، وضعیت قطعه اتصال با یک متغیر بولی X _s = 1 بیان می شود، که به این معنی است که قطعه s به دلیل قابلیت عبور بالا قابل عبور است ( یعنی، امپدانس کم (در الکترونیک، صفر به این معنی است که یک مدار الکتریکی باز است، بنابراین جریان الکتریکی نمی تواند جریان یابد: قیاس در حمل و نقل نشان می دهد که یک جاده به دلیل مقدار امپدانس بالا بسته است)). در این مطالعه، قابلیت عبور مطلق، X ، مقادیر باینری است، که نشان دهنده حداکثر مقدار قابل عبور 1 و حداقل مقدار قابل عبور 0 است. ما تعریف می کنیم که مفهوم معکوس قابلیت عبور امپدانس با استفاده از مکمل های مطلق است که با I نشان داده می شود . به عنوان مثال، اگر امپدانس بالا باشد، قابلیت عبور کم است و بالعکس. به عبارت دیگر، امپدانس مطلق بالا روی یک پیوند ( Is )، در این مطالعه، به عنوان قابلیت عبور مطلق کم روی پیوند ( _Xs₎ تعریف شد.

نمونه هایی از قابلیت عبور مطلق در یک پیوند ( Xs ₎ شامل افزایش تعداد خطوط و شرایط آب و هوایی مناسب است. قابلیت عبور مطلق روی یک گره ( Xn ) از شرایط عادی یک پل پیدا می شود _.برعکس، بزرگراه یک طرفه می تواند جریان ترافیک را برای جهت جلو بهبود بخشد، اما از جریان متقابل جلوگیری کند ( جدول 1 ). به همین ترتیب، شرایط بد آب و هوا مانع از سفر در امتداد یک قطعه جاده می شود. نمونه هایی از امپدانس گره را می توان از پل ها، پایانه ها و گذرگاه های مرزی یافت. یک پل یا باز یا بسته می شود. نمونه هایی از امپدانس مطلق در یک پیوند ( _Is ) به خیابان های یک طرفه برای موارد 5-8 و آب و هوای نامناسب برای موارد 2، 4، 6، و 8 نسبت داده شد ( جدول 1).). به طور مشابه، امپدانس مطلق بر روی یک گره ( I _N ) می تواند به شکل یک مانع اضافی، مانند وجود حمل و نقل بین دو حالت و امکانات پارک و سواری باشد. امپدانس به عنوان یک مقدار بدون واحد که نرمال می شود، تطبیق داده شد، که منجر به یک مقدار امپدانس نسبی وزن شده با طول قطعه شد. گره ها باید به بخش های ساختگی با هزینه های مجازی تعمیم یافته در GIS تبدیل شوند، بنابراین نقاط به شکل فایل های خطی تبدیل می شوند. به همین دلیل، این مطالعه گره ها را به عنوان بخش هایی برای بقیه مقاله در نظر می گیرد.

قابلیت عبور مطلق Xs با یک منطق AND که نشان دهنده پیوندهای منطقی است، ساده شد ( جدول 1 ₎ . برای قابل پیمایش از طریق منطق AND ، همه صفات ( k ) باید قابلیت عبور را فراهم کنند. X _sk هزینه تعمیم یافته یک ویژگی k را در یک بخش s نشان می دهد. اگر یک عامل k مانع از سفر شود، قطعه s غیرقابل عبور (غیرقابل عبور) اعلام می شود. هنگامی که امپدانس در یک قطعه s به دلیل یک یا چند k بسیار زیاد استبه عنوان یک مانع مطلق، بخش می تواند غیرقابل عبور (غیرقابل عبور) شود، به عنوان مثال، زمانی که _Xs = 0 در رابطه:

ایکس س = و (ایکس s k)

(2)

به این ترتیب، منطق AND شامل هشت ترکیب ( یعنی 2 ³ ) در مجموع خواهد بود ( جدول 2 ). از رابطه (2) و جدول 1 ، اگر حداقل یکی از سه ویژگی یک قطعه ( _Xs , _k₌_{1,2,3} ) غیر قابل عبور باشد، قطعه _s ( Xs ) غیرقابل عبور خواهد بود.

جدول 1. مثال هایی از منطق AND در مقادیر امپدانس مطلق یک قطعه s .

جدول 2. تعیین مقدار امپدانس نسبی یک قطعه s .

برخی از بخش‌های یک مسیر انتخابی را می‌توان با استفاده از درجه‌ای از مقدار قابل عبور، P ( Rs )، که با توزیع [0,1] تعریف می‌شود، به‌عنوان «قطعات ضعیف» طبقه‌بندی کرد، به طوری که _P ( Rs ) = [0،1] _.این از نظر جبری به این معنی است که به دلیل یک پیوند ضعیف، که دارای مقدار قابل پیمایش نسبی در محدوده (0 < P ( Rs ) <1) است، نسبتا قابل پیمایش است [ ₂₈ ، 29 ] . قابلیت عبور نسبی در یک پیوند [ P ( R _s)] محصول همه عوامل قابل عبور مرتبط است. با استفاده از این، فرآیند واگذاری می‌تواند شبیه به افرادی باشد که ترجیح می‌دهند از سفر در بخش ناهموار یک مسیر با انتخاب عبور از یک منطقه ساخت‌وساز که ممکن است با تأخیر بیشتری مواجه شوند، اجتناب کنند. قابلیت عبور نسبی همچنین سهولت دسترسی به مسیرهای قابل پیمایش را توصیف می کند [ 30 ، 31 ]. سه ویژگی در مجموع هشت ترکیب ( یعنی 2 ³ ) ایجاد می کنند ( جدول 2 ). بنابراین قابلیت عبور نسبی یک بخش را می توان از طریق زیر بدست آورد:

