بخشی از مقاله
چکیده
در این پژوهش با توجه به مطالعات انجامیافته در زمینه تأخیر ترافیکی در سیستم مدیریت ترافیک در شبکه معابر درون شهری و برای برون رفت ازاین معضل در شبکه ها، به ارزیابی و تحلیل تأخیر در شبکه معابر درون شهری با مطالعه موردی در شهر کلاردشت پرداخته شده است. متغیرهای مورد بررسی در این پژوهش میزان تأخیر در شبکه ترافیکی درون شهری با توجه به ، اجزای هندسی افقی و قائم، درجه عملکردی خیابان ها، حجم تردد در شبکه، توزیع مکانی تأخیر و ... اشاره نمود. به همین منظور ابتدا با استفاده از برداشت های آماری و میدانی در فصول مختلف سال و تحلیل اطلاعات بدست آمده، به شناسایی عوامل موثر بر تأخیر شبکه درون شهری منطقه مورد مطالعه پرداخته شد و سپس با شبیه سازی آن در نرم افزار AIMSUN، معضل تأخیر در این شبکه معابر درون شهری مورد بررسی قرار گرفت و پس از آن با استفاده از سیستم شبکه عصبی، راهکارهای برون رفت از معضل تأخیر در این شهر و پیشنهادات لازم در این زمینه ارائه گردید. نتایج این تحقیق در مطالعه موردی شبکه معابر درون شهری کلاردشت به این شرح می باشد: بهترین روش آموزش ، روش لونبرگ-مارکورات می باشد، تابع سیگوید لگاریتمی دارای کارایی بیشتر می باشد، با هدف کاهش کانال های ارتباطی ، روشی بر مبنای الگوریتم ژنتیک برای حذف 50 درصد از کانال های ارتباطی لایه پنهان ارائه شده ، با افزایش حدی از سرعت در شبکه با جریان گرین برگ مطابقت دارد ، استفاده از راه های انحرافی موجود در شبکه می تواند تا حد زیادی از میزان تأخیر بکاهد.-6کم بودن سرعت سواره از عوامل تأخیر بوده ، نسبت حجم به ظرفیت در حدود 0,7الی 0,8 می باشد.
مقدمه
در سیستم مدیریت ترافیک، حرکت وسایط نقلیه تنها هدف نیست، و بهینه سازی جریان با حداقل تأخیر زمان سفر جزء اهداف اصلی آن است. مدیریت ترافیک، ممکن است مستلزم اتخاذ تدابیر و اقدامات فیزیکی باشد که در حیطه وظایف مهندسی ترافیک می باشد .[1] امروزه، رشد روزافزون تقاضای جابجایی و سفر در کلان شهرها به یکی از دغدغه ها و مسائل چالش برانگیز مدیریت شهری تبدیل شده است. با توجه به ساختار و شاکله - بافت - قدیمی شهرها معمولاً امکان افزایش عرضه تسهیلات و زیرساخت های حمل و نقلی - نظیر ایجاد خیابان های جدید و یا تعریض معابر - موجود فراهم نیست یا با هزینه های سنگینی همراه است؛ از اینرو محققین و مسئولین تلاش بسیاری در زمینه توسعه روش های بهبود و افزایش کارآیی تسهیلات موجود داشته اند و سعی کرده اند تا با ارائه راهکارهای کم هزینه و مدیریت تسهیلات موجود، سطح سرویس تسهیلات تردد را بهبود بخشند.
رشد سریع جمعیت شهری در کشور ما در کلان شهرها وبا توجه به شرایط توسعه و بافت شهری شهرهای شمالی کشور باعث افزایش فعالیت های درون شهری شده است. در حال حاضر برنامه ریزی حمل و نقل درون شهری، مطالعات جامع در زمینه حمل و نقل شهری، سرمایه گذاری های مناسب و ایجاد تسهیلات لازم در زمینه حمل و نقل، ایجاد شبکه ارتباطی کارآ، نحوه استفاده از اراضی شهری در جهت بهبود شبکه حمل و نقل شهرها نه تنها با هم همگام نبوده، بلکه در معیارهای شهرسازی و مدیریت یکپارچه شهری نیز نمی گنجد. به همین دلیل در این زمینه ناهماهنگی های زیادی وجود دارد کهمردم برای استفاده از تسهیلات حمل و نقل هر روز باید هزینه بیشتری پرداخت نمایند و استفاده کمتری از تسهیلات حمل و نقل درون شهری را بهره مند می شوند. امروزه استفاده از وسایل حمل و نقل ماشینی و مسئله ترافیکی شهرها از مهمترین مسائل روزمره زندگی مردم و مسئولان کشور است .[2] یکی از هزینه های ترافیکی، به ویژه با افزایش هزینه فرصت عوامل تولید، هزینه اتلاف زمان و وقوع تأخیرات زمانی است که به تک تک افراد و در نهایت اقتصاد جامعه وارد می شود؛ همین قضیه باعث می گردد که افزایش تقاضا برای وسایط نقلیه بیشتر گردد. با توجه به مباحث مطروحه اهمیت و ضرورت انجام تحقیقاتی در خصوص اصلاح شبکه معابر درون شهری به منظور کاهش مدت زمان تأخیر و ... ضروری به نظر می رسد. در این راستا با استفاده از تخمین ترافیک شبکه درون شهری به صورت برداشت میدانی و و بررسی پارامترهای طرح هندسی موجود و اجرای صحیح آن و رفتار استفاده کنندگان از مسیرشبکه و میزان تأثیر علائم ترافیکی و همچنین تغییر مشخصات ترافیکی می توان انتظار داشت از میزان تأخیر در شبکه درون شهری کاست.
