بخشی از مقاله
چکیده
امروزه استفاده از مدلهای شبیهسازی شده برای ارزیابی رفتار شبکههای ترافیکی شهری تحت تاثیر عوامل مختلف، به دلیل کاهش هزینههای آنالیز و همچنین صرفهجویی در زمان، رونق بسیار پیدا کرده است. نرمافزار شبیهسازی ترافیکی Aimsun یکی از نرمافزارهای پیشتاز در این زمینه بوده و در چند سال اخیر نیز در کشورمان مورد استفاده قرار گرفته است. به علت غیربومی بودن اکثر نرمافزارهای شبیهسازی، یکی از عواملی که عمدتا موجب افزایش خطای شبیهسازی با این گونه از نرمافزارهاست، اختلاف مقادیر برخی پارامترهای شبیهسازی در نرمافزار نسبت به واقعیت بوده که نیاز به کالیبراسیون مدلهای شبیهسازی را امری مهم گردانیده است.
در این مقاله روشی جهت کالیبراسیون اینگونه مدلها ارائه شده که با استفاده از یک فرآیند 3 مرحلهای میتوان میزان خطای شبیهسازی را به مقدار قابل ملاحظهای کاهش داده و به مقدار استاندارد رساند. در این روش پس از ساخت مدل شبیهسازی شده، اعتبار مدل سنجیده میشود و در صورتی که خطای پارامتر اعتبارسنجی آن با واقعیت بیشتر از مقدار استاندارد باشد، کالیبراسیون انجام خواهد شد.
در فرآیند کالیبراسیون که موضوع اصلی این مقله میباشد؛ پس از تعیین پارامترهای کالیبراسیون با استفاده از تحلیل حساسیت، در مرحله اول محدوده پارامترهای کالیبراسیون منتخب از مشاهدات میدانی بدست آمده و در مرحله دوم با رسمنمودار عنکبوتی، نحوه تغییرات پارامتر اعتبارسنجی با تغییر هر یک از پارامترهای کالیبراسیون با استفاده از خروجیهای مدل شبیهسازی شده بدست آمده و در مرحله سوم با استفاده از تعداد محدودی آزمون و خطا، میتوان ترکیب مورد نظر از پارامترهای کالیبراسیون را طوری بدست آورد که خطای شبیهسازی به مقدار استاندارد برسد. روش ارائه شده به عنوان مطالعه موردی بر روی یکی از تقاطعهای شریانی شهر مشهد اجرا شده که نتایج بدست آمده نشاندهنده کارآمدی روش ذکر شده در کاهش خطای شبیهسازی را دارد.
مقدمه
در چند سال گذشته استفاده و گسترش مدلهای میکروسکوپیک در مهندسی و برنامهریزی حمل و نقل سیرتکاملی سریعی داشته است. از طرفی بسیاری از کشورهای جهان مخصوصا بسیاری از کشورهای آسیایی دارای ترافیک ناهمگن هستند. این ترافیک دارای ترکیبی از وسایل نقلیه با مشخصات گوناگون استاتیکی - طول، عرض و ... - و دینامیکی - شتاب، سرعت و ... - است. یکی دیگر از جنبه-های اینگونه ترافیک نبود خطکشیهای استاندارد و عدم رعایت حرکت در بین خطوط مخصوصا در تقاطعها است. مدلسازی تحلیلی چنین ترافیکی مخصوصا در تقاطعهای چراغدار جای کار و تحقیق بسیاری دارد.
به همین دلیل در این پژوهش تمرکز بر روی مدل-سازی میکروسکوپیک ترافیک ناهمگن مد نظر خواهد بود. گرچه مدل شبیهسازی شده قبل از به کارگیری باید بر اساس شرایط محلی کالیبره شود. کالیبراسیون مسائلی چون تغییرپذیری رفتاری راننده و وسیله نقلیه و تاثیرات هندسی را درنظر میگیرد. محققین و مشاغل مختلف روشهای زیادی برای کالیبره کردن اینگونه مدلها ارائه دادهاند و دامنه وسیعی از پارامترها را برای کالیبره کردن و اعتبارسنجی مدل انتخاب کرده و پیشنهاد دادهاند.
پیشتر محققان به صورت غیررسمی مدلهای شبیهسازی را معمولا با استفاده از پارامترهای پیشفرض کالیبره کردهاند که دارای خطای بالایی بودند Byungkyu Brian Park - و Schneeberger، . - 2003 اخیرا مطالعات متنوعی نیاز به کالیبراسیون سیستماتیک مدلهای میکروسکوپیک را تصدیق کردهاند و راهکارهایی نیز در این زمینه ارائه دادهاند Dowling - و همکاران، 2004؛ Byungkyu Park و Qi، . - 2005 این مطالعات اصولا برای شرایط ترافیکی همگن که دارای نظم بین خطی هستند محدود شدهاند.
بنابراین هدف این پژوهش ارائه روشی موثر جهت کالیبراسیون مدلهای میکروسکوپیک در شرایط ترافیکی ناهمگن است. جنبه-های آشکار این روش شامل پروسهای برای تعریف ترافیک، شناسایی پارامترهای حساس، تعیین محدوده پارامترها به روشی جدید و کالیبراسیون آنها با هدف کمینه کردن میزان خطا میان حالت شبیهسازی شده و مشاهدات میدانی است. مدلهای تقاطع سپس با یکسری دیگر از دادهها از همان تقاطعها اعتبارسنجی میشوند.
