جاده

جاده

بازیابی جداول زمان‌بندی سیر و حرکت قطارهای متروی تهران با استفاده از رویکرد بهینه سازی استوار

نوع مقاله : مقاله پژوهشی

نویسندگان
1 استادیار، دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد پرند، تهران، ایران
2 دانشیار، دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد پرند، تهران، ایران
چکیده
متروی تهران به طور معمول در معرض بروز اختلال‌های ناخواسته‌ای است که می‌تواند سبب ایجاد تغییرات جزئی یا کلی اجتناب‌ناپذیر در نظم جداول زمان‌بندی اولیه گردد. نتیجه بروز این قبیل وقایع برنامه‌ریزی‌نشده می‌تواندبا غیرقابل ‌اجرا نمودن جداول ازپیش‌طراحی‌شده، بر وقت‌شناسی حرکت‌های مسافری و در نتیجه میزان مطلوبیت سفرهای مترو تأثیر بگذارد. در وضع موجود شبکه متروی تهران، مسئولیت مدیریت و بازیابی جداول زمانی در شرایط بروز اختلال بر عهده راهبران مرکز کنترل ترافیک قرار دارد. آنها از طریق ارائه راهکارهای مبتنی بر اصول مدیریت اختلال به حذف اعوجاجاتی نظیر پیشامد بروز تأخیر در حرکت‌ها، لغو اعزام‌ها، ازدحام بیش از حد و غیره... اقدام می‌نمایند. با این حال راهکارهای اجرایی شده توسط راهبران مرکز کنترل ترافیک از کیفیت مطلوب برخوردار نیست. افزون بر آن، به طور معمول در شبکه مترو لازم است اختلال‌ها ظرف چند دقیقه مرتفع گردد تا از بروز اثر تجمعی و پراکندگی در ترافیک سیر و حرکت قطارها و خطوط جلوگیری شود که این امر یکی از مسائل چالش‌برانگیز در مدیریت ترافیک خطوط مترو
به شمار می‌رود. از سوی دیگر با توجه به مقیاس و گسترة خطوط متروی تهران، لازم است پیچیدگی‌های محاسباتی و فضای جواب برای رویکردهای حل مسئله دقیقاً معین و در دسترس باشد تا تصمیم‌گیری بهینه امکان‌پذیر شود. طی سال‌های اخیر مدل‌های برنامه‌ریزی مجدد ترافیک مترو برای افزایش سرعت بازیابی جداول و پشتیبانی از تصمیمات مراکز کنترل ترافیک توسعه‌یافته است. یک الگوی اخیر استفاده از شبکه «رویداد
فعالیت» است که در این تحقیق مورد استفاده قرار گرفته است. روابط ریاضی حاکم بر این چارچوب مبتنی بر نمودارهای شبکه‌ای است که می‌تواند طیف وسیعی از وظایف و فعالیت‌های زمان‌بندی مجدد را مورد پشتیبانی قرار دهد؛ بنابراین تحقیق حاضر با استفاده از شبکه «رویداد  فعالیت» و با لحاظ عامل زمان به بررسی حرکت چرخشی ناوگان قطارها در عملیات ورود و خروج قطارها از پایانه‌ها و سایر ایستگاه‌های طول مسیر پرداخته است. با توجه به آنکه استقرار مدل‌های بهینه‌سازی، ضریب توفیق نتایج و احتمال عملیاتی‌شدن تصمیمات کنترل‌کننده ترافیک در مجموعه موجه جواب مسئله افزایش می‌دهد؛ لذا در الگوی پیشنهادی تحقیق حاضر با درنظرگرفتن عوامل مرتبط با ظرفیت ناوگان و حجم مسافری سکوها به تدقیق و محاسبه روابط بازیابی جداول زمان‌بندی پرداخته شده است. در روش پیشنهادی تحقیق حاضر با استفاده از تدقیق ازدحام مسافری سکوها و داشتن مقدار متغیر تأخیرهای در فضای حالت پیشامدها، اقدامات کنترلی مرتبط را برای افزایش کارآمدی بازیابی جداول زمان‌بندی پیاده‌سازی نمود. علی‌رغم آنکه روش حل مسئله برنامه‌ریزی خطی عدد صحیح با توجه به  طیف استفاده از متغیرهای باینری دشوار به نظر می‌رسد با این حال مسیر محاسباتی را به‌منظور تعیین دقیق زمان انتظار، حجم مسافری و کنترل ازدحام و تأخیر امکان‌پذیر می‌نماید. همچنین برای تحلیل تقاضای مسافری و بهبود کارایی سیستم در مواجه با پیچیدگی‌های ناشی از تعدد اعزام‌های مسافری از الگوریتم جستجوی همسایگی استفاده شده است. در این تحقیق الگوریتم جستجوی همسایگی می‌تواند با استفاده از تکمیل جواب