پیش‌بینی زمان سفر در شبکه با استفاده از سری زمانی (مطالعه‌ی موردی: ناحیه 1 مشهد)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

2 دانشیار گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

3 استادیار گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

در سیستم­های خدمات شهری، نیاز به تخمین زمان­ سفر بین دو نقطه­ی دلخواه احساس می­شود. در بسیاری از سیستم­های مسیریابی وسایل نقلیه، تخمین­ زمان­های سفر از اهمیت ویژه­ای برخوردارند. اگر یک راننده قبل از اینکه سفر را بپیماید، اطلاعات زمان سفر را در دست داشته باشد، در مورد مسیرهای انتخابی می­تواند بهتر تصمیم­گیری کند. بنابراین، زمان­های سفر یال بایستی قبل از اینکه مسیر طی شود، تخمین زده شود.  اگرچه  امروزه به فراخور شرایط ترافیکی در انواع تقاطع­ها و معابر شهری، روش­های مختلفی برای به دست آوردن زمان سفر استفاده می­شود اما  استفاده از داده­های مکانی برای تعیین زمان سفر نسبت به سایر روش­ها از عملکرد بهتری برخوردارند. این پژوهش  قصد دارد ابتدا با استفاده از رفتار داده­های حجم ترافیک گذشته، حجم ترافیک در آینده را بر اساس روش مناسب پیش­بینی کند و سپس با توجه به توابع زمان سفر-حجم  و وبستر زمان سفر در کمان و تأخیر در تقاطع را برآورد نماید. این پژوهش به‌طور موردی برای خیابان­های ناحیه­ی 1  شهر مشهد، شامل سه نوع خیابان جمع­شونده، شریانی درجه 1 و شریانی درجه 2 انجام شده است. نتایج آزمون زوجی t نشان می­دهد تخمین زمان سفر با استفاده از روش مذکور از اعتبار کافی برخوردار است.
 
 

کلیدواژه‌ها


1-  

-    بهنگام­سازی مطالعات جامع حمل‌ونقل شهر مشهد، (1389)، "ساخت، پرداخت مدل­های تابع زمان سفر- حجم برای معابر اصلی"، سازمان حمل‌ونقل و ترافیک مشهد، گزارش شماره 38-300 ویرایش 01، اردیبهشت ماه 1389.
-  فروزنده، ر.، حکیم­پور، ف.، خادمی، ن.، (1394)، "محاسبه زمان سفر در کمان­های شریانی با استفاده از
داده­های خودروها کاوشگر"،علمی-ترویجی مهندسی نقشه­برداری و اطلاعات مکانی، دوره 6، شماره 4، آذرماه.
-    مطالعات جامع حمل­ونقل مشهد، "تابع زمان تأخیر در تقاطع­های چراغ­دار مشهد"، (1375)­، گزارش شماره 05-75، دانشگاه صنعتی شریف، دی ماه.
-    Ahmed MS, Cook AR, (1979), "Analysis of freeway traffic time-series data by using Box-Jenkins techniques", Transportation Research Record 722, pp.1-9.
-    Al-Deek HM, D'Angelo MP, Wang MC, (1998), "Travel time prediction with non-linear time series", In Fifth International Conference on Applications of Advanced Technologies in Transportation Engineering.
-    Aron M, Bhouri N, Guessous Y, (2014), "Estimating travel time distribution for reliability analysis", Transportation Research Arena, paper, 19638.
-    B Van Arem, MJM Van Der Vlist, MR Muste, Smulders SA, (1997), "Travel time estimation in the GERDIEN project", International Journal of Forecasting 13, pp.73–85.
-    CH Wu, JM Ho, DT Lee, (2004), "Travel-Time Prediction with support vector regression", Intelligent Transportation Systems, vol. 5, no. 4.
-    CN Kamga, KC Mouskos, RE Paaswel, (2011), "A methodology to estimate travel time using dynamic traffic assignment (DTA) under incident conditions", Transportation Research Part C 19, pp.1215–1224.
-    G.E. Box, M. Gwilym, G.C. Reinsel, (2008), "Time series analysis for casting and control", John Wiley & Sons, 4th.
-    J Kwon, B Coifman, P Bickel, (2000), "Day-to-day travel-time trends and travel time prediction from loop detector data", Transport Res. Rec, 1717, pp.120–129.
-    JS Wasson, JR Sturtevant, DM Bullock, (2008), "Real-time travel time estimates using media access control address matching", Institute of Transportation Engineers.
-    JZ Zhu, JX Cao, Y Zhu, (2014), "Traffic volume forecasting based on radial basis function neural network with the consideration of traffic flows at the adjacent intersections", Transportation Research Part C 47, pp.139–154.
-    Lee CJ, (2003), "Transportation information based on personal communication services base station data", master dissertation, Seoul National University. 
-    Li H, Guensler R, Ogle J, Wang J, (2004), "Using GPS data to understand the day-to-day dynamics of the morning commute behavior", 83th TRB Annual Meeting, Washington DC, USA.
-    Rice J, Van Zwet E, (2004), "A simple and effective method for predicting travel times on freeways", IEEE Transactions on Intelligent Transportation Systems, 5(3):200-7.
-    Rilett L, Park D, (2001), "Direct forecasting of freeway corridor travel times using spectral basis neural networks", Transportation Research Record: Journal of the Transportation Research Board, (1752): pp.140-7.
-    Spencer, Mark, L N Labell, A D May, (1989), "Detectors for Freeway Surveillance and Control", no.UCB-ITS-WP-89-9.
-    Taylor MA, Bonsall PW, Young W, (2000), "Data on travel times In, Understanding Traffic Systems: Data, Analysis and Presentation", Ashgate Publishing Ltd, pp.197-206.
-    Taylor, M. A. P., J. E. Woolley and R. Zito, (2000), "Integration of the Global Positioning System and Geographical Information Systems for Traffic Congestion Studies", Transportation Research Part C, Vol. 8, pp. 257-285.
-    Van Lint JW, (2006), "Reliable real-time framework for short-term freeway travel time prediction", Journal of transportation engineering, 132(12): pp.921-32.
-    X Zhang, JA Rice, (2003), "Short-term travel time prediction", Transportation Research Part C11, 187–210.
-    Y Guessous, M Aron, N Bhouri, S Cohen, (2014), "Estimating travel time distribution under different traffic conditions", Transportation Research
 
Procedia 3, pp.339 – 348.