پایداری | متن کامل رایگان | حمل و نقل پاسخگو به تقاضا برای تحرک شهری: ادغام تجزیه و تحلیل داده های تلفن همراه برای تقویت سیستم های حمل و نقل عمومی - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی

ادامه ...

خبر مهم: آخرین تمدید مهلت ارسال مقالات و اخذ امتیازات کامل پژوهشی فقط تا ۳۱خرداد…

ادامه ...

Sunday, 16 June , 2024
امروز : یکشنبه, ۲۷ خرداد , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 16315

ارسال

پرینتخانه » مقالات تاریخ انتشار : 22 می 2024 - 3:30 | 13 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | حمل و نقل پاسخگو به تقاضا برای تحرک شهری: ادغام تجزیه و تحلیل داده های تلفن همراه برای تقویت سیستم های حمل و نقل عمومی

۱٫ معرفی مناطق شهری رشد قابل توجهی از جمعیت را تجربه می‌کنند و چالشی حیاتی را برای شهرها در رابطه با نحوه جابه‌جایی کارآمد مردم با حفظ کیفیت زندگی ساکنان و سایر کاربران افزایش می‌دهند. با الگوهای مسافرتی پویا و در حال تحول کاربران شهری، همگام شدن با تنوع نیازهای تقاضا برای سیستم‌های حمل‌ونقل عمومی […]

۱٫ معرفی

مناطق شهری رشد قابل توجهی از جمعیت را تجربه می‌کنند و چالشی حیاتی را برای شهرها در رابطه با نحوه جابه‌جایی کارآمد مردم با حفظ کیفیت زندگی ساکنان و سایر کاربران افزایش می‌دهند. با الگوهای مسافرتی پویا و در حال تحول کاربران شهری، همگام شدن با تنوع نیازهای تقاضا برای سیستم‌های حمل‌ونقل عمومی سنتی و مسیر ثابت دشوارتر می‌شود. این ضعف می‌تواند منجر به استفاده ناکافی از منابع، افزایش ازدحام، تجربه کلی حمل و نقل نامناسب، ناکارآمدی عملیاتی و ناهماهنگی با الزامات فعلی پایداری محیطی شود. علاوه بر این، ماهیت سفت و سخت شبکه‌های حمل‌ونقل می‌تواند کاربران را به مسیرهای غیربهینه وادار کند، فاقد انعطاف‌پذیری لازم برای پرداختن به ناهمگونی الگوهای تحرک در داخل شهر. تحت چنین شرایطی، برنامه ریزان تحرک و ذینفعان شهرداری به طور فزاینده ای خدمات حمل و نقل بر اساس تقاضا مانند حمل و نقل پاسخگو به تقاضا (DRT) را به عنوان یک راه حل آینده نگر برای بهینه سازی کارایی شبکه حمل و نقل عمومی بررسی می کنند. [۱,۲]. پذیرش آن می تواند به عنوان مکمل خدمات موجود و یا حتی در شرایط خاص جایگزین آنها باشد.

مفهوم DRT در درجه اول بر ارائه حمل و نقل عمومی مقرون به صرفه در مناطق حومه و روستایی متمرکز بود و عمدتاً بر اساس شواهد تجربی سازماندهی شد. [۳]. پیشرفت‌ها در فناوری ارتباطات و ردیابی، مانند سیستم‌های موقعیت‌یابی خودرو و تلفن‌های همراه مجهز به سیستم موقعیت‌یابی جهانی (GPS)، DRT را از یک سرویس سنتی شماره‌گیری که توسط اپراتورهای حمل‌ونقل عمومی یا شرکت‌های تاکسی مدیریت می‌شود، به برنامه (موبایل) تبدیل کرده است. خدمات مبتنی بر این خدمات شامل مسیرهای انعطاف پذیر، توقف ها و ابعاد مناسب وسیله نقلیه است و توسط اپراتورهایی مانند Zeelo اجرا می شود. [۴] و اوبر. اجرای موفقیت آمیز و سازگاری سیستم های DRT به برنامه ریزی پویا برای پاسخگویی به تقاضای نوسان، افزایش کارایی عملیاتی برای ارائه دهندگان خدمات متکی است. ترکیب انعطاف‌پذیری بالاتر، به دلیل استفاده از تکنیک‌های بهینه‌سازی پیشرفته و تجزیه و تحلیل داده‌ها، به یک راه‌حل مناسب‌تر برای رفع نیازهای متمایز گروه‌های کاربری خاص در مناطق شهری و صرفه‌جویی در هزینه‌ها در مناطق با تقاضای کم یا پراکنده اجازه می‌دهد. همچنین می تواند ارتباط بین مناطق روستایی یا حومه شهری و مراکز شهری را تقویت کند [۵]. علاوه بر این، می تواند به صرفه جویی در سوخت کمک کند و به طور همزمان انتشار گازهای گلخانه ای را کاهش دهد [۶,۷,۸]، بنابراین با اهداف پایداری زیست محیطی همسو می شود. در مجموع، ادغام سیستم‌های DRT در حمل‌ونقل شهری رویکردی چندوجهی برای پرداختن به چالش‌های پیچیده پایداری ارائه می‌کند. [۹]. DRT با بهینه سازی استفاده از منابع و کاهش هزینه های عملیاتی برای ارائه دهندگان خدمات با کاهش ناکارآمدی های ذاتی در سیستم های حمل و نقل عمومی مسیر ثابت سنتی، کارایی اقتصادی را تقویت می کند.

علاوه بر این، DRT با ارائه راه‌حل‌های تحرک متناسب با نیازهای مختلف جمعیت شهری، از جمله کسانی که در مناطق محروم یا دور افتاده زندگی می‌کنند، شمول اجتماعی را افزایش می‌دهد. انعطاف پذیری خدمات DRT دسترسی عادلانه به حمل و نقل، ارتقاء انسجام اجتماعی و افزایش کیفیت زندگی را برای همه ساکنان تضمین می کند. علاوه بر این، دسترسی و راحتی ارائه شده توسط DRT می تواند با تسهیل دسترسی به اشتغال، آموزش و خدمات ضروری، به توانمندسازی اقتصادی جوامع حاشیه نشین کمک کند. از دیدگاه زیست محیطی، با بهینه سازی کارایی مسیر و به حداقل رساندن مایل های خالی خودرو، DRT به کاهش تراکم و آلودگی هوا در مناطق شهری کمک می کند. بعلاوه، اتخاذ DRT تغییر حالت‌ها را به سمت گزینه‌های حمل‌ونقل پایدارتر، مانند تحرک مشترک و حالت‌های حمل‌ونقل فعال تشویق می‌کند و در نتیجه محیط‌های شهری پاک‌تر و سبزتر را ترویج می‌کند. به طور کلی، اتخاذ حمل و نقل پاسخگو به تقاضا با افزایش کارایی اقتصادی، تقویت مشارکت اجتماعی و ترویج نظارت بر محیط زیست در سیستم های حمل و نقل شهری، با ستون های پایداری همسو می شود.

با چنین تأثیراتی، در سال های گذشته، تعداد فزاینده ای از خدمات آزمایشی تحرک بر اساس تقاضا در اروپا و آمریکای شمالی راه اندازی شده است. [۱۰]، یعنی XBUS در پرتغال [۱۱]، BerlKönig در آلمان [۱۲]، Zeelo در انگلستان [۴]و Shotl در اسپانیا [۱۳]. نتایج نشان می دهد که خدمات بر اساس تقاضا و DRT به طور بالقوه می توانند اثرات نامطلوب مختلف حمل و نقل را تحت شرایط خاص کاهش دهند. یافته های برل کونیگ [۱۲] تأثیر مثبتی بر ازدحام و کاهش هر دو CO نشان می دهد_۲ و انتشار NOx در هر مسافر. تقریباً ۶۰٪ از سواری های BerlKönig جایگزین سفرهای انجام شده توسط وسایل نقلیه شخصی، اشتراک گذاری خودرو، اشتراک سواری و تاکسی شده است.

با برنامه‌ریزی مسیرها کمی قبل از ارائه خدمات و بهینه‌سازی ویژگی‌های خودرو برای نیازهای کاربر، DRT کل مسافت طی شده در محیط‌های شهری را به حداقل می‌رساند و در عین حال پوشش رفت و آمد را حفظ می‌کند. با این حال، پرداختن به این اهداف از نظر محاسباتی به دلیل اهداف و محدودیت‌های متعدد چالش برانگیز است. DRT ارتباط نزدیکی با مشکل مسیریابی خودروی دینامیکی (DVRP) دارد، یک مسئله ترکیبی معروف NP-hard، که هدف آن ارائه کارآمد تقاضا در حین برآورده کردن اهداف و محدودیت‌های مختلف، مانند به حداقل رساندن تاخیرها، هزینه‌ها و مسافت سفر است. راه حل های بهینه برای DVRP برای سیستم های DRT برای پاسخگویی به درخواست ها در زمان واقعی بسیار مهم است.

