منابع پایان نامه ارشد درباره حمل و نقل، بهبود عملکرد

دانلود پایان نامه ارشد

ه عمومي C بر مبناي ساعت / واحد پول باشد خواهيم داشت:
AC(q)=c/v
هزينه کلي وسايل نقليه عبوري از حاصلضرب AC و جريان q براحتي قابل محاسبه مي باشد.
TC(q)=qc/v
MC(q)= (dTC(q))/dq= d(qc/v)/dq
MC(q)= c/v (dq/dq)-qc/v^2 (dv/dq)=AC(q)- qc/v^2 (dv/dq)
بنابراين هزينه تراکم بهينه برابر تفاضل هزينه حاشيه اي و هزينه ميانگين بوده و خواهيم داشت :
r= -qc/v^2 dv/dq
با جايگذاري معادلات HCM در رابطه فوق هزينه تراکم بصورت زير قابل محاسبه مي باشد :
r= (c/v)((v_0-(αβ⁄((1+αβ) ))v)/α(v-v_0 ) )

4-11-1- دادههاي مورد نياز مدل

جهت محاسبه هزينه هاي نهايي خارجي تراکم، به دادهها و اطلاعات مختلفي نياز ميباشد که مهمترين آنها عبارتند از:
تردد وسايل نقليه (حجم ترافيک)
ميانگين ترافيک روزانه
الگوي ساعتي تردد وسايل نقليه
ارزش زمان سفر وسايل نقليه (اتومبيلهاي شخصي، اتوبوسها، تريلي و …)
حال در ادامه موضوع، مختصرا توضيحاتي در مورد مفاهيمي که در مدل به آنها نياز خواهد بود، آورده خواهد شد.

4-11-1-1- ارزش زمان سفر

هزينه هاي اجتماعي تراکم رابطه مستقيمي با ارزش زمان سفر دارند. در ادبيات موضوع، روشهاي مختلفي را جهت محاسبه ارزش زمان سفر به کار مي گيرند. به عنوان نمونه، در پروژه UNITE ارزش زمان سفر براي وسايل نقليه به تفکيک اتومبيل سواري و وسايل نقليه سنگين باري محاسبه شده است. به طوريکه مقدار محاسبه شده براي اتومبيلهاي سواري 11.87 (يورو / وسيله نقليه -کيلومتر) بوده و مقدار ميانگين براي حملونقل باري درسطح اروپا 43 (يورو/ وسيله نقليه-کيلومتر ) مي باشد(پژوهشکده حمل و نقل،1389).

4-11-2 مطالعات نمونه صورت گرفته با توجه به مدل ارزش زمان سفر

در پروژه UNITE که با حمايت مالي اتحاديه اروپا در کل کشورهاي عضو جهت محاسبه هزينه هاي نهايي خارجي حمل ونقل انجام گرديد، مدلهاي مختلفي براي محاسبه هزينه هاي خارجي تراکم در مدهاي مختلف حمل ونقل ارائه گرديده اند. همچنين هزينه هاي خارجي تراکم در 13 نمونه موردي که دربرگيرنده: راه شهري و بين شهري، حمل ونقل ريلي، هوايي و دريايي بودند، براساس مدلهاي ارائه شده محاسبه گرديد. در حمل ونقل جاده اي بين شهري مدل ترافيک VACLAV استفاده شده و در چهار مسير آزادراه پاريس-بروکسل، پاريس-مانيش، کلن -ميلان و مانهايم – دويسبورگ به کارگفته شد. به علاوه در نواحي شهري مدل SATURN استفاده گرديده و در شهرهاي پاريس، هلينيسکي، ادينبورگ و سالزبورگ پياده شد. نتايج محاسباتي پروژه هاي اجرا شده در جدول 4-3، داده شده اند.