متدولوژی
در این پژوهش روشی سه مرحلهای برای کالیبراسیون مدل ارائه شده است. این روش برروی یکسری اصول کلیدی که تاثیر قابل ملاحظهای بر روی عملکرد مدل دارد و باعث کاهش پارامترهای ضروری جهت کالیبراسیون نهایی میشود، استوار است. در نهایت عملکرد کلی مدل در برابر مشاهدات میدانی مثل طول صف سنجیده میشود. این روش سه مرحلهای با مثالی از یک تقاطع شریانی در شهر مشهد توضیح داده میشود.
با توجه به اینکه هدف اصلی شبیهسازیهای نرمافزاری استفاده از خروجیهای مدل شبیهسازی شده برای ارزیابیهای فنی و اقتصادی میباشد، در نتیجه خروجیهای مدل باید به مقدار زیادی به واقعیت نزدیک باشند. روشهای متداولی که معمولا برای کالیبراسیون مدل استفاده میشوند، روشهای رگرسیونی با استفاده از نرمافزار SPSS و بهینهسازی با الگوریتم ژنتیک توسط نرمافزار MATLAB هستند. اما این روشها دارای دو ایراد هستند، اول اینکه حجم بالایی از ترکیب دادههای شبیهسازی شده را نیاز دارند، به عبارتی برای بدست آوردن خطایی کمتر از %10 ، تا صد ترکیب مختلف از پارامترهای کالیبراسیون مورد نیاز خواهد بود Mathew - و Radhakrishnan، . - 2010 دوم اینکه استفاده از نرمافزارهای مذکور جهت کالیبراسیون نیاز به تخصص جداگانهای دارند.
در این رساله روشی ارائه شده که بتوان به کمک آن اولا با تعداد ترکیبهای بسیار کمتری به میزان خطای قابل قبول رسید، ثانیا روشی ساده و بدون نیاز به نرمافزارهای تخصصی آماری ارائه شده است.
دادههای مورد نیاز
دادههای مورد نیاز برای مدلسازی به دو دسته تقسیم میشوند. دسته اول پارامترهایی هستند که مشخصا از مشاهدات میدانی اندازهگیری میشوند و نیازی به کالیبره شدن ندارند. این پارامترها عبارتند از: مشخصات هندسی تقاطع مورد مطالعه، زمانبندی و فازبندی چراغ راهنمایی، نوع وسایل نقلیه، جریان ترافیک، نسبت حرکات گردشی و ترکیب ترافیک.
دسته دوم پارامترهایی هستند که مربوط به مدلهای رفتاری وسایلنقلیه بوده و در کل شبکهی شبیهسازی شده برای همهی وسایلنقلیه موجود در شبکه اعمال میشوند که به پارامترهای کلی1 معروفند. مقادیر این پارامترها ممکن است بر اساس مشخصات ترافیکی مختلف تغییر کنند. برای مثال رفتار رانندگان در مسیرهای شهری با مسیرهای بیرون شهری ممکن است متفاوت باشد.
مدلهای پایه ثابت هستند، اما بعضی متغیرها مثل نواحی تغییر خط یا زمانهای عکسالعمل میتوانند میتوانند متفاوت باشند. این پارامترها ممکن است برای هر کشوری متغیر باشند. تنظیم مقدار مناسب برای این پارامترها، بخشی از فرآیند کالیبراسیون است. این پارامترها دارای مقادیر میانگین، ماکزیمم، مینیمم و انحراف نرمال هستند.
پارامترهای کلی که ممکن است در رفتار ترافیکی در یک تقاطع موثر باشند و برای کالیبراسیون استفاده شوند عبارتند از TSS- - Transport Simulation Systems، : - 2009 فواصل شبیهسازی، زمان عکسالعمل راننده، زمان عکسالعمل راننده در هنگام توقف، سرعت متعلق به صف2، سرعت ترک صف3، مدل جریان ترافیک4، اطلاع از مسیرهای بعدی 5، درصد سبقت6، مدل در رمپ، طول، حداکثر سرعت قابل قبول7، بیشترین شتاب مثبت، شتاب کندشونده نرمال، بیشترین شتاب کندشونده، پذیرش سرعت8، حداقل فاصله میان وسایل نقلیه، بیشترین زمان حق تقدم، پذیرش راهنمایی9، ضریب حساسیت، کمترین هدوی، ماندن در لاین سرعت پس از سبقت، سبقت از سمت راست، درصد سبقتهای غیر ایمن، حساسیت سبقت غیر ایمن.
اعتبارسنجی
اعتبارسنجی در مورد اینکه آیا نتایج مدل شبیهسازی مورد نظر، دارای دقت کافی نسبت به سیستم واقعی است یا خیر، بحث میکند. اگر مدلی معتبر باشد، آنگاه نتایج ناشی از تغییراتی که در مدل ایجاد میشود، باید با تغییرات ناشی از همان تغییرات به صورت فیزیکی برروی سیستم، مشابه باشد
پس از ساخت مدل شبیهسازی شده، باید تعیین شود که آیا مدل، نمایندهای با دقت مناسب از وضعیت فعلی تقاطع مورد مطالعه هست یا خیر. برای این منظور اعتبارسنجی مدل انجام میشود. اگر مدل شبیهسازی شده نامعتبر شناخته شد - یعنی اختلاف مقدار میانگین بیشترین طول صف در واقعیت و مدل شبیهسازی شده بیشتر از مقدار مجاز باشد - ، باید کالیبراسیون بر روی آن انجام شود. برای اعتبارسنجی مدل شبیهسازی شده نیاز به یک پارامتر اعتبارسنجی داریم. برای این منظور از شاخصهای مختلفی چون تاخیر، زمان سفر، سرعت، تعداد توقفها، میانگین طول صف و بیشترین صف و ... میتوان استفاده کرد