پیاده سازی سیستم های DRT مستلزم چیزی بیش از حل مدل های ریاضی است. این امر مستلزم درک کاملی از چگونگی تأثیر تفاوت های ظریف عملیاتی بر مشتریان و اپراتورهای خدمات است. روش‌های متعارف برنامه‌ریزی سفر برای حمل‌ونقل برحسب تقاضا، اغلب پیچیدگی‌های عوامل دنیای واقعی، از جمله تغییرات زمان سفر و تأخیرهایی که کاربران در توقف‌ها تجربه می‌کنند، نادیده می‌گیرند. [۱۴].

هدف جمع‌آوری داده‌های کنونی از منابع مختلف، مانند داده‌های مکانی بی‌درنگ از دستگاه‌های تلفن همراه، کارت‌های هوشمند، GPS و داده‌های مکان خودرو، افزایش درک با تجزیه و تحلیل رفتار سیستم در شرایط و رویدادهای نامشخص است. در محیط شهری امروزی، این دستگاه‌ها به‌عنوان حسگرهایی در همه جا عمل می‌کنند که منبعی غنی از اطلاعات در مورد الگوهای سفر، ازدحام و رفتار کاربر ارائه می‌کنند. با این حال، این منابع داده علیرغم غنی بودن، به ویژه در بهبود عملکرد حمل و نقل عمومی به طور کامل مورد استفاده قرار نمی گیرند. [۲]. این مطالعه با هدف پر کردن این شکاف پژوهشی انجام شده است.

استفاده از تکنیک‌های مبتنی بر داده برای ارزیابی کارایی سیستم‌های حمل‌ونقل، ارتقای بهبود خدمات، و ایجاد زمینه‌ای واقعی برای فرآیندهای نظارتی و تصمیم‌گیری آگاهانه ضروری است. ترکیب خدمات حمل و نقل بر اساس تقاضا، تجزیه و تحلیل داده های تلفن همراه مشتق شده از تلفن های همراه شخصی، و به کارگیری تجزیه و تحلیل داده ها، رویکردی مناسب برای درک پیچیدگی های پویایی حمل و نقل است.

این مطالعه یک چارچوب حمل و نقل بر اساس تقاضا را ارائه می‌کند که از راه‌حل بهینه‌سازی DRT استفاده می‌کند. این مولفه‌های اصلی چارچوب را تشریح می‌کند و بر نقش تجزیه و تحلیل داده‌های چند منبعی و تلفن همراه در شناسایی و پاسخ به الگوهای سفر تأکید می‌کند. راه حل بهینه سازی DRT که زیربنای چارچوب است دارای دو جزء اصلی است: یک ماژول شبیه سازی و یک ماژول بهینه سازی مسیریابی که مسئول تنظیم پویا مسیرهای حمل و نقل بر اساس درخواست ها است. نتایج این مطالعه به بحث‌های نظری و عملی در مورد تحرک شهری کمک می‌کند، شهرها را به سمت آینده هدایت می‌کند که در آن حمل‌ونقل عمومی برای نیازهای فردی سفارشی‌سازی می‌شود، به طور فزاینده‌ای از نظر زیست‌محیطی آگاهانه و ذاتاً کارآمد است.

باقی مانده از مقاله به شرح زیر سازماندهی شده است: بخش ۲ ادبیات موجود را بررسی می کند. بخش ۳ منطقه مورد مطالعه و مجموعه داده های مورد استفاده را توصیف می کند و چارچوب پیشنهادی را توضیح می دهد. بخش ۴ تنظیم آزمایشی را ارائه می دهد. نتیجه آزمایش در زیر آورده شده است بخش ۵. بخش ۶ و بخش ۷ بحث و نتیجه گیری مقاله

۲٫ بررسی ادبیات

سیستم‌های تحرک شهری عمدتاً از ترکیبی از وسایل نقلیه شخصی، ناوگان حمل‌ونقل عمومی و گزینه‌های فزاینده مانند راه‌حل‌های اشتراک‌گذاری و حمل‌ونقل کوچک برای استفاده از فضای عمومی تشکیل شده‌اند و در تلاش برای ارائه راه‌حل‌های کارآمد، پایدار و کاربرپسند هستند. [۱۵,۱۶]. با توجه به این چالش ها، مطالعه و بررسی مفهوم حمل و نقل بر حسب تقاضا به عنوان یک مفهوم بالقوه در حمل و نقل شهری اهمیت قابل توجهی یافته است.

پیشرفت‌های اخیر در سیستم‌های حمل‌ونقل برحسب تقاضا به تفصیل و شرح داده شده است [۶,۷,۱۴,۱۷,۱۸,۱۹]. که در [۲۰]یافته ها نشان می دهد که اهمیت خدمات بر اساس تقاضا در انتخاب های استراتژیک که توسط مقامات حمل و نقل عمومی انجام می شود بسته به زمینه سیاسی ذاتی متفاوت است. به عبارت دیگر، در حالی که شهرهای خاصی حمل و نقل شهری را در اولویت قرار می دهند، برخی دیگر بر خدمات ترانزیت روستایی تاکید دارند. در مناطقی با مسافت های طولانی برای پوشش و کمبود حمل و نقل عمومی، DRT به نظر یک نیاز قابل توجه است، مانند حومه هانوفر، آلمان. [۳].

عوامل متعددی می توانند بر کارایی خدمات DRT تأثیر بگذارند. ادبیات موجود نشان می‌دهد که عواملی از جمله عدم دسترسی به خدمات حمل‌ونقل عمومی، نرخ بالای مالکیت خودرو و کاهش تقاضا در طراحی بهینه سیستم‌های DRT نقش اساسی دارند. [۵]. علاوه بر این، در سناریوهایی که با تقاضای کلی کم و حداقل فاصله بین دوره‌های تقاضای خارج از پیک و پیک مشخص می‌شوند، استفاده از مینی‌بوس‌ها به عنوان یک اقدام مقرون‌به‌صرفه برای افزایش دوام اقتصادی راه‌حل‌های DRT ظاهر می‌شود. [۵]. بررسی های تجربی نشان می دهد که کاربران حمل و نقل عمومی معمولی تمایل بیشتری به پذیرش DRT نشان می دهند [۱]، در حالی که کاربران تحمل زمان انتظار را در مقایسه با تحمل مسیرهای انحرافی طولانی تر نشان می دهند. آلونسو-گونزالس و همکاران. [۲۱] استدلال می کنند که DRT پتانسیل را به عنوان مکملی برای خدمات حمل و نقل ثابت ارائه می دهد، اما اجرای آن ممکن است خطرات قابل توجهی را به همراه داشته باشد. ممکن است یک ناوگان بزرگ برای بهره وری DRT مورد نیاز باشد که به طور بالقوه منجر به خدمات تاکسی مانند پرهزینه می شود. اگر DRT هزینه‌های تعمیم‌یافته کمتری را ارائه دهد، می‌تواند بر حمل و نقل ثابت تأثیر بگذارد و بر درآمد تأثیر بگذارد و احتمالاً در موارد شدید تراکم را افزایش دهد. تجزیه و تحلیل دقیق هزینه های تعمیم یافته برای شناسایی نابرابری های بالقوه بسیار مهم است. علاوه بر این، کاهش درآمد ترانزیت ثابت می تواند منجر به زوال یا حذف خدمات حمل و نقل ثابت شود، حتی اگر DRT به طور کامل تقاضای مسافر را برآورده نکند. بنابراین، تجزیه و تحلیل فضایی سواری های کاهش یافته و تکمیل شده برای ارزیابی ریسک موثر و استراتژی های کاهش ضروری است.