راه‌حل متناسب با فضای حالت مسئله را به‌صورت کارآمد کشف نموده و به‌این‌ترتیب یک توازن منطقی میان زمان حل مسئله و کیفیت جواب‌ها ایجاد نماید. مطالعه موردی پژوهش حاضر با استفاده از برنامه زمان‌بندی ناوگان خط چهار متروی تهران حدفاصل ایستگاه‌های «کلاهدوز» تا «بیمه» انجام شده است. نتایج به‌دست‌آمده از شبیه‌سازی‌های صورت‌گرفته، نشان می‌دهد که مدل توسعه‌یافته در تحقیق حاضر با لحاظ حجم مسافری قطارها، زمان انتظار در سکوها و تأخیر قطارها در ایستگاه‌های تقاطعی به‌منظور بازیابی جدول از طریق رویکرد عدد صحیح مختلط و الگوریتم جستجوی همسایگی می‌تواند راه‌حل‌هایی با کارایی و کیفیت بهتر ارائه دهد.
کلیدواژه‌ها

Bauschert, T., Büsing, C., D'Andreagiovanni, F., Koster, A. M., Kutschka, M., & Steglich, U. (2017). Network planning under demand uncertainty with robust optimization. IEEE Communications Magazine, 52(2), 178-185.
-Cacchiani, V., Qi, J., & Yang, L. (2023). Robust optimization models for integrated train stop planning and timetabling with passenger demand uncertainty. Transportation Research Part B: Methodological, 136, 1-29.
-Corman, F., D’Ariano, A., Marra, A. D., Pacciarelli, D., & Samà, M. (2020). Integrating train scheduling and delay management in real-time railway traffic control. Transportation Research Part E: Logistics and Transportation Review, 105, 213-239. doi.org/10.1109/ITSC45102.2020.9294651
-De Leenheer, M., Tofigh, T., & Parulkar, G. (2016). March. Open and programmable metro networks. In Optical Fiber Communication Conference, Optica Publishing Group. Th1A-7. doi.org/10.1364/OFC.2016.Th1A.7
-Dimitrova, E. (2022). September. Analysis of automatic control systems for metro trains. In 2019 11th Electrical Engineering Faculty Conference (BulEF), IEEE. 1-4.doi.org/10.1109/BulEF48056.2019.9030782
-Farhi, N., Van Phu, C. N., Haj-Salem, H., & Lebacque, J. P. (2020). May. Traffic modeling and real-time control for metro lines. Part II-The effect of passenger demand on the traffic phases. In 2017 American Control Conference (ACC), IEEE. 3828-3833.  doi.org/10.23919/ACC.2017.7963541
-Frutos Bernal, E., & Martín del Rey, A. (2022). Study of the structural and robustness characteristics of madrid metro network. Sustainability, 11(12), 3486. doi.org/10.3390/su11123486
-Hernández, J. A., Quagliotti, M., Serra, L., Luque, L., da Silva, R. L., Rafel, A., & Larrabeiti, D. (2020). Comprehensive model for technoeconomic studies of next-generation central offices for metro networks. Journal of Optical Communications and Networking, 12(12), 414-427.doi.org/10.1364/JOCN.402167
-Hou, Z., Gao, S., Nicholson, G., Chen, L., Chen, F., Roberts, C., & Dong, H. (2021). November. A hybrid intelligent algorithm for real time metro traffic regulation in cases of disturbance. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), 3929-3934. IEEE. doi.org/10.1109/ITSC.2018.8569974
-Humayun, M., Afsar, S., Almufareh, M. F., Jhanjhi, N. Z., & AlSuwailem, M. (2022). Smart Traffic Management System for Metropolitan Cities of Kingdom Using Cutting Edge Technologies. Journal of Advanced Transportation.