آر س = (\prod k = 1 ک پ (آر s k)) \forall k = {1, 2, \dots K}

(3)

جایی که $\prod_{k = 1}^{K} P (R_{s k})$ حاصلضرب تمام P ( R _sk ) با k مشخصه مستقل یک قطعه s است. P ( R _sk ) نشان دهنده قابلیت عبور نسبی ناشی از یک ویژگی k در یک قطعه s است و P ( R _nk ) نشان دهنده قابلیت عبور نسبی ناشی از ویژگی k در یک گره n است ( جدول 2 ). گره ها در GIS به خطوط تبدیل می شوند، بنابراین نمادهای گره n با نماد قطعه s قابل تعویض خواهند بود.. به دلیل طول ناهمگن قطعات، این مطالعه امپدانس نسبی فاصله وزنی ( WDR ) را برای ارزیابی مجدد امپدانس نسبی ( I ) ارائه شده توسط WDR _s = d _s × (1- _P( Rs ) ) اتخاذ می کند ، که در _آن P ( Rs ) قابلیت عبور نسبی است و d _s طول قطعه s است (به عنوان مثال، [ 16 ]). با انجام این کار، حساسیت امپدانس یک بخش نسبت به مدل تخصیص ترافیک افزایش می یابد. امپدانس کل برای یک مسیر P ( یعنی Z _p) کل WDR را برای یک مسیر در نظر می گیرد، یعنی، $Z_{p} = \sum_{s \in P} W D R_{s}$ ، زمانی که بخش های انتخابی و ترجیحی یکپارچه مسیر هستند. هر جزء در جدول 2 دارای مقدار احتمالی بین 0 و 1 است. هنگامی که طول یک قطعه به امپدانس مسیر اعمال شود، Z _p بدون واحد است. خروجی همچنین شامل هشت (2 ³ ) ترکیب ممکن در کل خواهد بود. در این میان تنها یک مورد (مورد 1) کاملاً قابل عبور است. سایر ترکیبات را می توان بر اساس یک مورد احتمالی تعیین کرد.

4. مطالعه موردی

منطقه مورد مطالعه در منطقه شهری Fargo-Moorhead از جمله شهر پریری رز قرار دارد. این شهرها در مارس 2009 و مارس 2010 به طور قابل توجهی تحت تأثیر سیل بهاری رودخانه سرخ قرار گرفتند. چندین پل دچار سیل شدند، برخی بسته شدند و برخی دارای علائم هشدار دهنده سیل بودند. برخی از مناطق در امتداد رودخانه سرخ تحت نظارت سیل قرار گرفتند. دو بزرگراه بزرگ بین ایالتی، I-29 و I-94، عمود بر یکدیگر قرار دارند. همچنین یک پل عوارضی بین فارگو و مورهد وجود دارد. در جریان این سیلاب ها در مسیرهایی که معمولاً در طول سال قابل عبور هستند، ازدحام مشاهده شد. برخی از پل های دو طرف رودخانه تا حدی زیر آب رفتند. علاوه بر مناطق نزدیک به رودخانه، برخی از مناطق پایین‌تر نیز در اثر طوفان سیلابی شدند که باعث بسته شدن مسیرها شد.

4.1. سیستم بهینه

برای سناریوی اول، ما سیل قابل توجه رودخانه قرمز را در مناطق مستعد سیل در Fargo-Moorhead فرض کردیم. انواع مختلفی از ویژگی‌های امپدانس به‌عنوان کاهش‌دهنده سفر بین شهرها تنظیم شدند. اگر یک سفر باید از مسیر تغییر مسیری پیروی کند، محتمل ترین مسیر توسط الگوریتم انتخاب می شود. بخشی از الگوریتم کوتاه‌ترین مسیر Dijkstra را برای به حداقل رساندن امپدانس کل از مبدا تا مقصد اتخاذ می‌کند، تنها در صورتی که کاربر آن را به عنوان مهم‌ترین معیار انتخاب کند. برای تخصیص همه سفرها به مسیرهای امکان پذیر، الگوریتم از طریق فرآیند انتخاب مسیر حداقل P بار تکرار می شود، جایی که P تعداد مسیرها را نشان می دهد معادله (4). تعداد تکرارها با بهینه سازی تابع تخمین زده شد:

m i n i m i z ه \sum p = 1 پ ز پ = \sum p = 1 پ ⎛ ⎝ \sum s \in p دبلیو D آر س ⎞ ⎠

(4)

اگر تعداد سفرها و ظرفیت جاده نامحدود بود، الگوریتم فقط باید یک بار اجرا شود تا مسیر ترجیحی بر اساس یک تخصیص AON تعیین شود.