چندین مطالعه تحقیقاتی چارچوب ها و مدل های تحلیلی را برای مطالعه جنبه های مختلف خدمات بر اساس تقاضا پیشنهاد کردند. [۲۱,۲۲,۲۳]. تحقیق در [۲۱] چارچوبی را برای ارزیابی اثربخشی خدمات DRT و تأثیر آنها بر دسترسی معرفی کرد. آنها همچنین به طور تجربی یک سرویس DRT معرفی شده در هلند را تجزیه و تحلیل کردند. در مقایسه با ترانزیت خط ثابت، یافته‌ها نشان می‌دهند که DRT پتانسیل افزایش دسترسی کاربر را دارد، به‌ویژه برای جفت‌های مبدا-مقصد خاصی که در حال حاضر مورد استفاده قرار نمی‌گیرند. داگانزو و همکاران [۲۴] یک چارچوب تحلیلی برای مدل‌سازی عملکرد مداوم سیستم‌های حمل و نقل مختلف پاسخگو به تقاضا معرفی کرد که تاکسی‌های غیر مشترک، خدمات شماره‌گیری و اشتراک‌گذاری سواری را به عنوان نمونه‌ها و موقعیت‌های خاص پوشش می‌دهد. دیویسون و همکاران [۲۵] وضعیت طرح های DRT در بریتانیای کبیر را بررسی کرد. آن‌ها از مدل‌های رگرسیون خطی استفاده کردند تا نشان دهند که، به‌ویژه در مناطق روستایی، تعداد مسافران تحت‌تاثیر مقیاس خدمات (از نظر صندلی‌های موجود) و استفاده از وسایل نقلیه کوچک‌تر قرار می‌گیرد. چندین مطالعه از شبیه‌سازی‌ها برای ارزیابی اینکه چگونه خدمات درخواستی می‌توانند بر شبکه‌های شهری واقعی تأثیر بگذارند، از جمله لیسبون (پرتغال) استفاده کرده‌اند. [۲۶]شهر نیویورک (ایالات متحده آمریکا) [۲۷]، سائو پائولو، برزیل) [۲۸]و برمرهاون (آلمان) [۲۹].

گومز و همکاران [۳۰] یک راه حل بهینه سازی DRT را معرفی کرد که از یک شبیه ساز و الگوریتم مسیریابی تشکیل شده است. این روش از یک سناریوی تقاضای نظری در کنار داده های آماری استاتیک برای اطلاع رسانی به مدل استفاده می کند. کاوش بیشتر نشان می دهد که غنی سازی چارچوب تحلیلی با داده های تلفن همراه برای تعیین الگوهای تحرک و احتمالات تقاضا می تواند ورودی ها را برای فرآیند بهینه سازی اصلاح کند. چنین رویکردی برای افزایش دقت و کاربرد مدل در زمینه‌های مختلف دنیای واقعی ارائه شده است، در نتیجه به طور بالقوه اثربخشی کلی سیستم‌های DRT را بهبود می‌بخشد.

مارتینز و همکاران [۲۶] یک سیستم تاکسی سرویس مشترک برای مناطق شهری با رویکرد دیسپاچینگ مرکزی معرفی کرد. آنها از یک شبیه سازی مبتنی بر عامل برای ارزیابی کاربرد بالقوه بازار آن در لیسبون، پرتغال استفاده کردند. یافته‌ها نشان می‌دهد که این سیستم می‌تواند یک گزینه حمل‌ونقل مطلوب، به‌ویژه برای مکان‌هایی با مبدا و مقصد همسو باشد. میانگین کاهش ۹ درصدی کرایه را در مقایسه با سیستم معمولی نشان داد، در حالی که تأثیر آن بر درآمد تاکسی نسبتاً کم بود.

کاستا و همکاران [۲۸]نشان داد که سیستم‌های DRT می‌توانند به جذب کاربران وسایل نقلیه فردی و تکمیل حمل‌ونقل عمومی کمک کنند. نویسندگان قابلیت حیات DRT را به عنوان یک سرویس تغذیه کننده برای سیستم های حمل و نقل اصلی مانند اتوبوس سریع یا مترو ارزیابی کردند. آنها از یک مدل شبیه سازی بهینه سازی برای تعیین پتانسیل آن استفاده کردند. این مدل در یک سیستم حمل و نقل مایل اول/آخرین در نزدیکی یک ایستگاه مترو سائوپائولو، برزیل، اعمال شد. نتیجه مزیت زیست‌محیطی قابل‌توجهی را نشان می‌دهد که ناشی از انتشار کمتر مربوط به کاهش مسافت سفر تا ۵۶٪ است.

شلوتر و همکاران [۲۹] پتانسیل سیستم های DRT را در اتصال مناطق روستایی و شهری، با استفاده از برمرهاون، آلمان و اطراف آن به عنوان مطالعه موردی ارزیابی کرد. آنها الگوهای تحرک ساکنین را شبیه سازی کردند و هزینه های عملیاتی را برای سناریوهای مختلف از جمله وسایل نقلیه خودکار با پیشرانه های مختلف محاسبه کردند. یافته‌ها نشان می‌دهند که سیستم‌های DRT خودکار می‌توانند به طور موثر هزینه‌های حمل‌ونقل اقتصادی و زیست‌محیطی را هنگام پل زدن در مناطق روستایی و شهری کاهش دهند.

مطالعه ای توسط دکا و همکاران. [۱۹] دریافتند که در سال ۲۰۱۱، تمرکز اولیه بر روی پایداری محیطی بود. با این حال، از آن زمان، نگرانی مربوطه در مورد جنبه های اقتصادی توسعه DRT نیز وجود داشته است. نویسندگان استدلال می کنند که مهم ترین شاخص برای ارزیابی پایداری تجاری یک سیستم DRT درصد هزینه عملیاتی است که توسط کرایه عملیات خدمات آن پوشش داده می شود. نویسندگان همچنین یک سیستم DRT را که در دبی کار می کند تجزیه و تحلیل کردند که می تواند مدت زمان سفر و زمان تخمینی تحویل را به ترتیب حدود ۱۴ و ۲۲ درصد کاهش دهد. که در [۳۱]، مارتینز و همکاران به این نتیجه رسیدند که جایگزینی ماشین‌های شخصی، اتوبوس‌ها و تاکسی‌ها با حالت‌های مشترک با حفظ خدمات مترو باعث کاهش سفر با وسایل نقلیه و کاهش CO می‌شود._۲ انتشارات

ژانگ و همکاران [۲] تاکید کرد که پتانسیل استفاده نشده ای در استفاده از داده های چند منبعی، به ویژه در ارزیابی عملکرد حمل و نقل عمومی وجود دارد. چالش اصلی در چگونگی ترکیب موثر این منابع داده نهفته است. نویسندگان یک روش مبتنی بر داده را با استفاده از چندین منبع داده برای ارزیابی عملکرد سیستم اتوبوس عمومی پیشنهاد کردند. آنها این رویکرد را در سیستم اتوبوس عمومی درون شهری در بریزبن استرالیا آزمایش کردند. ژانگ و همکاران [۳۲] روشی را برای قرار دادن ایستگاه های خدمات گروهی تاکسی در سراسر شهر معرفی کرد. این روش بر اساس سفرهای تاکسی منظم است و نقاط تحویل و تحویل مشخصی را در مسیرهای تاکسی ایجاد می‌کند و به چندین مسافر اجازه می‌دهد یک سفر واحد را به اشتراک بگذارند. لانگ و همکاران [۳۳] بررسی کرد که چگونه داده‌های تاکسی را می‌توان در زمان واقعی با استفاده از الگوریتم‌های خوشه‌بندی پردازش کرد. آنها همچنین مناطقی را که مسافران اغلب در آنجا پیاده می شوند، بررسی کردند. نویسندگان از الگوریتم خوشه‌بندی K-means همراه با الگوریتم Canopy بر اساس چارچوب Spark برای انجام خوشه‌بندی و تجزیه و تحلیل داده‌ها استفاده کردند. فرانکو و همکاران [۳۴] یک مدل مبتنی بر عامل برای شبیه‌سازی سیستم‌های DRT در بریستول، انگلستان توسعه داد. نتایج نشان می‌دهد که استفاده از داده‌های تلفن همراه می‌تواند به مدل‌سازی بهتر تقاضا و الگوهای سفر کاربر منجر شود. این بر اهمیت مدل های ریاضی و آماری در پرداختن به چالش های تحرک شهری تاکید می کند. نویسندگان پیشنهاد می‌کنند که استفاده از داده‌های تلفن همراه و چند منبعی و به‌کارگیری روش‌های مدل‌سازی پیشرفته، درک نیازهای گروه‌های مختلف مسافران را افزایش می‌دهد. علاوه بر این، شناسایی آسان‌تر موانع برای طراحی راه‌حل‌های کارآمدتر و سازگار با محیط‌زیست و یکپارچه‌سازی سیستم‌های حمل‌ونقل امکان‌پذیر است.

تائو و همکاران [۵] با استفاده از داده‌های سفر و بررسی‌ها، چگونگی تأثیر شرایط در مناطق حاشیه‌شهری بر طراحی و عملکرد DRT و الگوهای سفر را بررسی کرد. این مطالعه نشان داد که خدمات حمل و نقل عمومی در چنین مناطقی، همراه با مالکیت خودرو بالا و تقاضای کم، به طور قابل توجهی بر طراحی DRT تأثیر می گذارد. نویسندگان به این نتیجه رسیدند که ترکیب DRT با حمل و نقل عمومی می تواند در مناطق حومه شهری موفقیت آمیز باشد و دسترسی را بدون جایگزینی حمل و نقل عمومی بهبود بخشد. با این حال، خطر تغییر افراد از پیاده روی و دوچرخه سواری به DRT وجود دارد. کاربران DRT در مقایسه با مسیرهای طولانی‌تر ناشی از انحراف، در زمان انتظار برای تحویل گرفتن صبورتر هستند.