-Khosrosereshki, F., & Moaveni, B. (2021). Practical Descriptor Modeling of Traffic in Intersecting Metro Lines and Robust Controller Design for Train Synchronization at Transfer Stations. IEEE Systems Journal, 15(4),
5549-5556. doi.org/10.1109/JSYST.2020.3040322
-Khosrosereshki, F., & Moaveni, B. (2021). Traffic modeling and validation for intersecting metro lines by considering the effect of transfer stations. IEEE Access, 10, 1946-1955. doi.org/10.1109/ACCESS.2021.3139470
-König, E. (2023). A review on railway delay management. Public Transport, 12(2), 335-361.
-Li, S., Yang, L., & Gao, Z. (2021). Efficient real-time control design for automatic train regulation of metro loop lines. IEEE Transactions on Intelligent Transportation Systems, 20(2), 485-496.doi.org/10.1109/TITS.2018.2815528
-López-Leyva, J. A., Talamantes-Álvarez, A., Ramos-Garcia, V. M., Ponce-Camacho, M. A., Estrada-Lechuga, J., & Mejia-Gonzaleaz, E. A. (2019). November. Optimized pointing to improving the performance of optical metro networks based on mono-static free-space-optical transceivers. In 2019 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), IEEE, 1-5.doi.org/10.1109/ROPEC48299.2019.9057131
-Luo, J., Tong, Y., Cavone, G., & Dotoli, M. (2021). September. A Service-Oriented Metro Traffic Regulation Method for Improving Operation Performance. In 2021 IEEE International Intelligent Transportation Systems Conference (ITSC), IEEE. 3533-3538. doi.org/10.1109/ITSC48978.2021.9564503
-Mannino, C., & Mascis, A. (2015). Optimal real-time traffic control in metro stations. Operations Research, 57(4), 1026-1039. doi.org/10.1287/opre.1080.0642
-Mathew, A., Das, T., Gokhale, P., & Gumaste, A. (2018). Multi-layer high-speed network design in mobile backhaul using robust optimization. Journal of Optical Communications and Networking, 7(4), 352-367.
-Meng, F., Yang, L., Wei, Y., Li, S., Gao, Z., & Shi, J. (2023). Collaborative passenger flow control on an oversaturated metro line: a path choice approach. Transportmetrica B: Transport Dynamics, 8(1), 376-404.
-Mirbod, M., & Dehghani, H. (2023). Smart Trip Prediction Model for Metro Traffic Control Using Data Mining Techniques. Procedia Computer Science, 217, 72-81. doi.org/10.1016/j.procs.2022.12.203
-Moaveni, B., & Najafi, S. (2020). Metro traffic modeling and regulation in loop lines using a robust model predictive controller to improve passenger satisfaction. IEEE Transactions on Control Systems Technology, 26(5), 1541-1551. https://doi.org/10.1109/TCST.2017.2735945
-Morales, F., Gifre, L., Paolucci, F., Ruiz, M., Cugini, F., Castoldi, P., & Velasco, L. (2020). Dynamic core VNT adaptability based on predictive metro-flow traffic models. Journal of Optical Communications and Networking, 9(12), 1202-1211.
-Qi, Q., Meng, Y., Zhao, X., & Liu, J. (2022). Resilience Assessment of an Urban Metro Complex Network: A Case Study of the Zhengzhou Metro. Sustainability, 14(18), 11555. doi.org/10.3390/su141811555
-Qiu, T., Chen, N., & Zhang, S. (2022). Preliminaries of Robustness Optimization. In Robustness Optimization for IoT Topology, 17-39. Singapore: Springer Nature Singapore. doi.org/10.1007/978-981-16-9609-1_2
-Schanzenbacher, F., Farhi, N., Leurent, F., & Gabriel, G. (2021). Comprehensive passenger demand-dependent traffic control on a metro line with a junction and a derivation of the traffic phases. arXiv preprint arXiv:1811.08347. doi.org/10.48550/arXiv.1811.08347
-Schöbel, A. (2010). Integer programming approaches for solving the delay management problem. In Algorithmic Methods for Railway Optimization: International Dagstuhl Workshop, Dagstuhl Castle, Germany,
June 20-25, 2004, 4th International Workshop, ATMOS 2004, Bergen, Norway, September 16-17, 2004, Revised Selected Papers, Berlin, Heidelberg: Springer Berlin Heidelberg. 145-170. doi.org/10.1007/978-3-540-74247-0_7
-Setioko, S., Fitriani, Y., & Munawaroh, K. (2022). Strategi Peningkatan Usaha Kecil Mikro dan Menengah (UMKM) di Era Pandemi Covid-19 Pada Kota Metro. Journal of Community Development, 2(2), 60-65. doi.org/10.47134/comdev.v2i2.24
-Shen, F., Zhao, L., Du, W., Zhong, W., & Qian, F. (2023). Large-scale industrial energy systems optimization under uncertainty: A data-driven robust optimization approach. Applied Energy, 259, 114199.