4.2. ویژگی های کلیدی

اجازه دهید فرض کنیم که مسافران به شش ویژگی اصلی اهمیت می‌دهند: (الف) نسبت حجم/ظرفیت (V/C). (ب) خطرات؛ ج) عملیات پل. د) ساخت و ساز؛ (ه) حق تقدم؛ و (f) طبقه بندی جاده ها ( شکل 1 ). هر ویژگی ممکن است شامل سطوح متعددی باشد، با مقادیر امکان منحصر به فرد بین 0 (امپدانس بالا) تا 1 (بدون امپدانس). همچنین می‌توانیم با خیال راحت فرض کنیم: (i) روش‌های غیر جبرانی (به عنوان مثال، [ 25 ]، صفحات 621-680)، که اجازه مبادله بین ویژگی‌ها را نمی‌دهند. و (ii) همچنین امکان تولید شده توسط سطوح صفت از یک تابع خطی پیروی می کند. برای ساده‌سازی و سهولت کدنویسی در GIS، همچنین می‌توانیم فرض کنیم که نسبت ظرفیت حجمی از یک تابع خطی پیروی می‌کند.شکل 1 الف). به عنوان مثال؛ اگر اطلاعات سیل در یک بخش جاده و/یا یک پل در دسترس نباشد، احتمال خطر روی 1 تنظیم می شود، در حالی که امپدانس در بخش های سیل زده روی 0 تنظیم می شود ( شکل 1 ب). بسته به سطح سیل، یک پل را می توان برای نگرانی های ایمنی بسته و از نظر الگوریتمی، بخش را می توان با مقدار 0 تنظیم کرد که نشان دهنده امپدانس بالا است.

شکل 1. سطوح صفات و قابلیت عبور. ( الف ) نسبت حجم/ظرفیت؛ ( ب ) خطر؛ ( ج ) وضعیت پل. ( د ) ساخت و ساز؛ ( ه ) حق تقدم؛ ( و) طبقه بندی جاده ها.

با افزایش سطح رویداد، به مسافر به درستی هشدار داده می شود ( شکل 1 ج). در محیط‌های شهری، برخی از جاده‌ها ممکن است به دلیل ساخت و ساز جاده بسته شوند و بنابراین مقدار امپدانس بالایی 0 ایجاد می‌شود. اگر بخش جاده دارای چندین خط باشد، ممکن است یک خط جزئی یا یک یا چند خط بسته شود، که ترافیک را به یک خط باریک محدود می‌کند ( شکل 1d)، مقدار امپدانس 0.5 را می‌توان بر اساس فرض خطی بودن تنظیم کرد. در رویکرد ما، با استفاده از فایل‌های TIGER ( ^{رمزگذاری} و ارجاع جغرافیایی یکپارچه توپولوژیکی)، جاده‌های خصوصی را از جاده‌های عمومی جدا کردیم. ما امپدانس جاده خصوصی را در یک مقدار بالا تنظیم کردیم ( شکل 1 e). TIGER ^®فایل‌های جاده چندین طبقه‌بندی جاده‌ها را ارائه می‌کنند، به‌عنوان مثال سطح شیبدار، بدون سنگفرش، محلی، ثانویه و اولیه. مقادیر امپدانس را به این صورت تنظیم کردیم: 0.2 برای سطح شیب دار، 0.4 برای آسفالت نشده، 0.6 برای محلی، 0.8 برای جاده های فرعی، و بدون امپدانس برای جاده های اولیه ( شکل 1 f).

4.3. تجزیه و تحلیل سناریو

در جداول خروجی، هر مسیر حاوی یک شناسه مسیر منحصر به فرد است که نشان دهنده یک سفر است. زمان سفر (بر حسب ساعت) و مسافت (بر حسب مایل) از مسیر حداقل امپدانس انتخاب شده تعیین شد. ویژگی های مجموعه داده شبکه شامل مقادیر امپدانس نسبی و مطلق محاسبه شده برای هر بخش با استفاده از معادلات (2) و (3) بود.

سناریوی 1 (همه یا هیچ چیز اصلاح شده (MAON) و تنظیم سفر کمتر یا مساوی ظرفیت): سناریوی اول محدودیت ظرفیت را با تخصیص MAON برای مجموعه سفر بین مبدا و مقصد نشان می دهد (سناریو 1 در جدول 3 ). تعداد سفرها به حداکثر 900 سفر رسید، مقداری کمتر از میانگین ظرفیت بخش مشخص شده، یعنی 1060.