بر اساس بررسی، قابل‌توجه است که بهینه‌سازی کارایی راه‌حل‌های حمل‌ونقل انعطاف‌پذیر، مانند DRT، که می‌تواند با نوسانات تقاضای پویا سازگار شود، با یکپارچه‌سازی داده‌های چند منبعی، از جمله مجموعه داده‌های تلفن همراه قابل دستیابی است. با بهترین دانش نویسندگان، این ادغام هرگز به روشی که در چارچوب پیشنهادی در این مطالعه انجام شده است، انجام نشده است. این یک چارچوب مبتنی بر داده را معرفی می‌کند که برای استفاده از ورودی‌های داده چند منبعی -شامل داده‌های واقعی تلفن همراه، اطلاعات تقاضا از اپراتورهای حمل‌ونقل و مجموعه داده‌های حمل‌ونقل عمومی- برای اطلاع‌رسانی و بهبود راه‌حل بهینه‌سازی DRT طراحی شده است. متعاقباً، اثربخشی این چارچوب به‌طور تجربی از طریق یک تحلیل مقایسه‌ای با یک سرویس اتوبوس با برنامه ثابت معمولی در پورتو، پرتغال ارزیابی شده است. این مقایسه پتانسیل بهینه سازی مبتنی بر داده را در بهبود پاسخگویی و کارایی سیستم های DRT برجسته می کند و بر اهمیت راه حل های حمل و نقل سازگار در محیط های شهری تأکید می کند.

۳٫ مواد و روشها

این مطالعه بررسی می‌کند که آیا سرویس DRT شامل تقاضای انعطاف‌پذیر ساخته شده بر روی داده‌های تلفن همراه می‌تواند به کارایی عملیاتی بهتر و اثرات زیست‌محیطی مربوطه منجر شود و سطح یکسانی از پوشش عرضه حمل‌ونقل را حفظ کند. برای این منظور، یک چارچوب تحرک تحلیلی در شهر پورتو، پرتغال پیشنهاد و اعمال شده است. ابزارهای مختلفی از جمله زبان برنامه نویسی پایتون، پانداها و QGIS برای پیاده سازی چارچوب و انجام پردازش و تحلیل داده ها استفاده شد. بخش‌های فرعی زیر مجموعه داده‌های مورد استفاده، چارچوب پیشنهادی و مروری بر منطقه مورد مطالعه را شرح می‌دهند.

۳٫۱٫ شرح مطالعه موردی

به دنبال توصیه‌های اپراتور در مورد مسیرهای ممکن برای ارزیابی اثربخشی چارچوب، مدل توسعه‌یافته در یک منطقه خاص در پورتو اعمال شد. هدف شناسایی یک منطقه با تقاضای بالا در شهر و ارزیابی این بود که آیا چارچوب و راه حل DRT نتایجی را ایجاد می کند که می تواند به تخصیص کارآمدتر منابع نسبت به سرویس اتوبوس خط ثابت موجود در شهر، که توسط مدیریت می شود، تبدیل شود. اپراتور STCP، Sociedade de Transportes Colectivos do Porto (اپراتور حمل و نقل عمومی پورتو).

STCP دارای ۶۹ خط اتوبوس با ناوگانی متشکل از ۴۲۰ اتوبوس است که شبکه ای به طول ۴۹۳ کیلومتر را پوشش می دهد و ۲۵۱۴ ایستگاه را ارائه می دهد. [۳۵]. STCP سالانه حدود ۶۸ میلیون مسافر را جابجا می کند. روزهای هفته ۵۷ میلیون مسافر، آخر هفته ها و تعطیلات ۱۰٫۸ میلیون مسافر و ۵۷۱۰۰۰ نفر از دوره اوج صبحگاهی استفاده کرده اند. میانگین سفر به ازای هر مسافر ۳٫۷ کیلومتر بوده و ضریب اشغال اتوبوس ۱۳٫۵ درصد بوده است. از مجموع ناوگان اتوبوسرانی، ۵ درصد برق و ۷۹ درصد گاز طبیعی است که ۸۴ درصد از کل ناوگان را تشکیل می دهد. ۱۶ درصد باقیمانده گازوئیل است. میانگین قیمت بلیط های گاه به گاه ۲٫۹۶ یورو است.

۳٫۲٫ مجموعه داده ها

مجموعه داده هایی که بینش هایی را در مورد منطقه مورد مطالعه ارائه می دهند برای هر چارچوب داده محور ضروری هستند. نمونه‌هایی از مجموعه داده‌های ارزشمند شامل سوابق جزئیات تماس تلفن همراه (CDR)، ماتریس‌های مبدا-مقصد، داده‌های حرکت اتوبوس/تاکسی موجود، و ردیابی GPS است. چنین داده هایی می تواند به شناسایی نقاط مورد علاقه، محاسبه حرکت افراد در بین مناطق و تخمین احتمال توزیع تقاضا کمک کند. در این کار از دو نوع داده استفاده شده است:

اولین مجموعه داده شامل داده های تلفن همراه ناشناس در قالب ماتریس های مبدا-مقصد (O-D) است. این شامل یک رکورد سه هفته ای داده از اپراتور تلفن همراه است که برای شهرداری های منطقه شهری پورتو جمع آوری شده است. این شامل اطلاعاتی مانند زمان، شهرداری، مبدا، مقصد، تعداد ورودی و خروجی بود.
مجموعه دوم داده های تحرک بود که شامل داده های شبکه STCP (شرکت حمل و نقل عمومی که اتوبوس ها و ترامواها را در منطقه شهری پورتو، پرتغال اداره می کند.) داده های تحرک شامل مسیرهای اتوبوس، ایستگاه های اتوبوس، زمان توقف، فرکانس بود. ، سفرها و غیره. اپراتور همچنین جریان های تقاضای واقعی را ارائه می کند.

این مجموعه داده ها در مراحل مختلف چارچوب برای تجزیه و تحلیل الگوی تحرک منطقه و استخراج اطلاعات مورد نیاز برای اجرای شبیه سازی DRT مورد استفاده قرار گرفته اند، همانطور که در بخش های بعدی توضیح داده شده است.

۳٫۳٫ چارچوب تحرک تحلیلی

این بخش مراحل چارچوب پیشنهادی را تشریح و تشریح می کند و نشان می دهد که چگونه مراحل در مجموعه داده ها و مطالعه موردی اعمال شده است. این چارچوب شامل چهار مرحله برای پردازش داده های چند منبعی است و از یک راه حل بهینه سازی DRT استفاده می کند. این شامل تجزیه و تحلیل و تخمین الگوهای تحرک با استفاده از مجموعه داده های واقعی برای تغذیه ورودی های مورد نیاز به راه حل بهینه سازی DRT است.

نمودار جریان داده ارائه شده در شکل ۱ چهار مرحله چارچوب را به تصویر می کشد:

مرحله پردازش داده شامل تمیز کردن، تجسم، تجزیه و تحلیل و پردازش مجموعه داده ها برای به دست آوردن اطلاعات لازم است. هدف این مرحله این است که اپراتورها و طرف‌های ذینفع بتوانند با تجزیه و تحلیل مناطق کانونی، بررسی در دسترس بودن داده‌های تحرک برای مناطق انتخاب‌شده، و شناسایی اتوبوس‌های ترانزیت ثابت موجود، منطقه (منطقه‌هایی) را که در آن راه‌حل DRT را اعمال می‌کنند، شناسایی و تعریف کنند. خطوط؛
مرحله آماده سازی ورودی ورودی های مورد نیاز برای راه حل های بهینه سازی DRT (مرحله ۳) را از داده های پردازش شده محاسبه می کند. این اطلاعات ممکن است شامل اطلاعات سفر و شبکه حمل و نقل، توزیع احتمال تقاضای مکانی، مکان‌های حمل و نقل، زمان سفر و غیره باشد.
بهینه سازی تحرک شامل اجرای بهینه ساز DRT است. از ورودی های آماده شده در مرحله قبل استفاده می کند و راه حل شبیه سازی/بهینه سازی DRT را اجرا می کند.
در نهایت، در مرحله ۴، نتایج بهینه‌سازی پردازش و ذخیره می‌شوند و می‌توانند از طریق پایگاه داده یا داشبورد قابل دسترسی باشند.