-Stahley, L., O’Brien, P. B., Lowe, M., Porteous, P., & Austin, S. (2023). The impact of bed traffic control and improved flow process on throughput measures in a metropolitan emergency department. Journal of Emergency Nursing, 46(5), 682-692.
-Tabassum, K. 2023. An intelligent metro tracking system for Riyadh Smart City. International Journal of Information Technology, 12(4), 1103-1109. doi.org/10.1007/s41870-020-00435-7
-Tang, L., Zhao, Y., Cabrera, J., Ma, J., & Tsui, K. L. (2021). Forecasting short-term passenger flow: An empirical study on shenzhen metro. IEEE Transactions on Intelligent Transportation Systems, 20(10), 3613-3622.
-Tessitore, M. L., Sama, M., D’Ariano, A., Hélouët, L., & Pacciarelli, D. (2022). A simulation-optimization framework for traffic disturbance recovery in metro systems. Transportation Research Part C: Emerging Technologies, 136, 103525.
-Tong, Y., Xu, W., Dotoli, M., & Cavone, G. )2022.( An integrated model predictive control method for the rescheduling of metro traffic with backup trains. In 2022 American Control Conference (ACC), IEEE. 4648-4653.
-Van Breusegem, V., Campion, G., & Bastin, G. )2011(. Traffic modeling and state feedback control for metro lines. IEEE Transactions on automatic control, 36(7), 770-784. doi.org/10.1109/9.85057
-Wahlström, M., Karvonen, H., & Norros, L. (2016). May. Rehearsing for a major accident in a metro control centre: A naturalistic analysis of situation awareness. In The 11th International Conference on Naturalistic Decision Making Marseille. France.
-Wang, J., & Fang, W. (2017). A structured method for the traffic dispatcher error behavior analysis in metro accident investigation. Safety Science, 70, 339-347.doi.org/10.1016/j.ssci.2014.07.014
-Wang, S., Lv, Y., Peng, Y., Piao, X., & Zhang, Y. (2022). Metro Traffic Flow Prediction via Knowledge Graph and Spatiotemporal Graph Neural Network. Journal of Advanced Transportation.
-Wilkie, D., Sewall, J., Li, W., & Lin, M. C. (2018). Virtualized traffic at metropolitan scales. Frontiers in Robotics and AI, 2, 11. doi.org/10.3389/frobt.2015.00011
-Wu, Z., Gao, C., & Tang, T. (2021). A virtually coupled metro train platoon control approach based on model predictive control. IEEE Access, 9, 56354-56363.doi.org/10.1109/ACCESS.2021.3071820
-Yang, J., Jin, J. G., Wu, J., & Jiang, X. (2020). Optimizing passenger flow control and
bus bridging service for commuting metro lines. Computer Aided Civil and Infrastructure Engineering, 32(6), 458-473.
-Ye, H., & Luo, X. (2021). Cascading failure analysis on Shanghai metro networks: An improved coupled map lattices model based on graph attention networks. International Journal of Environmental Research and Public Health, 19(1), 204. mdpi.com/1660-4601/19/1/204#.
-Zhang, H., Li, S., & Yang, L. (2022). Real-time optimal train regulation design for metro lines with energy-saving. Computers & Industrial Engineering, 127, 1282-1296.doi.org/10.1016/j.cie.2018.02.019
-Zhou, L., Yang, X., Wang, H., Wu, J., Chen, L., Yin, H., & Qu, Y. (2023). A robust train timetable optimization approach for reducing the number of waiting passengers in metro systems. Physica A: Statistical Mechanics and its Applications, 558, 124927.doi.org/10.1016/j.physa.2020.124927