جدول 3. اطلاعات ورودی برای سناریوهای 1-5.
سناریوی 2 (MAON و سفر بزرگتر از ظرفیت): سناریوی دوم شامل تعدادی سفر بیش از ظرفیت بخش است. این برای نشان دادن فرآیند انتخاب مسیر تحت ظرفیت مجموعه محدود بود.
سناریوی 3 (چند مجموعه سفر زمانی که مجموعه سفر کمتر یا مساوی ظرفیت باشد): سناریوی سوم دارای نصف تعداد سفرها در سناریوی 1 است. همچنین شایان ذکر است که اثر تراکم به راحتی از سناریوی 1 قابل تشخیص نیست.
سناریو 4 (اثر تراکم و مجموعه سفرهای متعدد): در این سناریو مسیرهای جدیدتری بین پریری رز و مورهد انتخاب شدند. سناریو 4 گسترش سناریوهای 2 و 3 است، یعنی استفاده از نیمی از اندازه مجموعه سفر از سناریو 2 برای نشان دادن اثر تراکم. تعداد سفرها در مجموعه سفر کمتر از سناریوی 2 بود، اگرچه تعداد کل سفرها ثابت ماند. ما می‌توانیم استنباط کنیم که برای جفت OD، یک مسیر مجزا مستقل از مسیرهای انتخاب شده قبلی به دلیل ازدحام و محدودیت‌های ظرفیت انتخاب می‌شود.
سناریوی 5 (مجموعه‌های سفر چندگانه همراه با ترتیب تصادفی مجموعه‌های سفر): جفت‌های OD با توالی تصادفی برای حذف هرگونه سوگیری توالی استفاده شد ( جدول 3 ). یک مجموعه سفر از سناریو 4 به دو مجموعه سفر تقسیم شد. سناریو 5 اثر اندازه مجموعه سفر کوچکتر را نشان می دهد. سناریوی 5 همچنین رابطه بین امپدانس و مایل های تولید شده را نشان می دهد زیرا اطلاعات فاصله جزء جدایی ناپذیر امپدانس بود.

5. نتایج و پیامدها

5.1. اثرات ظرفیت

در سناریوی 1، دنباله شناسه ها ( به عنوان مثال ، شناسایی مسیرها) ترتیب بهترین مسیرها را بر اساس کمترین مقادیر امپدانس برای هر جفت نشان می دهد ( جدول 4 و شکل 2 a). شناسه 0 برای یک مجموعه سفر 900 سفری اختصاص داده شده است. طول مسیر مربوطه نیز در جدول خروجی نشان داده شده است. توجه داشته باشید که مایل های طی شده لزوما نشان دهنده کوتاه ترین مسافت های مسیر نیستند. بسته سفر بین پریری رز و فارگو به دلیل ظرفیت مسیر ID 1 به بسته های سفری کوچکتر تقسیم شد.

جدول 4. نتایج خروجی از سناریوهای 1-5.

در سناریوی 2 ( جدول 4 و شکل 2ب)، جفت OD بین Prairie Rose و Moorhead منجر به دو مسیر بالقوه در مقایسه با چهار مسیر برای جفت OD بین Prairie Rose و Fargo شد. همچنین توجه داشته باشید که ID 0 به خوبی با سیستم بزرگراه بین ایالتی هماهنگ است زیرا ظرفیت وسیله نقلیه در سیستم بزرگراه بین ایالتی بزرگتر از مسیرهای دیگر است. به این ترتیب، ID 1 تنها به اندازه مجموعه سفر 290 سفر با مقدار امپدانس بالاتر در مقایسه با ID 0 اختصاص یافت. جفت OD از Prairie Rose و Fargo شامل شش مسیر است زیرا جاده های محلی ظرفیت کمتری نسبت به جاده های اصلی دارند حتی اگر مسیر باشند. بخش ها بخش هایی از بزرگراه بین ایالتی هستند. سفرهای تعیین نشده به دومین مسیر برتر (ID 3) و شناسه های بعدی مجدداً اختصاص داده می شوند. ID 5 یک مقدار امپدانس غیرقابل اجرا را به دلیل موارد زیر نشان می دهد: (i) مقادیر مجموع مشخص کننده ازدحام ناشی از باقیمانده مسیرهای انتخاب شده قبلی (ID 2 و ID 3). و (ii) اتصال بر اساس یک مسیر غیرقابل اجرا، زیرا تنها مسیر قابل دسترسی به مقصد است. ID 5 مورد نادری است زیرا امپدانس بسیار بالا است، بنابراین غیر ممکن است حتی اگر طول آن کوتاهتر از مسیرهای دیگر باشد (ID 2 و 3).

شکل 2. مسیرهای انتخاب شده از سناریوهای 1-5. ( الف ) مسیرهای انتخاب شده از سناریو 1؛ ( ب ) مسیرهای انتخاب شده از سناریو 2. ( ج ) مسیرهای انتخاب شده از سناریو 3. ( د ) مسیرهای انتخاب شده از سناریو 4. ( ه ) مسیرهای انتخاب شده از سناریو 5.

5.2. اثرات ازدحام

در سناریوی 3، پنج مسیر انتخاب شده است. دو مسیر برای اولین جفت OD و سه مسیر دیگر برای جفت OD دوم ( جدول 4 ). بزرگراه های اصلی به طور کلی انتخاب می شوند، اما یک مسیر جایگزین با امپدانس کم و بدون تراکم انتخاب شد. امپدانس تراکم در این مورد نیز ممکن است به عنوان یک عامل شبه دینامیکی برای انتخاب مسیر عمل کند. برخی از بخش ها به دلیل (i) افزایش ظرفیت، به عنوان ضریب امپدانس دو برابر می شوند. (ii) طبقه بندی جاده بالاتر. و (iii) امپدانس نسبی کمتر.