۳٫۳٫۱٫ مرحله پردازش داده ها

در طول این مرحله، مجموعه داده ها باید تحت یک فرآیند پاکسازی داده ها قرار گیرند تا خطاها و نقاط داده تکراری حذف شوند. پس از آن، تکنیک های تجسم برای کمک به تجزیه و تحلیل و استخراج اطلاعات ضروری استفاده می شود. علاوه بر این، هر گونه ناهنجاری در مجموعه داده ها شناسایی و حذف می شود. در نهایت، داده های پردازش شده برای شناسایی مناطق هات اسپات و ارزیابی در دسترس بودن داده های تلفن همراه و تحرک در مناطق انتخاب شده، که برای بررسی خطوط اتوبوس حمل و نقل ثابت موجود برای انتخاب نقاط سوار شدن و رها کردن استفاده می شود، استفاده می شود.

اسکریپت های پایتون برای انجام این مرحله توسعه یافتند که از کتابخانه های مختلفی از جمله پانداها برای تجزیه و تحلیل داده ها استفاده می کردند. O-D برای مناطق بخش آماری شهر پورتو از مجموعه داده ها استخراج شد. اسکریپت ها به تجزیه و تحلیل داده ها بر اساس حجم حرکات رخ داده بین مناطق مختلف شهر کمک می کنند. این محاسبات به صورت ساعتی و روزانه با هدف تعیین میانگین و مجموع این حرکات انجام شد. تجزیه و تحلیل داده ها همچنین درک ساعات اوج مصرف روزانه، الگوهای تحرک، و ناهنجاری های بالقوه در الگوهای تحرک (مانند موارد ناشی از رویدادها) را امکان پذیر کرد. در نتیجه تجزیه و تحلیل، قبل از استفاده از داده‌ها در راه‌حل بهینه‌سازی تحرک، این ناهنجاری‌ها را از مجموعه داده‌ها شناسایی و حذف کردیم.

در مرحله بعد، از APIهای OpenStreetMap برای یافتن خیابان های مرجع استفاده شد. تجزیه و تحلیل این داده ها بینشی از الگوهای تحرک، پویایی های زمانی و تغییرات استفاده از تلفن همراه در این هفته های خاص ارائه کرد. سپس، این اطلاعات رسم شد و روی نقشه قرار گرفت. شکل ۲ نمونه ای از چنین نموداری را نشان می دهد. این یک نمای کلی از حرکات بین هر مبدا و مقصد در شهر پورتو ارائه می دهد. این امکان یک دید جامع از مجموعه داده ها را فراهم می کند و الگوهای اساسی را برجسته می کند. ضخامت خط نشان دهنده مقدار حرکات تقاضا است و اندازه گره ها حرکات بین منطقه ای را نشان می دهد. با تجمیع حرکات تقاضا و اعمال خوشه‌بندی، می‌توان نقاط داغ را در منطقه مورد نظر مشخص کرد.

سپس، داده‌ها با داده‌های تحرک همپوشانی شدند، که به شناسایی خدمات اتوبوس، مسیرها، ایستگاه‌های اتوبوس، و برنامه‌های تحت پوشش داده‌های تلفن همراه کمک کرد. این امر درک حرکات و الگوهای تحرک را در رابطه با داده های تحرک تسهیل می کند و امکان شناسایی خطوط اتوبوس حمل و نقل ثابت در مناطق با درخواست های بالا را فراهم می کند. در بخش تنظیمات آزمایشی، تجزیه و تحلیل بیشتری از این یافته ها ارائه شده است.

۳٫۳٫۲٫ مرحله آماده سازی ورودی

در این مرحله، داده های استخراج شده از مرحله ۱ را می توان برای استنتاج ورودی های مورد نیاز برای راه حل های DRT/Mobility در مرحله ۳ استفاده کرد. بسته به راه حل تحرک انتخابی، ورودی های مختلفی ممکن است لازم باشد. این مطالعه اطلاعات ورودی را برای بهینه ساز DRT با ادغام داده های موبایل و تحرک تولید کرد. این شامل اطلاعات سفر و شبکه مانند مسیرها، توزیع احتمال تقاضای مکانی برای هر منطقه، مکان‌های حمل و نقل و زمان سفر بود.

با کمک اسکریپت‌های توسعه‌یافته پایتون، OpenStreetMap و APIهای OSRM برای یافتن اطلاعاتی مانند مسیر، مسافت طی شده، مکان‌های ایستگاه اتوبوس و نام‌های مربوط به آن‌ها مورد استفاده قرار گرفتند. در برخی موارد که این سرویس ها نمی توانند مسافت ها و مسیرهای سفر را پیدا کنند، الگوریتم فلوید-وارشال [۳۶] مورد استفاده قرار گرفت. الگوریتم فلوید-وارهال یک رویکرد برنامه نویسی پویا است که برای یافتن کوتاه ترین مسیرها بین همه جفت رئوس در یک نمودار وزن دار استفاده می شود. همچنین می توان از الگوریتم های A* و Dijkstra استفاده کرد.

در طول این مرحله، پتانسیل گروه‌بندی مناطق به شبکه‌ها برای کاهش تعداد مناطق، با هدف به حداقل رساندن پیچیدگی‌های محاسباتی و هزینه وجود دارد.

۳٫۳٫۳٫ مرحله بهینه سازی تحرک

در این مرحله، اطلاعات سفر و شبکه (از مرحله قبل) به راه حل بهینه سازی DRT وارد شد که پارامترهای مختلفی مانند مسیرها، تعداد اتوبوس ها، زمان تحویل و خروج و غیره را بهینه می کند. اهداف. این شامل تعیین ایستگاه‌ها و تعداد اتوبوس‌های مورد نیاز و ارزیابی معیارهای ضروری مانند ردپای کربن، کل مسافت طی شده و تعداد درخواست‌های برآورده شده است.

در زیر شرح مختصری از بهینه ساز DRT مورد استفاده ارائه شده است. اطلاعات دقیق در مورد اجرای بهینه ساز DRT، از جمله مدل شبیه سازی و اکتشافی، و همچنین الگوریتم ها و مراحل محاسبات، در [۳۷]، توسط یکی از نویسندگان این تحقیق به نگارش درآمده است. طراحی سرویس ها نقش مهمی در موفقیت DRT ایفا می کند و تصمیم گیرندگان را ملزم می کند تا درک کنند که چگونه رویکردهای عملیاتی مختلف به طور کامل بر عملکرد تأثیر می گذارد. به همین دلیل، بهینه ساز DRT یک مدل شبیه سازی و یک اکتشافی چند هدفه سازنده (Parallel Reactive-GRASP) را که هر دو در جاوا پیاده سازی شده اند، ادغام می کند تا هزینه های عملیاتی را به حداقل برساند و کیفیت خدمات را به حداکثر برساند. هدف اصلی آن ابداع استراتژی‌های کارآمد برای یک مشکل چندهدفه، با تمرکز بر کاهش هزینه‌های عملیاتی، زمان انتظار، و مدت زمان سفر مسافر و افزایش برآورده شدن درخواست‌های خدمات است.

شبیه‌ساز درخواست‌های سفر با ترتیب زمانی را بر اساس الگوی درخواست سفر تولید می‌کند. این درخواست‌ها ورودی‌هایی به ماژول بهینه‌سازی مسیر هستند که با در نظر گرفتن ناوگان وسایل نقلیه (با مکان‌های مربوطه و سایر ویژگی‌های مدل وسیله نقلیه) و زمان‌های سفر مورد انتظار، تلاش می‌کنند تا هر درخواست را برآورده کنند.

مجموعه پارامترهای پشتیبانی شده توسط پلت فرم، شبیه سازی طیف گسترده ای از سیستم های حمل و نقل بر اساس تقاضا، یعنی مدل سازی ناوگان های مختلف خودرو (تعداد وسایل نقلیه، ظرفیت، ساختار هزینه و غیره)، مناطق خدماتی مختلف (تعداد توقف ها، فواصل، سرعت های متوسط و غیره)، درجات مختلف پویایی (درخواست های بلادرنگ)، و ساختارهای مختلف تقاضا (تعداد درخواست ها، توزیع مکانی و زمانی درخواست ها و غیره).

در این راه حل، فرض بر این است که مسافران نقاط شروع و پایان را از مکان های از پیش تعریف شده انتخاب می کنند. آنها توسط ناوگان وسایل نقلیه ای که تعداد صندلی های مساوی دارند، خدمات رسانی خواهند کرد. چند مسافر می توانند یک وسیله نقلیه مشترک داشته باشند، به عنوان مثال، یک مینی بوس. هر مکان، به جز انبار، می تواند برای بارگیری، تحویل یا هر دو مورد استفاده قرار گیرد. در یک نقطه وانت، مسافران مختلف می توانند مقاصد مختلفی داشته باشند.