جدول 4-3: نتايج کمي نمونه هاي موردي اجراشده حمل ونقل جادهاي در پروژه UNITE

در پروژه UNITE دو گروه وسايل نقليه مد نظر قرار گرفتند؛ گروه اول (P) به وسايل نقليه سبک اطلاق گرديد که شامل: اتومبيلهاي مسافري، وانتها و غيره بوده و گروه دوم (G) متشکل از وسايل سنگيني چون HGVs و اتوبوسها بودند. فرض گرديد که ميزان مصرف سوخت در گروه اول وسايل نقليه درحالت جريان ترافيکي آزاد 2 برابر حالت وجود ترافيک (توقف نمودن و حرکت کردن) و براي گروه دوم ضريب مذکور 1.5 برابر است. همچنين، با فرض مصرف سوخت 8 ليتر در 100 کيلومتر وسايل گروه P و 35 ليتر در 100 کيلومتر وسايل گروه G و متوسط قيمت سوخت 1 يورو، جدول 4-10 ارتباط بين ميزان هزينه هاي زمان و سوخت اضافي را براي دو گروه وسايل نقليه نشان مي دهد.
بنابراين داده هاي جدول 4-4 نشان داد که براي هر دو گروه وسايل نقليه تحت شرايط جريان روان ترافيک هزينه هاي سوخت جزء مهمي از کل هزينه هاي سوخت و زمان را تشکيل ميدهند ( 37 درصد). با اين حال، تحت شرايط وجود ترافيک سنگين (توقف و حرکت) مقدار مذکور کاهش چشمگيري را نشان داده به طوريکه سهم آن در گروه P به 11 درصد و در گروه G به 24 درصد مي رسد.

جدول 4-4: ارتباط هزينه هاي زمان و سوخت دوگروه وسايل نقليه

پروژه UNITE جهت محاسبه هزينه هاي نهايي تراکم وسايل نقليه در هر کيلومتر از اين واقعيت کمک مي گيرد که بسته به اهدف سفر مسافرين، ارزش زماني آنها فرق مي نمايد. به عنوان مثال در جدول 4-5، نمونه اي آورده شده است که نحوه محاسبه متوسط ارزش زمان سفر اتومبيل هاي شخصي را نشان ميدهد. مقدار محاسبه شده 11.87 يورو در هروسيله نقليه-کيلومتر، مي باشد.
جدول 4-5: نحوه محاسبه متوسط ارزش زمان سفر اتومبيل هاي شخصي

در سال 2001 ، ارزش زمان سفر براي اتومبيل هاي باري در کشورهاي اروپايي، به طور متوسط 43 يورو در هر وسيله-کيلومتر تعيين گرديد. در پروژه UNITE و براي نمونه هاي موردي مطالعه شده در کشورهاي مختلف از تعديلاتي که در جدول 4-6، مشاهده مي شوند، جهت محاسبه ارزش زمان سفر استفاده نمودند.
همچنين اشاره گرديده که داده هاي فوق تحت شرايط عدم ترافيک معتبربوده و درحالت وجود ترافيک غالباً از ضريب 1.5 جهت تعديل VOT استفاده مي شود.
جدول 4-6: ارزش زمان سفر اتومبيل ها در کشورهاي اروپايي در هر کيلومتر

توابع سرعت-جريان وسايل نقليه سواري و باري راه هاي مختلف، به صورت کامل در دستورالعمل EWS داده شدهاند. لازم به ذکر است، تغييرپذيري نتايج نشان داده شده در جدول از يک طرف به ظرفيت راه و ازطرفي ديگر به زمان اعزام برمي گردد. جاي تعجب نيست، ميانگين هزينه هاي نهايي خارجي تراکم براي سفرهايي که در طول شب انجام مي گيرد، تقريبا سفر باشد. در پروژه UNITE هزينه هاي نهايي تراکم در 4 زمان مختلف اعزام (ساعت هاي : 6، 8، 14 و 20) براي آزادراه هاي مختلف محاسبه شده اند. جدول 4-7 نتايج محاسباتي پروژه مذکور را نشان مي دهد.
جدول 4-7: نتايج محاسباتي هزينه نهايي تراکم برخي از آزادراه هاي اروپا در سال 2001

بنابراين باتوجه به داده هاي جدول فوق ميتوان استنباط نمود، هزينه هاي تراکم به شدت به زمان اعزام وابسته اند. در سفرهاي شبانه، هزينه هاي تراکم براي اتومبيل هاي شخصي ممکن است تا 95 و حتي در برخي مواقع تا 100 درصد و براي وسايل نقليه سنگين باري تا 90 درصد، کاهش پيدا کند.