در سناریوی 4، مسیرهای جدیدتر برای جفت های OD بین پریری رز و مورهد بدون تضاد ظرفیت انتخاب می شوند، حتی اگر مقادیر امپدانس متفاوت باشند ( جدول 4 ). مسیر ID 2 امپدانس بالاتری نسبت به ID 1 دارد. با این حال، طول کل بر حسب مایل کوتاهتر است. این نشان می دهد که مسیر با ID 2 هزینه بیشتری نسبت به ID 1 دارد زیرا از نظر سلسله مراتبی مسیری با سومین امپدانس کمتر است. مسیرهای Prairie Rose-Fargo نیز نشان می‌دهند که کوتاه‌ترین مسیرها امپدانس بالاتری داشتند.

5.3. اثرات اندازه بسته

19 مسیر در سراسر منطقه با جاده های اصلی که با خطوط همپوشانی (ضخیم تر) و اطلاعات سفر اختصاص داده شده به طور مکرر انتخاب شده بودند، توزیع شدند ( جدول 4 ). این مدل تعادل کاربر تصادفی را بر اساس اطلاعات امپدانس تقلید می کند. سفرهای تقسیم شده به (الف) ازدحام حساس بودند. و (ب) مقادیر امپدانس های مشتق شده تصادفی. از شکل 2 a,b، روندهای متفاوتی برای طول سفر و امپدانس را می توان از جفت Prairie Rose و Moorhead مشاهده کرد. شکل 2 c,d روندهای افزایشی مشابهی را برای طول سفر و امپدانس از جفت Prairie Rose و Fargo نشان می دهد. برخی از نکاتی که ممکن است در شبیه‌سازی‌های آینده مورد توجه قرار گیرد، ممکن است شامل موارد زیر باشد:

توالی سفر و اطلاعات OD ممکن است بر انتخاب مسیر تأثیر بگذارد، که می تواند بیشتر توسط ظرفیت و سایر عوامل محدود شود.
یک مجموعه هزینه برای شبیه سازی و طراحی بهتر مانند داده های میانگین ترافیک روزانه سالانه (AADT) از سیستم های مدیریت عملکرد بزرگراه (HPMS) مهم است [ 5 ].

5.4. بحث

در این مطالعه، ما امپدانس را به امپدانس مطلق و نسبی و همچنین به پیوندها و گره‌ها در پاسخ به زیرساخت‌ها و ترجیحات کاربران (به عنوان مثال، نسبت حجم به ظرفیت، خطرات، عملیات پل، ساخت و ساز، حق استفاده از پل) تقسیم کردیم. راه، و طبقه بندی راه) [ 32 ]. ویژگی‌های فیزیکی، مانند مکان‌ها (گره‌ها) و جاده‌ها (پیوندها)، و دینامیک مربوطه در محدوده یک سیستم مسیریابی ایده‌آل در نظر گرفته می‌شوند. ما یک الگوریتم تصمیم گیری چند معیاره مبتنی بر امپدانس را با استفاده از GIS توسعه دادیم، در نتیجه یک رویکرد امپدانس واحد قبلی را برای تخصیص ترافیک گسترش دادیم. پنج سناریو برای ارزیابی و نشان دادن الگوریتم تحت معیارهای مجموعه شامل تخصیص FIFO و محدودیت‌های ظرفیت توسعه داده شد.

ما دریافتیم که در نظر گرفتن تنها مسافت یا زمان سفر به عنوان نهادهای جداگانه واقع بینانه نیست. سایر عوامل باید با اتخاذ امپدانس های القایی در نظر گرفته شوند. هنگامی که فاصله به طور مناسب با استفاده از مقدار امکان برای برش یک قطعه وزن شود، یک مقدار فاصله تغییر یافته می تواند برای شبیه سازی اثرات ترافیک واقعی دوباره محاسبه شود. از پایگاه داده آزمایشگاه ملی اوک ریج [ 33]، یک پیوند ساختگی به هر پایانه ای اختصاص داده شد که از نظر فیزیکی به یک بخش یا یک گره در لایه مجاور متصل نیست. در رویکرد ما، یک پل به‌عنوان یک گره روی یک بخش بدون پیوند به بخش یا گره وجود دارد. بنابراین، برای محاسبه بسته شدن پل، یک ساختار منطقی برای بخش آسیب‌دیده به منظور تولید مقدار امپدانس گره اختصاص داده شد. جنتیل و پاپولا [ 34 ] از یک رویکرد سطح بخش مشابه به جای مسیر انبوه استفاده کردند، زیرا آنها احساس کردند که یک مسیر به خودی خود یک واحد ابتدایی برای انتخاب مسیر مناسب و تخصیص ترافیک نیست. در این راستا، امپدانس پیوند را می توان به بهترین وجه برای هر بخش اعمال کرد. بنابراین دسترسی به بخش‌های امپدانس پایین‌تر برای سهولت عبور از مبدا انتخاب‌شده به مقصد محدود می‌شود.