ماژول شبیه سازی ارائه شده در این کار شامل ۴ جزء است: مدل منطقه خدمات، مدل درخواست سفر، مدل وسیله نقلیه، و یک مولد رویدادهای زمان واقعی. مروری کوتاه بر اجزای سازنده در زیر آورده شده است:

مدل منطقه خدمات: برای شبیه‌سازی واقعی حرکت خودرو، شبیه‌سازی شبکه فیزیکی جاده و تغییرات تصادفی زمان سفر در بخش‌های شبکه را مدل‌سازی می‌کند. شبکه با مجموعه ای از ایستگاه ها و خطوطی که ایستگاه ها را به هم متصل می کنند، مدل سازی می شود. هر مسیر با میانگین زمان سفر و انحراف استاندارد به عنوان تابعی از زمان روز بر اساس داده های تاریخی مرتبط است.
مدل درخواست سفر: هدف از مدل درخواست سفر، ایجاد درخواست‌های سفر با ساختاری منطبق با منطقه مورد مطالعه و شبکه جاده‌ای است که سرویس در آن فعالیت می‌کند. سیستم شبیه سازی تعریف شده دو نوع درخواست حمل و نقل ایجاد می کند: درخواست های حمل و نقل “پیشینی” (قبل از شروع سرویس) و درخواست های حمل و نقل بلادرنگ (سفارش هایی که در طول زمان سرویس می رسند).
نوع وسایل نقلیه: وسایل نقلیه را با ویژگی هایی مانند ظرفیت، هزینه های عملیاتی، دوره در دسترس بودن و محل دپو متمایز می کند. به طور مداوم وضعیت وسایل نقلیه را که می‌تواند در انبار، ایستگاه‌های تحویل، تحویل یا در مسیر باشد، ردیابی و به‌روزرسانی می‌کند، در حالی که داده‌هایی مانند مسیرها، توقف‌ها، سرعت‌ها، موقعیت‌ها و تأخیرها را حفظ می‌کند. سیستم مبتنی بر صف برای درخواست های اختصاص داده شده در یک شبیه سازی رویداد گسسته.
مدل رویداد بلادرنگ: این رویدادها در سیستم را می توان به طور کلی به رویدادهای مربوط به کاربر و خودرو دسته بندی کرد. رویدادهای مرتبط با کاربر شامل درخواست‌های بلادرنگ جدید، لغو و عدم نمایش است. رویدادهای مربوط به وسیله نقلیه ورود در توقف، خرابی در حین سرویس و تأخیر است. هر بار که کاربر سرویسی را درخواست می کند، الگوریتم باید با تغییر شرایط سیستم، تصمیمی برای مسیریابی و زمان بندی بگیرد. این سیستم تصمیم می گیرد که کدام وسیله نقلیه باید به مشتری جدید و در چه موقعیتی در مسیر وسیله نقلیه فعلی خاص خدمت کند.

برای سرعت بخشیدن به محاسبه، مدل از یک الگوریتم موازی مبتنی بر GRASP استفاده می کند. [۳۸]. الگوریتم مسیریابی به صورت موازی برای سرعت بخشیدن به فرآیند اجرا می شود. برای هر درخواست تقاضا، به طور مکرر مسیرهایی را ایجاد می کند که با یک مرحله بهبود محلی دنبال می شود. مکانیسم واکنشی الگوریتم تعادل بین حریص بودن و تصادفی بودن فرآیند را تنظیم می کند.

الگوریتم یک مسیر را با قرار دادن بهترین گره بعدی در مسیر در حالی که هدف و محدودیت های مسئله DRT را در نظر می گیرد، می سازد. گره ها با استفاده از یک تابع رتبه بندی گره انتخاب می شوند (معادله (۱)).

NRF_من = ب_ج سی_من + NP_من +ب_پ PT_من + ب_د DT_من∀من ∈ NS،

(۱)

جایی که NS لیست گره هایی است که هنوز در راه حل نیستند. سی_من هزینه رفتن از گره به گره فعلی است من. NP_من لیستی از تعداد مسافران در هر گره است من. PT_من لیستی از محدودیت های زمانی پایین تر برداشتن گره است من. DT_من محدودیت زمانی کمتر تحویل در هر گره است من. ب_ج، ب_پ، و ب_د به ترتیب وزن هزینه، تحویل و زمان تحویل است.

۳٫۳٫۴٫ مرحله خروجی

در مرحله آخر، نتیجه بهینه ساز DRT در یک پایگاه داده ذخیره می شود و به عنوان داشبورد ارائه می شود تا نتایج را به صورت کاربر پسند نمایش دهد. این به افراد علاقه مند اجازه می دهد تا از نتیجه برای تصمیم گیری یا توسعه برنامه های کاربردی برای دسترسی به داده ها در پایگاه داده استفاده کنند. نتیجه بهینه ساز اطلاعات مورد نیاز برای تصمیم گیری موثر مرتبط با DRT را فراهم می کند.

۴٫ راه اندازی آزمایشی

این بخش فرآیند انتخاب بستر آزمایشی را از طریق تجزیه و تحلیل داده ها تشریح می کند. سپس تنظیمات شبیه سازی و پارامترهای به کار گرفته شده در آزمایش را شرح می دهد.

۴٫۱٫ نتایج تجزیه و تحلیل داده ها

همانطور که در بخش پردازش داده ذکر شد، ما داده های تلفن همراه را پردازش و تجزیه و تحلیل کردیم تا الگوی تحرک و حرکت در سراسر شهر را درک کنیم و منطقه ای را برای ارزیابی امکان سنجی راه حل DRT انتخاب کنیم. مروری کوتاه بر یافته های ما در این بخش ارائه شده است. شکل ۳ حرکت روزانه جمع آوری شده در مجموعه داده های تلفن همراه را نشان می دهد.

در این مجموعه داده ها، اشاره شد که می بیشترین حرکت تقاضای کلی را در مجموعه داده ها به نمایش گذاشت. از طریق تجزیه و تحلیل، ما مشخص کردیم که این افزایش تقاضا مستقیماً تحت تأثیر رویدادهای قابل توجهی است که در آن ماه در شهر رخ می دهد، مانند جشن Queima das Fitas (هفته مهمانی دانشجویان دانشگاه). همچنین داده های ارائه شده برخی از مناطق بخش آماری را پوشش نمی دهد. بنابراین، داده ها از ناهنجاری ها پاک شدند. پس از این فرآیند، مشخص شد که ۱ ژوئن بین ساعت ۱۲ ظهر تا ۱۴ ساعت ۳۰ دقیقه بیشترین حجم حرکات را داشته است. این اطلاعات در طول شبیه سازی استفاده می شود.

با همپوشانی داده‌ها بر روی شکل‌های برداری جغرافیایی و فایل‌های شکل، یافتن نقاط مهم و ارجاع به خیابان‌ها، ما سعی کردیم مناطق کانونی برتر را شناسایی کنیم. این مناطق و حرکت بین مبدا و مقصد به تصویر کشیده شده است شکل ۴. ضخامت خط نشان دهنده مقدار حرکات تقاضا است و اندازه گره ها حرکات بین منطقه ای را نشان می دهد. به همین ترتیب، شکل ۵ حرکت تقاضای انبوه را در میان مبداها و مقاصد برتر در مجموعه داده ها ارائه می دهد. ضخامت پیوندها در نمودار نشان دهنده تقاضای بین هر جفت مبدا و مقصد است. در این مثال، بر اساس مجموع تقاضاها، Rua do Zaire، Travessa de São Dinis و Rua de São Dinis سه مبدأ و مقصد اصلی بودند که در منطقه مشخص شده توسط میدان در شکل ۴. تجزیه و تحلیل چنین نمودارهایی بینش هایی را در مورد الگوهای برجسته، مکان های مهم، مسیرها و اتصالات در مجموعه داده ارائه می دهد که به ما امکان می دهد منطقه را در منطقه مورد مطالعه انتخاب کنیم.

۴٫۲٫ انتخاب بستر آزمایشی

مسیر Asprela به مرکز شهر به عنوان جفت محوری مطالعه موردی برای تعیین مناسب ترین منطقه برای ارزیابی چارچوب و راه حل DRT بر اساس توصیه اپراتور و داده های تجزیه و تحلیل شده انتخاب شد. دلایل انتخاب این مسیر عبارت بودند از:

همانطور که در بخش نتیجه نشان داده شده است، داده های تلفن همراه حرکت بالایی را در این مناطق نشان می دهد.
آسپرلا منطقه‌ای است که چندین دانشکده از دانشگاه پورتو و بیمارستان اصلی شمال پرتغال در آن واقع شده‌اند، در حالی که مرکز شهر میزبان مرکز تاریخی پورتو و مکان‌های محبوب غذاخوری و سرگرمی است.