4-12- پيش بيني حجم ترافيک

کسب موفقيت در اجراي سيستم هاي حمل و نقل هوشمند تا حد زيادي به کيفيت و دقت اطلاعات ارائه شده توسط سيستم بستگي دارد. به همين دليل محققان مختلف همواره براي بهبود عملکرد مدل هاي پيش بيني حجم ترافيک تلاش کرده اند. از دو دهه گذشته تا کنون مدل هاي مختلفي با استفاده از روش هاي تخصيص ترافيک پويا، روش هاي آماري و روش شبکه هاي عصبي براي پيش بيني جريان ترافيک ارائه شده است(افندي زاده،کيانفر،1387). براي اين منظور در اينجا ابتدا از يک شبکه عصبي چند لايه اي متشکل از لايه هاي پنهان داخلي و يک لايه خروجي و در ادامه از روش هاي آماري بر مبناي رگراسيون براي پيش بيني جريان ترافيک استفاده شده و در انتها به مقايسه اين دو روش و نتايج حاصل از آنها خواهيم پرداخت.

4-12-1- يادگيري شبكههاي عصبي

يادگيري بدين معناست كه شبكه بر اساس آگاهي از جواب مطلوب به هنگام اعمال ورودي و مشاهده پاسخ خود رفتار خود را طوري تنظيم ميكند كه در لحظه بعدي براي همان ورودي پاسخ مطلوبتري را نتيجه دهد. به عبارت ديگر شبكه در مسير زمان ياد ميگيرد كه رفتار خودش را بهبود بخشد.
بهبود بخشيدن به اين صورت انجام ميشود كه شبكه بردار وزنها و باياسهاي خود را طوري تغيير ميدهد كه به نتيجه دلخواه برسد. هر نرون بردار وزنهاي متناظر خود را مطابق با قانون يادگيري خاص خودش تغيير ميدهد و در اين حالت محيط منبع اطلاعاتي هر نرون ديگر ثابت نيست، بلكه با تغيير وزنهاي نرونهاي ديگر تغيير ميكند چون محيط منبع اطلاعاتي يك نرون قائم به ذات نيست بلكه وابسته به رفتار نرونهاي ديگر در شبكه است. بنابراين معادلات زير را ميتوانيم براي نرونهاي يك شبكه بنويسيم.

براي حالت پيوسته

براي حالت گسسته
كه در آن وزن سيناپسي است كه j امين عنصر بردار ورودي رابه نرون i ام متصل ميكند و ترم اصلاحي ميباشد.
يادگيري بر دو نوع است: يادگيري با ناظر و يادگيري بدون ناظر.
در يادگيري باناظر، به قانون يادگيري مجموعهاي از زوجهاي دادهها به نام دادههاي يادگيري {(Pi,ti) i=1,2,…,L} داده ميشود كه در آن Pi ورودي به شبكه و tiخروجي مطلوب شبكه براي ورودي Piاست پس از اعمال ورودي Pi به شبكه عصبي در خروجي شبكه ai با ti مقايسه شده و سپس خطاي يادگيري محاسبه و از آن در جهت تنظيم پارامترهاي شبكه به گونهاي استفاده ميشود كه اگر دفعه بعد به شبكه همان ورودي Pi اعمال شود خروجي شبكه به ti نزديكتر گردد. ميزان نزديكي عموما توسط نرم110 دوم اختلاف بردارها سنجيده ميشود.
در يادگيري بدون ناظر يا يادگيري خودسازمان ده111 پارامترهاي شبكه تنها توسط پاسخ سيستم اصلاح و تنظيم ميشوند. به عبارتي تنها سيگنال دريافتي از محيط به شبكه را بردارهاي ورودي تشكيل ميدهند. بردار جواب مطلوب به شبكه اعمال نميشود (بر خلاف يادگيري با ناظر) و به عبارت ديگر به شبكه عصبي هيچ نمونهاي از تابعي كه قرار است شبكه بياموزد داده نميشود. قانون يادگيري رقابتي عملا يادگيري بدون ناظر است. در عمل مشاهده ميشود كه در بعضي از مواقع كه شبكه عصبي از تعداد زيادي لايههاي نروني تشكيل شده باشد، يادگيري با ناظر بسيار كند صورت ميپذيرد و در اين موارد تلفيق يادگيري باناظر و بدون ناظر پيشنهاد ميگردد.