سه نوع مختلف از قابلیت عبور استفاده می‌شود: برای مقادیر امپدانس پایین ۱، «انحراف» برای مقادیر امپدانس بالا ۰ و «آهسته» برای مقادیر امپدانس بین ۰ و ۱. برای مثال، اگر جاده‌ها مسدود یا تنظیم نشده باشند. طبق سیاست‌ها، وسایل نقلیه می‌توانند از مسیرهای انتخاب شده به عنوان «رفتن» عبور کنند. موقعیت‌های خاص، مانند تصادفات، آب و هوای شدید، ازدحام، و سطح ضعیف خدمات (LOS)، می‌تواند منجر به یک سفر «آهسته» شود. وضعیت “آهسته” شامل تاخیر است و منجر به هزینه جریمه متحمل شده می شود. مورد “انحراف” از موانع مطلق مانند کمبود ظرفیت، فروریختن پل، مسدود کردن/بستن جاده ها، مقررات و ازدحام رخ می دهد. برخی امپدانس های نسبی به طور تصادفی تا حدی با “آهسته” و “انحراف” مرتبط هستند، مانند تصادفات شدید ترافیکی، ازدحام و شرایط آب و هوایی شدید.

سطح بالایی از انعطاف پذیری و چابکی برای پاسخگویی به اثرات اجتماعی و زیست محیطی در بازارهای نوظهور و بخش های حمل و نقل مورد نیاز است. برخی از امپدانس ها اجتناب ناپذیر است (ارزش افزوده) و برخی نامطلوب (بدون ارزش افزوده)، که باعث هزینه های کل حمل و نقل و سرعت کمتر می شود. رویکرد در این مطالعه همچنین می تواند برای سنجش سناریوی اختلال استفاده شود. این را می توان با تغییر مقدار امپدانس در شبکه و شناسایی بخش های حیاتی و زیرساخت های آسیب پذیر انجام داد. این مدل تخصیص ترافیک امپدانس چند ویژگی را می‌توان به محموله‌های باری که ممکن است تحت تأثیر بسته شدن خیابان‌ها قرار بگیرند، مانند آنچه در ماراتن بوستون 2013 بود، گسترش داد. در آن روز سرنوشت‌ساز، خیابان‌های قابل توجهی به دلیل ترس از تروریسم مسدود شد و به طور قابل توجهی بر محموله‌های برنامه‌ریزی شده تأثیر گذاشت. این الگوریتم همچنین می‌تواند همراه با نظرسنجی‌های کاربران مسیر برای گسترش عملکرد آن مورد استفاده قرار گیرد. امپدانس وزنی مسافت را می توان به راحتی با امپدانس وزنی زمان سفر در مطالعات مشابه جایگزین کرد.

6. نتیجه گیری

در این مطالعه امپدانس کلاسیک تعیین و سپس به امپدانس پیوند و امپدانس گره طبقه بندی شد. این کار برای توسعه یک مدل تخصیص ترافیک اصلاح شده همه یا هیچ، مبتنی بر امپدانس چند ویژگی ابتکاری انجام شد. مزیت این رویکرد حذف تلاش‌های حذف بخش‌های غیر مرتبط به صورت فیزیکی و منطقی در مرحله پیش پردازش تحلیل شبکه است. در انجام این کار، امپدانس چند ویژگی را می توان به راحتی در یک GIS کنترل و دستکاری کرد. بنابراین، ابزار GIS را می توان برای مدل سازی تقاضای سفر در برنامه ریزی حمل و نقل دوربرد استفاده کرد. برای ایجاد یک مسیر بهینه، امپدانس چند ویژگی با کاهش امپدانس هر دو بخش و/یا گره به حداقل رسید. علاوه بر این، روش پیشنهادی در این مطالعه انعطاف‌پذیری را در مطالعات حمل و نقل و لجستیک کاربردی ارائه می‌دهد و ابزاری را برای تحلیلگران فراهم می‌کند تا به سرعت به متغیرهای ذاتی پاسخ دهند. برای ارزیابی یک شبکه مدل، مدل‌های دینامیکی پیچیده مرتبط با اطلاعات آب و هوا، ازدحام، مناطق تنظیم فصلی و عوامل مختلف جغرافیایی را می‌توان با استفاده از ویژگی‌های رویکرد پیشنهادی پیاده‌سازی کرد. علاوه بر این، الگوریتم مورد بحث در این مطالعه را می توان برای انعکاس قوانین و رفتار تصمیم گیری مانند محرک های ریسک گریز، ریسک خنثی و ریسک پذیر با استفاده از رفتارهای کاربر ایجاد شده به طور تصادفی مورد استفاده قرار داد. بنابراین، اگرچه آزمایش‌ها با استفاده از همه یا هیچ انجام شدند، این مفهوم امپدانس چند ویژگی را می‌توان با یک الگوریتم تخصیص ترافیک مبتنی بر مسیر معمولی استفاده کرد. و عوامل مختلف جغرافیایی را می توان با استفاده از ویژگی های رویکرد پیشنهادی پیاده سازی کرد. علاوه بر این، الگوریتم مورد بحث در این مطالعه را می توان برای انعکاس قوانین و رفتار تصمیم گیری مانند محرک های ریسک گریز، ریسک خنثی و ریسک پذیر با استفاده از رفتارهای کاربر ایجاد شده به طور تصادفی مورد استفاده قرار داد. بنابراین، اگرچه آزمایش‌ها با استفاده از همه یا هیچ انجام شدند، این مفهوم امپدانس چند ویژگی را می‌توان با یک الگوریتم تخصیص ترافیک مبتنی بر مسیر معمولی استفاده کرد. و عوامل مختلف جغرافیایی را می توان با استفاده از ویژگی های رویکرد پیشنهادی پیاده سازی کرد. علاوه بر این، الگوریتم مورد بحث در این مطالعه را می توان برای انعکاس قوانین و رفتار تصمیم گیری مانند محرک های ریسک گریز، ریسک خنثی و ریسک پذیر با استفاده از رفتارهای کاربر ایجاد شده به طور تصادفی مورد استفاده قرار داد. بنابراین، اگرچه آزمایش‌ها با استفاده از همه یا هیچ انجام شدند، این مفهوم امپدانس چند ویژگی را می‌توان با یک الگوریتم تخصیص ترافیک مبتنی بر مسیر معمولی استفاده کرد.