با بررسی شبکه اپراتور، سه مسیر مشخص (۳۰۰، ۳۰۱ و ۳۰۵) اتصال اتوبوس بین آسپرلا و مرکز شهر را تضمین می‌کنند و برخی از ایستگاه‌های اتوبوس را در طول مسیرشان به اشتراک می‌گذارند. با در نظر گرفتن این موضوع، مسیرهای دایره ای ۳۰۰ و ۳۰۱ برای مطالعه انتخاب شدند، زیرا اکثر ایستگاه های اتوبوس در این منطقه را در بر می گیرند. شکل ۶ این دو مسیر و مناطقی را نشان می دهد که توسط مجموعه داده تلفن همراه تحت پوشش قرار می گیرند.

۴٫۳٫ راه اندازی شبیه سازی

در طول شبیه‌سازی، ما آزمایش کردیم تا خطوط ۳۰۰ و ۳۰۱ STCP را تکمیل یا جایگزین کنیم، که تقاضا را در محور “Asprela-Aliados” با سرویس حمل و نقل درخواستی برای مدت زمان ۲ ساعت و ۳۰ دقیقه، بین ۱۲ ظهر تا ۱۴ ساعت برآورده می‌کنند. ۳۰ دقیقه، در ۱ ژوئن ۲۰۲۲، روزی که بیشترین تقاضا را به ثبت رساند و بنابراین امکان آزمایش بدترین سناریو را فراهم کرد. برای شبیه‌سازی ساختار تقاضا (منشا و مقصد درخواست‌های حمل‌ونقل)، با کمک چارچوب پیشنهادی، از داده‌های تلفن همراه برای روز انتخابی استفاده شد، بنابراین نرخ پواسون، توزیع احتمال مکانی و شبکه توقف STCP به دست آمد. پارامترهای شبیه سازی استفاده شده در این قسمت آورده شده است میز ۱. در طول آزمایش‌ها، از مینی‌بوس‌ها برای پاسخگویی به درخواست‌های تقاضا استفاده شد. مدت زمان سرویس ۲ ساعت و ۳۰ دقیقه و حداکثر زمان انتظار مجاز ۱۰ دقیقه بود.

تعداد وسایل نقلیه حداکثر تعداد مینی بوس هایی است که در شبیه سازی استفاده می شود. ظرفیت وسیله نقلیه حداکثر تعداد مسافرانی است که می توانند سوار یک وسیله نقلیه شوند. نرخ رسیدن درخواست بلادرنگ، به عنوان مثال، شدت درخواست‌های جدید ایجاد شده، به عنوان یک فرآیند پواسون مدل‌سازی می‌شود و با درخواست Lambda نشان داده می‌شود. میانگین زمان سفر میانگین زمان سفر در منطقه خدماتی است. زمان سفر انحراف استاندارد نشان دهنده انحراف استاندارد زمان سفر در منطقه خدماتی است. پارامترهای میانگین و انحراف استاندارد زمان سفر در شبیه‌سازی برای تولید زمان‌های تحویل “مطلوب” برای خدمات حمل‌ونقل استفاده می‌شوند که در آن کاربران زمان تحویل و تحویل را مشخص می‌کنند. تعداد درخواست ها حداکثر تعداد درخواست های ایجاد شده در طول دوره خدمات است. پنجره زمان حداکثر زمانی است که کاربران می توانند در هر توقفی که اپراتور تعیین می کند بپذیرند. تنظیم اندازه پنجره زمانی باید خدمات مشتری را با تأثیر بر بهره وری و هزینه متعادل کند. “مدت سرویس” مدت زمان سرویس DRT است.

۵٫ نتایج تجربی

ما راه‌حل بهینه‌سازی تحرک را برای سناریویی که در بخش قبل توضیح داده شد اعمال کردیم. راه‌حل بهینه‌سازی به ما امکان می‌دهد تا شاخص‌های عملکردی مانند کل مسافت طی شده، سفر در هر ساعت تولیدی و هزینه عملیاتی در هر سفر و غیره را بدست آوریم. ما ۵۰ درخواست حمل و نقل را در دوره تعریف شده و با توجه به توزیع احتمالی داده ها شبیه سازی کردیم. در سمت عرضه، ناوگانی متشکل از ۱۰ مینی بوس با ۲۷ صندلی در هر ظرفیت خودرو تعریف کردیم. نتیجه در نشان داده شده است جدول ۲.

بهینه ساز DRT استفاده از چهار مینی بوس را برای منطقه مورد مطالعه توصیه می کند تا تقاضا را برآورده کند. این راه حل با توجه به تعداد مسافران سرویس دهی شده، مسافت طی شده، هزینه و مصرف سوخت بهینه شده است. می توان نتیجه گرفت که برآوردن ۵۰ درخواست حمل و نقل با استفاده از چهار مینی بوس، با میانگین تاخیر در مسافرگیری کمتر از ۳ دقیقه، بازدید از ۸۶ ایستگاه، در مجموع ۷۳ کیلومتر طی شده امکان پذیر است. در مقایسه، سرویس معمولی STCP برای مدت مشابه، مسیرهایی را هر ۳۰ دقیقه برای خطوط ۳۰۰ و ۳۰۱ دارد. این بدان معناست که برای هر خط: بازدید از ۲۲۵ ایستگاه (۴۵ در هر سرویس، پنج سرویس در ۲ ساعت و ۳۰ دقیقه)، کل مسافت طی شده ۱۷۴ کیلومتر و یک اتوبوس (برای هر خط).

شکل ۷a مسیر طی شده توسط اتوبوس خط ثابت خط ۳۰۰ و شکل ۷b مسیر طی شده توسط اتوبوس درخواستی را در شبیه سازی نشان می دهد. همانطور که نشان داده شد، اتوبوس درخواستی در مسیرهای مختلف انعطاف پذیرتر است. با استفاده از این انعطاف‌پذیری و شرایط بی‌درنگ جاده، می‌توان انتظار کاهش زمان انتظار و سفر را داشت.

در نهایت، با توجه به ماهیت پویای حمل و نقل بر حسب تقاضا، استفاده از چنین راه حل بهینه سازی شده ای به اپراتورها اجازه می دهد تا همان تعداد مسافر را با منابع کمتر در خود جای دهند و میانگین زمان انتظار و سفر را کاهش دهند. علاوه بر این، به کاهش هزینه ها و بهبود کیفیت خدمات کمک می کند.

۶٫ بحث

این مطالعه نشان می‌دهد که استفاده از منابع داده چندگانه فرصت‌های متنوعی را برای تجزیه و تحلیل، طراحی و اجرای راه‌حل‌های حمل‌ونقل بر اساس تقاضای انعطاف‌پذیر ارائه می‌دهد. یافته ها نشان می دهد که اجرای چنین چارچوبی می تواند پیامدهای مختلفی هم برای کاربران و هم برای ارائه دهندگان خدمات داشته باشد. در مطالعه موردی، این راه حل می تواند درخواست ها را با چهار مینی بوس برآورده کند، در حالی که حمل و نقل خط ثابت به دو اتوبوس با اندازه کامل نیاز دارد تا همان تقاضا را برآورده کند، که ممکن است بر هزینه ها و کیفیت خدمات تأثیر بگذارد. دستمزد رانندگان دو در مقابل چهار وسیله نقلیه با کاهش مسافت طی شده توسط آن وسایل نقلیه و هزینه های عملیاتی مرتبط جبران می شود. راه حل DRT به ۸۶ توقف نیاز داشت که ۱۳۵ درصد کمتر از خط ثابت حمل و نقل (۴۵۰ ایستگاه اتوبوس برای هر دو خط ۳۰۰ و ۳۰۱) بود و ۸۱ درصد کیلومتر کمتر را انجام داد. بر خلاف ترانزیت خط ثابت که بر اساس یک برنامه ثابت عمل می کند، سیستم های DRT برنامه های حمل و نقل انعطاف پذیرتری را ارائه می دهند. در این مورد، مسافران در کمتر از سه دقیقه سوار شدند که کاهشی ۱۶۳ درصدی نسبت به فواصل ۳۰ دقیقه ای حمل و نقل ثابت دارد. علاوه بر این، با توجه به نوع وسیله نقلیه و مسافت طی شده، ردپای کربن DRT 73 درصد کمتر از حمل و نقل خط ثابت است. علاوه بر این، سرمایه گذاری های برنامه ریزی شده در اتوبوس های برقی می تواند انتشار گازهای گلخانه ای را بیشتر کاهش دهد.