1-1-12-4- الگوريتم يادگيري پس انتشار خط(BP) 112

دراين قسمت نمونهاي از روشهاي يادگيري شبكههاي عصبي پيشخور چندلايه را به طور خلاصه معرفي ميكنيم. البته روشهاي يادگيري بسيار زيادي براي اين نوع از شبكههاي عصبي مطرح شده است كه ما به ذكر يك روش متداول ميپردازيم.
در اواسط دهه 80 الگوريتم BP به طور وسيعي مطرح گرديد. اين الگوريتم به طور مستقل توسط Rumelhart در سال 1986 و Parker در سال 1985 دوباره معرفي شده و در دنياي شبكه عصبي معروف گرديد. اين الگوريتم به صورت زير بيان ميگردد.
يك شبكه عصبي چند لايه پيشخور را در نظر بگيرد. ورودي به نرون Iام در لايه k+1 عبارتست از

خروجي اين نرون برابر خواهد بود با :

براي يك شبكه M لايه معادلات سيستم به فرم ماتريسي زير خواهد بود:

حال ميخواهيم اين شبكه را با استفاده از يك دسته از جفت ورودي–خروجيهاي آموزش دهيم به طوري كه پس از آموزش اگر هر يك از اين وروديها را به شبكه اعمال كنيم خروجي بدست آمده از شبكه نزديك به خروجي مطلوب باشد. شاخص كارآيي113 براي اين شبكه عبارتست از :

كه در رابطه اخير خروجي شبكه به ورودي q اٌم (Pq) است و خطاي اين خروجي است.
براي الگوريتم پس انتشار استاندارد از قاعده تقريب بيشترين كاهش114 استفاده ميشود. شاخص كارايي به صورت زير تقريب زده ميشود.

با توجه به اين شاخص كارايي ترم اصلاحي براي بردارهاي وزن و باياس به صورت زير خواهند بود.

كه نرخ يادگيري115 ميباشد حساسيت شاخص كارايي نسبت به تغييرات ورودي نرون در لايه را به صورت زير تعريف ميكنيم:

با استفاده از روابط فوق خواهيم داشت.

همچنين ميتوان نشان داد كه حساسيتها رابطه بازگشتي زير را برآورده ميسازند.

كه در آن:

رابطه بازگشتي از لايه آخر شروع ميشود يعني

درنهايت روال كلي اين الگوريتم طي مراحل زير انجام ميشود:
1- مسير رفت : با استفاده از روابط فوق وروديهاي آموزشي را به شبكه اعمال كرده و خروجي متناظر آن را از شبكه بدست ميآوريم. همانگونه كه ميبينيم پارامترهاي شبكه در خلال اجراي محاسبات رفت تغيير نمييابند.
2-مسير برگشت: دراين مسير بردارهاي حساسيت از لايه آخر به لايه اول برگشت داده ميشود. به عبارتي ديگر در مسير برگشت شروع كار از لايه آخر يا لايه خروجي ميباشد جايي كه بردار خطا در اختيار ميباشد. سپس بردار خطا از سمت راست به چپ از لايه آخر به لايه اول توزيع ميشود و گردايان محلي نرون به نرون با الگوريتم بازگشتي محاسبه ميشود در اين مسير نيز پارامترهاي شبكه تغيير نخواهن

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره حمل و نقل، عرضه و تقاضا Next Entries منابع پایان نامه ارشد درباره روش حداقل مربعات، اقتصاد باز