برخی از محدودیت های مطالعه یافت می شود. مقادیر امپدانس غیر خطی باید بیشتر برای فرآیند انتخاب مسیر آزمایش شوند. علاوه بر این، یک مدل تخصیص سفر تصادفی پویا با مسیر باید در آینده در نظر گرفته شود تا ازدحام و عوامل پویا مانند تصادف و سایر رویدادهای غیرقابل پیش‌بینی برای برنامه‌ریزی عملیات کوتاه‌مدت را در خود جای دهد. در آینده، یک مدل قابلیت عبور و امپدانس خطی باید کالیبره شود تا به رفتار مسافران پاسخ دهد. علاوه بر این، سطح ویژگی ها و قابلیت عبور را می توان با استفاده از استنتاج فازی تعیین کرد [ 32] با کلاس های زبان شناسی. ابزارهای پیشرفته نظرسنجی مانند سیستم های ردیابی پلاک نوری و سیستم های موقعیت یابی جهانی (GPS) را می توان برای پیش بینی رفتار راننده و ترکیب با عوامل تصمیم گیری چندگانه برای اختصاص سفرها به شبکه های جاده ای مورد استفاده قرار داد.

منابع

Wardrop، JG برخی از جنبه های نظری تحقیق ترافیک جاده ای. ICE Proc. مهندس Divisions 1952 , 1 , 325-362. [ Google Scholar ] [ CrossRef ]
داگانزو، سی اف. Sheffi, Y. در مورد مدل‌های تصادفی تخصیص ترافیک. ترانسپ علمی 1997 ، 11 ، 253-274. [ Google Scholar ] [ CrossRef ]
دامبرگ، او. Lundgren، JT; پاتریکسون، ام. الگوریتمی برای مسئله تعادل کاربر تصادفی. ترانسپ Res. قسمت ب 1996 ، 30 ، 115-131. [ Google Scholar ] [ CrossRef ]
بل، MGH; Shield, C. برآوردگر جریان مسیر تعادل کاربر تصادفی. ترانسپ Res. قسمت C 1997 ، 5 ، 197-210. [ Google Scholar ] [ CrossRef ]
باتل. تجزیه و تحلیل ترافیک باری FAF3. در دسترس آنلاین: http://faf.ornl.gov/fafweb/Data/Freight_Traffic_Analysis/faf_fta.pdf (دسترسی در 18 مه 2015).
Dijkstra، EW یادداشتی در مورد دو مشکل در ارتباط با نمودارها. عدد. ریاضی. 1959 ، 1 ، 269-271. [ Google Scholar ] [ CrossRef ]
تولیور، دی. دایبینگ، ا. لو، پی. لی، ای. مدل سازی سرمایه گذاری در جاده های شهرستان و جاده های محلی برای حمایت از لجستیک کشاورزی. J. Transp. Res. انجمن 2011 ، 50 ، 101-115. [ Google Scholar ]
لی، ای. بوی، PG; فرهمند، ک. تولیور، دی. رویکرد شمارش مسیر اکتشافی برای تولید و تخصیص سفر کانتینری. J. Transp. Res. انجمن 2011 ، 12 ، 7-21. [ Google Scholar ]
پترسن، ER یک الگوریتم تخصیص سفر اولیه-دوگانه. مدیریت علمی 1975 ، 22 ، 87-95. [ Google Scholar ] [ CrossRef ]
Janic، M. مدل سازی هزینه های کامل یک شبکه حمل و نقل بار بین وجهی و جاده ای. ترانسپ Res. قسمت D 2007 ، 12 ، 33-44. [ Google Scholar ] [ CrossRef ]
کشکمت، اس اس; Looijen, JM; Zuidgeest، MHP فرمول‌بندی و ارزیابی جایگزین‌های برنامه‌ریزی مسیر حمل‌ونقل: یک سیستم پشتیبانی تصمیم فضایی برای پروژه Via Baltica، لهستان. J. Transp. Geogr. 2009 ، 17 ، 54-64. [ Google Scholar ] [ CrossRef ]
Geurs، KT; وی، BB ارزیابی دسترس‌پذیری استراتژی‌های استفاده از زمین و حمل‌ونقل: بررسی و جهت‌های تحقیق. J. Transp. Geogr. 2004 ، 12 ، 127-140. [ Google Scholar ] [ CrossRef ]
وودسما، سی. جنسن، جی اف. کنارگلو، پ. مائو، اچ. استفاده از زمین لجستیک و شهر: رویکرد مدل‌سازی مکانی-زمانی. ترانسپ Res. قسمت E 2008 ، 44 ، 277-297. [ Google Scholar ] [ CrossRef ]
Shaw, SL در مورد “زمان” در جغرافیای حمل و نقل چطور؟ J. Transp. Geogr. 2006 ، 14 ، 237-240. [ Google Scholar ] [ CrossRef ]
Miller, HJ اندازه‌گیری مزایای دسترسی فضا-زمان در شبکه‌های حمل‌ونقل: نظریه پایه و روش‌های محاسباتی. Geogr. مقعدی 1999 ، 31 ، 187-212. [ Google Scholar ] [ CrossRef ]