این نتایج نشان می‌دهد که چنین چارچوب‌ها و سیستم‌های DRT پتانسیل تأثیرات مثبتی بر تجربه و محیط مسافران دارند. علاوه بر این، آنها به ارائه دهندگان خدمات فرصتی برای افزایش کیفیت خدمات و مدیریت هزینه های عملیاتی خود با استفاده از این روش ها برای پیاده سازی سیستم های DRT برای تکمیل یا جایگزینی حمل و نقل موجود خود در طول دوره های خاموش یا پر تقاضا ارائه می دهند.

اطمینان از کیفیت مداوم خدمات DRT به شدت به تجزیه و تحلیل مستمر و ارزیابی این راه حل ها بستگی دارد. هنگام تصمیم‌گیری برای اتخاذ گزینه‌های تحرک درخواستی، مهم است که پیچیدگی‌های بالقوه درگیر و تأثیر آنها بر حمل‌ونقل و آب و هوا را سنجید. [۳۹]. همانطور که در [۲۱]، دستیابی به راندمان بالا ممکن است به ناوگان قابل توجهی نیاز داشته باشد که به طور بالقوه منجر به خدمات تاکسی مانند با یارانه سنگین می شود و در موارد شدید حتی ممکن است تراکم جاده ها را تشدید کند. بنابراین، انجام تجزیه و تحلیل کامل از مناطق با استفاده از داده های چند منبع [۴۰] با توجه به عواملی مانند ساعات اوج بار و غیر اوج بار، شرایط اجتماعی و اقتصادی ضروری می شود. [۴۱]، و در دسترس بودن حمل و نقل عمومی. متعاقباً، این خدمات می تواند برای تکمیل و تقویت حمل و نقل عمومی به جای جایگزینی کامل آن یا معرفی خدمات جدید بر اساس تقاضا با شناسایی مناطقی که می توانند از آن بهره مند شوند، استفاده شود. [۴۲].

مزیت استفاده از چنین چارچوبی این است که ارائه دهندگان خدمات می توانند از چارچوب زیر استفاده کنند:

برای انتخاب مناطق برای پیاده سازی راه حل های DRT، به عنوان مثال، شناسایی مناطقی که DRT برای جایگزینی، تکمیل یا معرفی خدمات جدید مورد نیاز است.
برای انجام یک مطالعه امکان سنجی. قبل از پیاده‌سازی سیستم‌های DRT، ارائه‌دهندگان ممکن است نیاز داشته باشند که تصمیم‌گیری خود را بر اساس تجزیه و تحلیل هزینه، کیفیت خدمات و اثرات زیست‌محیطی قرار دهند. از این رو، چنین تحلیل امکان سنجی را می توان با استفاده از چارچوب و مجموعه داده های چند منبعی که وضعیت فعلی یا تاریخی مناطق را نشان می دهد، انجام داد.
تصمیم گیری در زمان واقعی ناوگان. چنین چارچوبی می‌تواند برای برنامه‌ریزی پویا ناوگان، محاسبه مسیرها بر اساس شرایط شبکه جاده‌ای بلادرنگ، و تخصیص پویا مسافران به وسایل نقلیه استفاده شود. بنابراین، به طور بالقوه می تواند منجر به عملیات انعطاف پذیر و پویا ناوگان شود که می تواند به تغییرات در شبکه جاده ها و درخواست های تقاضا پاسخ دهد.

داده ها نقش مهمی در این چارچوب های داده محور دارند. این چارچوب‌ها می‌توانند با بهره‌گیری از داده‌ها با جزئیات مکانی-زمانی دقیق‌تر، مؤثرتر عمل کنند. با این حال، در حالی که استفاده از داده‌های تلفن همراه می‌تواند بینش ارزشمندی در مورد ردیابی رفتار تحرک ارائه دهد، آنها همچنین مستلزم برخی محدودیت‌ها هستند. دسترسی به سیگنال‌های داده‌های تلفن همراه ممکن است دشوار باشد زیرا استفاده از آنها نگرانی‌هایی را در مورد حفظ حریم خصوصی ایجاد می‌کند، زیرا شامل ردیابی حرکات و فعالیت‌های افراد می‌شود که مستلزم ناشناس‌سازی قوی داده‌ها و اقدامات حفاظتی است. علاوه بر این، این داده‌ها ممکن است در همه زمینه‌ها در دسترس یا قابل اعتماد نباشند، که منجر به شکاف‌هایی در پوشش داده‌ها به دلیل عواملی مانند قدرت سیگنال، مشکلات تعمیر و نگهداری، یا سایر مسائل مربوط به زیرساخت شبکه می‌شود. برای غلبه بر این محدودیت‌ها، نویسندگان چارچوبی را پیشنهاد می‌کنند که شامل سایر منابع داده، مانند داده‌های انتقال تقاضای واقعی و داده‌های زیرساخت است، به طوری که امکان استخراج حداکثر مقدار از داده‌های تلفن همراه و کاهش محدودیت‌های مربوطه با افزایش دقت و قابلیت اطمینان وجود دارد. نمایش تقاضا که مدل بهینه سازی باس بر روی تقاضا را تغذیه می کند.

۷٫ نتیجه گیری

این مطالعه چارچوبی را معرفی کرد که از یک رویکرد داده محور پیروی می کند و از مدل شبیه سازی حمل و نقل پاسخگو به تقاضا (DRT) استفاده می کند. داده های تلفن همراه ناشناس و داده های حمل و نقل عمومی برای تجزیه و تحلیل نقاط داغ، نرخ تقاضا، ساعات اوج مصرف و غیره برای شهر پورتو، پرتغال استفاده شد. سپس این اطلاعات به عنوان ورودی مدل DRT استفاده می شود. در مقایسه با اتوبوس های حمل و نقل عمومی در منطقه انتخاب شده، نتایج نشان می دهد که چنین سیستم هایی می توانند مسافت طی شده، تعداد مسافران سرویس دهی شده، تاخیر و تعداد توقف های مورد نیاز را بهبود بخشند. چنین روش‌های مبتنی بر داده‌ها می‌توانند ارائه‌دهندگان خدمات حمل‌ونقل را قادر می‌سازند تا در حین تجزیه و تحلیل و اجرای راه‌حل‌های جابجایی جدید بر اساس تقاضا، تصمیمات آگاهانه‌تری بگیرند.

این مطالعه دو سهم اصلی را در زمینه برنامه ریزی حمل و نقل ارائه می دهد. اولین مشارکت نظری است و چارچوبی را ایجاد می کند که مجموعه داده های استفاده نشده را برای برنامه ریزی حمل و نقل یکپارچه می کند. این به طور قابل توجهی کارایی حمل و نقل را بهبود می بخشد و امکان افزودن موارد جدید را در آینده فراهم می کند. سهم دوم عملی است و ابزاری را ارائه می‌کند که در زمینه‌های جغرافیایی مختلف قابل اجرا است و برای سیاست‌های مدیریتی استراتژیک متنوع سازگار است.

با توجه به مشارکت نظری، چارچوب باید در زمینه‌های واقعی آزمایش شود تا کاربرد جهانی آن تأیید شود و امکان بهبود آن وجود داشته باشد. علاوه بر این، سایر پیکربندی‌های پاسخگوی حمل و نقل بر حسب تقاضا را می‌توان در چارچوب ادغام کرد. به عنوان مثال، ادغام یک مدل ترکیبی که شامل نقاط ثابت خاص بر اساس تقاضای بالاتر پیش بینی شده برای آن نقاط است. چنین ویژگی‌هایی را می‌توان با ترکیب الگوریتم‌های یادگیری ماشین برای پیش‌بینی تقاضا و تولید داده‌های مصنوعی برای مکان‌هایی که داده‌های مورد نیاز در آن‌ها وجود ندارد، ایجاد کرد. [۴۳].

به عنوان یک مشارکت عملی، این چارچوب را می توان با ارزیابی تأثیرات یک سیستم DRT در یکی از خطوط، یک منطقه OD انتخابی یا از طریق کل شبکه در استراتژی های اپراتورهای حمل و نقل ادغام کرد. علاوه بر این، برای مناسب‌تر کردن چارچوب برای ارزیابی آنلاین مسیرها، می‌توان از روش‌های یادگیری ماشینی برای کاهش زمان و هزینه مورد نیاز برای حل بهینه‌سازی مسیریابی استفاده کرد. داشتن کمیت اثرات عملیاتی و زیست محیطی قبل از اجرای آن می تواند اپراتورهای حمل و نقل را به سمت انتخاب گزینه هایی سوق دهد که بهتر با هدف خدماتشان مطابقت دارند و در عین حال به بررسی دقیق جامعه در مورد ردپای کربن آن پاسخ می دهند.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | حمل و نقل پاسخگو به تقاضا برای تحرک شهری: ادغام تجزیه و تحلیل داده های تلفن همراه برای تقویت سیستم های حمل و نقل عمومی
,۲۰۲۴-۰۵-۲۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4367