-2 پیشینه پژوهش
پارک و همکاران - 2001 - 2، یک شبکه عصبی توابع پایه شعاعی - RBF - * را برای پیش بینی کوتاه مدت احجام ترافیکی آزاد راهی بکار گرفتند. این مدل عملکرد مطلوبی ارائه کرده و مشخص شد که زمان مورد نیاز کمتری برای محاسبات، نیاز دارند .[3] ژانگ و هی - 2007 - 3 روشی ترکیبی بر اساس تحلیل اجزای اصلی - PCA - و ترکیب با شبکه های عصبی - CNN - برای پیش بینی جریان ترافیک کوتاه مدت ارائه دادند. بر این اساس داده های اصلی حجم ترافیک به وسیله PCA مورد پردازش قرار گرفته و نتایج حاصل از PCA به عنوان داده های ورودی برای CNN مورد استفاده قرار گرفت. این عمل نه تنها ابعاد متغیرهای ورودی و اندازه CNN را کاهش داد، بلکه اطلاعات مهم متغیرهای اصلی را ذخیره کرده و نسبیت بین آنها را برطرف کرد. نتایج پیش بینی نشان داد که این روش بهتر از شبکه عصبی انتشار برگشتی معمول - BPNN - با داده های مشابه می باشد .[4]
در تحقیق دیگری شارما و همکاران4، از شبکه عصبی برای تخمین 63 محل در شبکه بزرگراه مینسوتا در امریکا استفاده کردند. نتایج تحقیق آنها نشان داد که شبکه عصبی هنگامی که ایستگاه های شمارش به طور مناسب دسته بندی شده اند و همانند سایر روشهای کلاسیک تخمین حجم ترافیک عمل می کند آنچنان بهتر از آنها نیست .[5] کانگ و همکاران - 2011 - 5، در تحقیق خود، شبکه عصبی استاندارد BPNN را که دارای معایبی در قسمت آموزش خود می باشد، بهبود بخشیده و از آن در مدل پیش بینی حجم ترافیک، استفاده کردند. از جمله فعالیتهایی که در جهت بهبود شبکه های عصبی BPNN استاندارد صورت پذیرفته است، اضافه کردن ممنتوم و نیز روش خود تطبیقی می باشد. شبکه عصبی BPNN بهبود یافته، از پیدایش شرایط معکوس در آموزش شبکه به طور موثری پیشگیری می کند، در عین حال باعث می گردد که سرعت آموزش بهبود یابد .[6] شمسو و ایمران - 2012 - 6 روش رگرسیون خطی چند گانه را با شبکه عصبی انتشار برگشتی - BP - ترکیب کرده و از این مدل برای اصلاح مدل تاخیر در تقاطعات چراغدار استفاده نمودند. در این روش شبکه عصبی BP باعث خنثی شدن خطای مدل رگرسیون خطی شده و مشخص گردید که روش جدید از دقت و پایداری بالاتری برخوردار است .[7]
در مطالعات داخلی نیز توسط یعقوبی و همکاران، پژوهشی به منظور بررسی و شناسایی راهکارهای مدیریتی برای حل معضلات ترافیکی شهرستان تنکابن از شهرهای شمالی استان مازندران انجام شده است. نتایج این تحقیق نشان می دهد که سهم وسایل نقلیه شخصی بالغ بر 95 درصد و سهم وسایل نقلیه عمومی تنها 5 درصد خودروهای موجود در شهرستان تنکابن را به خود اختصاص داده اند. همچنین کلیه مسایل اجتماعی، اقتصادی، فرهنگی، زیست محیطی و اجرایی شهروندان و موقعیت جغرافیایی محیط مورد مطالعه، به عنوان عوامل موثر در ایجاد معضل ترافیک، نقش بسزایی دارند. به طوری که ابزار گردآوری اطلاعات این مطالعه، مصاحله و پرسشنامه است. مردم تمایل شدیدی به داشتن وسیله نقلیه شخصی دارند .[8] در تحقیق انجام شده توسط حاجی حسینلو و همکاران، تحلیل ظرفیت و بهینه سازی جریان ترافیک در میدان صنعت تهران بر اساس شبیه سازی با نرم افزار CORSIM مورد بررسی قرار گرفته است. در شبیه سازی شبکه های درونشهری، قبل از هر چیز نیاز به اطلاعات فیزیکی و ترافیکی منطقه است که در این تحقیق بخشی از این اطلاعات از فایل GIS سازمان حمل و نقل و ترافیک و بخش دیگر به صورت میدانی برداشت گردید که بعد از آن اقدام به شبیه سازی شبکه در حالت کنونی و سپس در حالتهای تغییر یافته پیشنهاد گردید. میدان فوق در حالتهای پیشنهادی در جهت روانسازی جریان ترافیک و کاهش تأخیر مورد شبیه سازی و مطالعه قرار گرفت و با توجه به خروجیهای نرم افزار بهترین گزینه جهت راهکار پیشنهادی برای حل معضل ترافیکی منطقه ارائه گردید. برای مثال با اعمال راهکار پیشنهادی در جهت بهبود جریان ترافیک، زمان سفر به میزان 18% و تأخیر برای هر وسیله نقلیه 47% کاهش یافته است .[9]
-3 روش شناسی
شبکه های عصبی مصنوعی بر پایه هوش بشری تدوین شده و در حقیقت بر اساس داده های واقعی به ارائه نتایج می پردازند. گرایش به شبکه های عصبی تحت تاثیر عوامل مختلفی افزایش یافته است که مهمترین آنها استفاده از خصوصیات خاص پردازش