وبر، جی. کوان، ام. بازگرداندن زمان: مطالعه ای در مورد تأثیر تغییرات زمان سفر و ساعات کاری تسهیلات بر دسترسی فردی. پروفسور Geogr. 2002 ، 54 ، 226-240. [ Google Scholar ] [ CrossRef ]
نستروف، ی. د پالما، AD راه حل های پویا ثابت در شبکه های حمل و نقل متراکم: خلاصه و دیدگاه ها. شبکه تف کردن اقتصاد 2003 ، 3 ، 371-395. [ Google Scholar ] [ CrossRef ]
تیلور، NB مدل تخصیص سفر پویا CONTRAM. شبکه تف کردن اقتصاد 2003 ، 3 ، 297-322. [ Google Scholar ] [ CrossRef ]
لی، ای. بوی، PG; فرهمند، ک. تکنیک‌های جغرافیایی ساده‌ای در تحلیل دینامیک حمل‌ونقل برای مسیرهای حرکت کانتینر مبدا-مقصد در ایالات متحده. J. Transp. سیستم مهندس Inf. تکنولوژی 2012 ، 12 ، 79-90. [ Google Scholar ]
پیتا، اس. زیلیاسکوپولوس، AK مبانی تکلیف سفر پویا: گذشته، حال و آینده. شبکه تف کردن اقتصاد 2001 ، 1 ، 233-265. [ Google Scholar ] [ CrossRef ]
کری، ام. عدم تحدب مسئله تخصیص سفر پویا. ترانسپ Res. قسمت ب 1992 ، 26 ، 127-133. [ Google Scholar ] [ CrossRef ]
کوان، نماینده مجلس؛ پاسخ اضطراری به کمک Ransberger، DM LiDAR: شناسایی موانع شبکه حمل و نقل ناشی از بلایای بزرگ. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 179-188. [ Google Scholar ] [ CrossRef ]
گروسارد، تی. بیلی، ک. Barumm, J. سطح حداقل امپدانس تحلیلی: روش برنامه ریزی راهرو مبتنی بر سیستم اطلاعات جغرافیایی. ترانسپ Res. ضبط 2001 . [ Google Scholar ] [ CrossRef ]
چن، TY; چانگ، اچ ال. Tzeng، GH با استفاده از یک مدل ارزیابی وزن برای شناسایی معیارهای انتخاب مسیر و اثرات اطلاعاتی. ترانسپ Res. قسمت A 2001 ، 35 ، 197-224. [ Google Scholar ]
Cascetta, E. تجزیه و تحلیل سیستم حمل و نقل: مدل ها و کاربردها . Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
گوتیرز، جی. Urbano, P. دسترسی در اتحادیه اروپا: تأثیر شبکه جاده های فرا اروپایی. J. Transp. Geogr. 1996 ، 4 ، 15-25. [ Google Scholar ] [ CrossRef ]
آرنولد، پی. پیترز، دی. توماس، I. مدلسازی یک سیستم حمل و نقل بین وجهی ریلی/جاده ای. ترانسپ Res. قسمت E 1994 ، 40 ، 255-270. [ Google Scholar ] [ CrossRef ]
دستی، SL منطقه ای در مقابل دسترسی محلی: مفاهیم برای سفر غیر کاری. در دسترس آنلاین: http://www.uctc.net/papers/234.pdf (در 19 مه 2015 قابل دسترسی است).
هیئت تحقیقات حمل و نقل راهنمای ظرفیت بزرگراه ; شورای ملی تحقیقات: واشنگتن، دی سی، ایالات متحده آمریکا، 2000. [ Google Scholar ]
Moseley، MJ دسترسی: چالش روستایی . Methuen and Company Limited: لندن، بریتانیا، 1979. [ Google Scholar ]
استانیلوف، ک. دسترسی و استفاده از زمین: مورد حومه سیاتل، 1960-1990. Reg. گل میخ. 2003 ، 37 ، 783-794. [ Google Scholar ] [ CrossRef ]
ردی، هنگ کنگ؛ Chakroborty، P. یک الگوریتم تخصیص مبتنی بر استنتاج فازی برای تخمین ماتریس OD از تعداد حجم پیوند. محاسبه کنید. محیط زیست سیستم شهری 1998 ، 22 ، 409-423. [ Google Scholar ] [ CrossRef ]
آزمایشگاه ملی اوک ریج. شبکه راه آهن در دسترس آنلاین: http://cta.ornl.gov/transnet/RailRoads.html (در 18 مه 2015 قابل دسترسی است).
جنتیله، جی. پاپولا، الف. یک رویکرد جایگزین برای شبیه‌سازی انتخاب مسیر: مدل‌های متوالی. در مجموعه مقالات کنفرانس حمل و نقل اروپا، استراسبورگ، فرانسه، 18 تا 20 سپتامبر 2006.

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب