جاده

جاده

استخراج و اولویت بندی اجرایی شبکه پیوسته ایستگاههای فعال دوچرخه اشتراکی با استفاده از الگوریتم درخت پوشای کمینه؛ مطالعه موردی کلانشهر مشهد

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
2 دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
3 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
چکیده
سامانه‌های دوچرخه اشتراکی زمانی می‌توانند نقش مؤثری در جابه‌جایی‌های شهری ایفا کنند که ایستگاه‌ها و مسیرهای دوچرخه در قالب یک شبکه پیوسته به یکدیگر متصل باشند. در شهر مشهد، بخشی از زیرساخت دوچرخه‌سواری به‌صورت پراکنده توسعه یافته و ارتباط کامل آن با ایستگاه‌های فعال سامانه برقرار نیست. این پژوهش با هدف استخراج حداقل شبکه موردنیاز برای اتصال ایستگاه‌های فعال دوچرخه اشتراکی مشهد و اولویت‌بندی مسیرهای آن بر اساس تقاضای سفر انجام شد. روش تحقیق مبتنی بر تحلیل شبکه، داده‌های مکانی و ماتریس مبدأ–مقصد سفرهای ثبت‌شده بود. پس از پالایش شبکه معابر و انطباق ایستگاه‌ها با گره‌های مجاز، شبکه به گراف تبدیل و با استفاده از الگوریتم درخت پوشای کمینه، مسیرهای لازم برای اتصال تمامی ایستگاه‌های فعال با حداقل طول استخراج شد. سپس ماتریس مبدأ–مقصد بر روی شبکه بارگذاری و مسیرها بر اساس میزان پوشش سفرها در سه سطح اولویت دسته‌بندی شدند. نتایج نشان داد طول شبکه پیشنهادی ۱۹۰٫۳ کیلومتر است که به‌ترتیب ۴۸٫۹، ۵۰٫۶ و ۹۰٫۸ کیلومتر آن در اولویت‌های اول تا سوم قرار می‌گیرد. همچنین شاخص بتا از ۰٫۷۰۶ به ۱٫۰۰۰ افزایش یافت و عدد سیکلوماتیک از ۲ به صفر کاهش پیدا کرد که نشان‌دهنده ایجاد شبکه‌ای پیوسته و بدون چرخه مستقل است. نتایج بیانگر آن است که ترکیب الگوریتم درخت پوشای کمینه و ماتریس مبدأ–مقصد می‌تواند روشی کاربردی برای تعیین حداقل شبکه اتصال و شناسایی مسیرهای دارای اولویت اجرایی بالاتر فراهم کند.
کلیدواژه‌ها

-Buehler, R., & Dill, J. (2016). Bikeway networks: A review of effects on cycling. Transport Reviews, 36(1), 9-27.
-Cascetta, E. (2009). Transportation Systems Analysis: Models and Applications (2nd ed.). Springer.
-Cooper, C. H. V., & Chiaradia, A. J. F. (2020). sDNA: 3-d spatial network analysis for GIS, CAD, Command Line & Python. SoftwareX, 12, 100525. doi.org/10.1016/j.softx.2020.100525
-Federal Highway, A. (2019). Bikeway Selection Guide.
-Institute for, T., & Development, P. (2018). The Bikeshare Planning Guide.
-Kansky, K. J. (1963). Structure of Transportation Networks: Relationships between Network Geometry and Regional Characteristics. University of Chicago, Department of Geography.
-Lovelace, R., Goodman, A., Aldred, R., Berkoff, N., Abbas, A., & Woodcock, J. (2017). The Propensity to Cycle Tool: An open source online system for sustainable transport planning. Journal of Transport and Land Use, 10(1), 505-528. doi.org/10.5198/jtlu.2016.862
-Lucas, V., & Andrade, A. R. (2021). Predicting hourly origin-destination demand in Bike Sharing Systems using hurdle models: Lisbon case study. Case Studies on Transport Policy, 9(4), 1836-1848. doi.org/10.1016/j.cstp.2021.10.003
 -Natera Orozco, L. G., Battiston, F., Iñiguez, G., & Szell, M. (2020). Data-driven strategies for optimal bicycle network growth. Royal Society Open Science, 7(12), 201130.
-National Association of City Transportation, O. (2025). Urban Bikeway Design Guide (3rd ed.). Island Press.
-Network, X. D. (2026). minimum-spanning_tree - NetworkX documentation.
-Paulsen, M., & Rich, J. (2023). Societally optimal expansion of bicycle networks. Transportation Research Part B: Methodological, 174, 102778. doi.org/10.1016/j.trb.2023.06.002
-Schoner, J. E., & Levinson, D. M. (2014). The missing link: Bicycle infrastructure networks and ridership in 74 US cities. Transportation, 41(6), 1187-1204.
-SciPy, D. (2026). scipy.spatial.cKDTree - SciPy documentation.
-Shui, C. S., & Chan, W. L. (2019). Optimization of a Bikeway Network with Selective Nodes. Sustainability, 11(23), 6531.
-Szell, M., Mimar, S., Perlman, T., Ghoshal, G., & Sinatra, R. (2022). Growing urban bicycle networks. Scientific Reports, 12, 6765.