منابع پایان نامه ارشد درباره شبکه حمل ونقل

دانلود پایان نامه ارشد

نحوه محاسبه متغير هزينه تراکم

يکي از روش هاي ساده جهت جلوگيري از ايجاد تراکم در سا عت هاي اوج تردد در بزرگراه ها محاسبه هزينه تراکم بصورت متغير مي باشد. بدين صورت که رانندگان در ساعت هاي اوج ترافيک بيشترين هزينه و در ساهت هايي که تراکم در بزرگراه ها وجود ندارد، کمترين هزِنه را پرداخت نمايند. اين روش ساده باعث مي شود افرادي که تردد در ساعت هاي اوج ترافيک از اهميت چنداني براي آنها برخوردار نمي باشد، بواسطه هزينه هاي بيشتري که مي بايست بواسطه تردد در ساعت هاي فوق بپردازند، تردد در ساعت هاي غير از اوج را ترجيح داده و در نتيجه تراکم در زمان هاي اوج کاهش پيدا کند.
جهت محاسبه ميزان عوارض در طول روز ابتدا نمودار ترافيك عبوري خودروها را در بازه زماني يك ساعت و در طول يك سال رسم مي كنيم.

شکل 5-2 : نمودار ترافيك عبوري خودروها را در بازه زماني يك ساعت
براي ترسيم دقيقتر و مشاهده دوتابع نرمال بر روي نمودار، نمودار فوق را به جاي ساعت صفر از ساعت 6 در نظر گرفته و مابقي آنرا در انتهاي نمودار (‌بعد از ساعت 24 ) و مطابق شكل زير قرار مي دهيم.

شکل 5-3 : نمودار ترافيك عبوري خودروها
با توجه به نمودار براحتي مي توان تشخيص داد كه در طول يك سال حجم ترافيك، در دو حالت داراي بيشترين مقدار مي باشد. بنابراين جهت توزيع ميزان عوارض دريافتي مي توان نمودار فوق را بصورت مجموع دو تابع نرمال در نظر گرفت.
براي اين منظور كافي است مجموع دو تابع فوق را بر اساس مقادير داده ها برآورد كنيم. توابع مورد استفاده بصورت زير مي باشند :

f(x)= a1 × e^(〖-((x_ – b1)/c1)〗^2 )
f(x)= a2 × e^(〖-((x– b2)/c2)〗^2 )
و مجموع دو تابع فوق برابر است با :

f(x)= a1 × e^(〖-((x_ – b1)/c1)〗^2 )+ a2 × e^(〖-((x– b2)/c2)〗^2 )

در اينجا تابع f نشان دهنده تعداد خودرو و x نشان دهنده ساعت تردد خودروها مي باشد.
براي مشخص نمودن مقادير ضرايب a1، a2 كه نشان دهنده وزن هريک از دو تابع در تابع مجموع و مقادير b1 و b2 كه نشان دهنده ساعت اوج ترافيك و مقادير c1 و c2 كه نشان دهنده انحراف معيار مي باشند. در نهايت با استفاده از فرم تابعي تعريف شده نرم افزار Matlab به برآورد مقادير بهينه براي ضرايب فوق را محاسبه نموده است که در جدول زير گزارش شده است.
جدول 5-3 : مقدار ضرايب بهينه تابع تردد خودروها
نام ضريب
مقدار بهينه
a1
1105  (1058, 1152)
a2
1674  (1651, 1696)
b1
9.412  (9.292, 9.532)
b2
18.73  (18.58, 18.88)
c1
3.539  (3.348, 3.731)
c2
6.87  (6.66, 7.08)

با توجه به اين ضرايب و در نظر گرفتن حداکثر مبلغ عوارض 0.2 تومان مي توان به کمک رابطه زير نمودار مبلغ تراکم در ساعات مختلف را ترسيم نمود که به صورت شکل ارائه شده مي باشد.
Fee=0.2/x_Max ×f(x)

شکل 5-4 : نمودار مبلغ تراکم در ساعت هاي مختلف

5-4- برآورد سهم تردد در مسيرهاي جايگزين به ازاي سياستهاي مختلف اخذ عوارض

برآورد تقاضاي حمل ونقل يکي از مهمترين موارد کليدي در فرايند محاسبه نرخ عوارض در رويکرد هزينه ايي محسوب ميشود. آگاهي از ميزان تقاضاي انتظاري در سالهاي آينده ميتواند مورد استفاده قرار گيرد تا بدان وسيله بتوان، مقدار استفاده از زيرساخت را پيشبيني و اقدامات مورد نياز جهت نگهداري از آن را فراهم آورد.
همانگونه که در شکل 5-5 نيز مشاهده ميگردد، تقاضاي حمل ونقل که از فعاليتهاي اقتصادي-اجتماعي (نظير : فعاليتهاي تجاري، صنعتي، آموزشي، پزشکي، کشاورزي و غيره) ناشي ميشود، نهايتاً برحسب حجم ترافيک وارده به زيرساخت مثل: تعداد مسافران و ميزان تناژ بار خود را وانمود مي نمايد.

شکل 5-5: ارتباط مابين تقاضا، عرضه و حجم ترافيک
حجم ترافيک پيشبيني يا مشاهده شده در سيستم حمل ونقل نتيجه فعل و انفعالات تقاضاي سفر و ظرفيت عرضه شبکه ميباشد. بنابراين، توانايي پيشبيني تقاضاي حمل ونقل و ظرفيت عرضه شبکه حمل ونقل در هر زماني از عمر پروژه و تغييرات در مقدار آنها به دليل تغيير در مشخصه هاي اجتماعي-اقتصادي، قيمت خدمات سيستم (از جمله نرخ عوارض)، تکنولوژي سيستم و غيره، ضروري مي باشد.
ترافيک، تعيين کننده نياز به راه و مسير، نوع، ظرفيت و ساير مشخصات آن است. از اين رو، در آزادراههاي جديد و يا آزادراههاي موجود، نخست بايد آمار و اطلاعات و دادههاي ترافيک گذشته و کنوني مورد بررسي و تحليل قرار گيرد و سپس برپايه آن و ساير ملاحظات، ترافيک دوره عمر طرح را به تفکيک هر سال برآورد و پيش بيني کرد.
مدل چهارمرحلهاي برنامه ريزي حملونقل که در شکل 5-6 نشان داده شده است، امروزه به عنوان مهمترين روش برآورد تقاضاي خطوط شبکه حمل ونقل استفاده ميگردد. در روش مذکور، مدلسازي تقاضاي حملونقل از چهار مرحله زير تشکيل يافته است :
توليد سفر برمبناي توليد و مصرف هر بخش در هر يک از مناطق
توزيع سفرهاي بوجود آمده بين مناطق،
انتخاب شيوه حملونقل از قبيل جاده يا ريل
تخصيص ترافيک به مسيرهاي شبکه

شکل 5-6: مدل چهار مرحلهاي برنامه ريزي حمل ونقل
البته عليرغم موارد ذکر شده اين احتمال وجود دارد که رانندگان سرعت و راحتي تردد در آزاد راهها را به ساير راههاي جايگزين ترجيح داده که در نتيجه باعث افزايش تراکم در آزاد راهها مي شوند. بنابراين يکي از بهترين روشها براي جلوگيري از افزايش تراکم پيش بيني آن قبل رسيدن به مراحل نهايي ترافيک مي باشد و در نتيجه مي توان براحتي با اعمال تمهداتي مانند کنترل و يا محدود کردن تردد وسائط نقليه سنگين و يا استفاده از خطوط تردد ويژه بصورت موقت، موجب رواني ترافيک گردند. در اين پايان نامه جهت پيش بيني ترافيک از دو روش شبکه هاي عصبي و رگراسيون خطي استفاده گرديده و در انتها به مقايسه نتايج حاصله پرداخته مي شود.

5-5- مدلسازي شبکه عصبي

با توجه به موارد فوق در اينجا از شبکه هاي عصبي براي پيش بيني حجم ترافيک در آزاد راه تهران- قم استفاده گرديد. در اين رساله با استفاده از دادههاي ترافيکي آزاد راه فوق شامل تعداد انواع مختلف وسائل نقليه و سرعت متوسط آنها در بازه هاي زماني يک ساعته، يک شبکه عصبي چندلايه پس انتشار جهت پيش بيني ترافيک آموزش داده شد. البته به دليل حجم بالاي دادههاي موجود و بازه زماني اطلاعات جمع آوري شده که مربوط به يکسال مي باشد، باعث افزايش خطاي سيستم مي شد که جهت کاهش خطا از يکسري روش هايي استفاده گرديده که درادامه آورده شده است.
در سيستم مورد نظر يعني استفاده از شبکه عصبي، الگوريتم اصلي براي ايجاد توابع برآوردي(پيشبيني کننده) استفاده شده است. چون شبکه عصبي يک مدل کمي با محدوده خطاي پايين است، نه تنها يک تخمين کيفي بلکه نتايج کمي بسيار دقيق قابل دستيابي است.
در اينجا از يک شبکه پس انتشار استفاده شده است که متشکل از يک لايه ورودي، چهار لايه مياني و يک لايه خروجي مي باشد. در اين شبکه از برداز ورودي و هدف براي تقريب زدن يک تابع، يافتن رابطه بين ورودي و خروجي و دسته بندي ورودي ها استفاده مي شود.

5-5-1- طراحي شبکه عصبي مصنوعي

از آن جا که شبکه عصبي يک شبکه ايستا است بنابراين بايد براي شبيهسازي يک سيستم پويا تدابيري اتخاذ نمود. براي اين منظور ميتوان پارامترهاي ورودي به شبکه را طوري طراحي کرد که به شبکه را به صورت پويا تبديل کند، اين تکنيک را ميتوان با استفاده از وارد نمودن گذشتههاي پارامترهاي ورودي پياده نمود. بنا بر بررسيهاي انجام گرفته بر روي گذشتههاي هر يک از پارامترهاي ورودي بر اساس معيار واريانس تجمعي، اجزاء اصلي اين گذشتهها که شامل اطلاعات مربوط به تردد خودرو ها طي 3 ساعت قبل از ساعت جاري مي باشند، به عنوان ورودي به شبکه انتخاب ميگردد.
براي آموزش بهتر شبكه لازم است تا تغييرات داده هاي ورودي و خروجي به وسيله توابع خاصي بين مقادير صفر و يك محدود شوند.
در اينجا از بين الگوريتم هاي متفاوتي که براي شبکه هاي پس انتشار وجود دارد از الگوريتم Levenbery – Marqwardt استفاده شده است. در اين روش سعي در کاهش محاسبات با استفاده از عدم محاسبه ماتريس Hessian دارد.
زماني که تابع کارايي به صورت مجموع مربعات مي باشد (که در شبکه هاي feedfooward مرسوم است.) ماتريس Hessian به روش زير قابل تخمين است:
H=J^T J
همچنين شيب نيز به صورت زير محاسبه مي شود:
g=J_e^T
J ماتريس ژاکوبيان119 مي باشد که شامل مشتقات اول از خطاهاي شبکه نسبت به وزن ها و باياس ها است و e بردار خطاي شبکه است، ماتريس ژاکوبيان از طريق تکنيک هاي استاندارد BP قابل محاسبه است و پيچيدگي محاسبات آن نسبت به محاسبه ماتريس Hessian بسيار کمتر است.
الگوريتم Levenberk-Marqwardt از تقريب زير براي محاسبه ماتريس Hessian استفاده مي کند:
X_(k+1)=X_k-[J^T J+μI]-1 J^T e
زماني که مقدار عددي μ صفر باشد اين تابع تبديل به يک روش نيوتن براي تقريب ماتريس Hessian مي شود. زماني که μ يک عدد بزرگ باشد اين تبديل به روش شيب توام با گام کوچک مي شود. همان طور که مي دانيم روش نيوتن روش دقيق تري مي باشد. (نسبت به شيب توام)
بنابراين μ پس از هر گام موفق کاهش مي يابد (گام موفق يعني کاهش تابع کارايي) و فقط زماني افزايش مي يابد که گام آزمايشي تابع کارايي را افزايش دهد. به اين ترتيب تابع کارايي هميشه در هر تکرار کاهش مي يابد.
همانطور که قبلا توضيح داده شد اين شبکه مشتمل بر يک لايه ورودي، چهار لايه مياني و يک لايه خروجي مي باشد که لايه ورودي شامل ماه، روز، ساعت، ميزان تردد خودروها، سرعت متوسط آنها مي باشد. همچنين با توجه به بازه زمان يکساله اطلاعات و بدليل اينکه معمولا حجم ترافيک در روزهاي منتهي به آخر هفته ها و همچنين روزهاي تعطيل، بويژه زمانيکه چندين روز تعطيل به دنبال يکديگر باشند افزايش پيدا کرده و روند عادي ترافيک را مختل مي کنند و در جهت افزايش يادگيري شبکه و کاهش خطاهاي آينده، وضعيت تعطيل بودن تا سه روز قبل و دو روز بعد از روز جاري به عنوان ورودي به شبکه داده شد، که در نهايت باعث افزايش چشمگير نتايج خروجي شبکه گرديد.

5-5-2- ارزيابي شبکه طراحي شده

همانطور که اشاره شد اطلاعات تردد خودروها به عنوان ورودي به شبکه داده شد و همچنين براي افزايش کارايي شبکه اطلاعات مربوط به روزهاي تعطيل نيز به شبکه داده شد.نتايج حاصل از شبکه طراحي شده بصورت زير مي باشد :

جدول 5-4 : نتايج حاصل از طراحي شبکه
Training Algorithm
ANN Size
Performance Goal
Epochs
NRMSE
LM
5*10*26*29*24
1E-4
25
0.1554

خروجي شبکه عصبي به صورت شکل زير مي باشد

شکل 5-7 : خروجي Train شبکه عصبي
همانطور که ملاحظه مي شود شبکه فوق داراي خطاي نسبتا کمي مي باشد و بطور نسبي از تناسب برخوردار مي باشد. براي اطمينان از صحت عملکرد شبکه، مي بايست يک سري تحليل بر روي عکس العمل شبکه صورت گيرد. ابتدا شبکه را مورد ارزيابي قرار داده تا بتوانيم از عملکرد صحيح شبکه اطمينان حاصل کنيم و در نهايت براي آزمايش شبکه اطلاعات سال جاري را به عنوان ورودي به شبکه داده و عملکرد آن را نسبت به اطلاعات موجود مقايسه مي کنيم.

شکل 5-8: خروجي مربوط به اعتبار سنجي شبکه عصبي

شکل 5-9 : خروجي مربوط به آزمايش شبکه عصبي
همچنان که مشاهده مي شود شبکه فوق از دقت مناسبي برخوردار بوده و فرايند يادگيري شبکه در طي 25 epoch صورت مي گيرد ولي بهترين بعد از 19 epoch اتفاق مي افتد، مطابق شکل زير:

شکل 5-10: تعداد epochهاي مورد استفاده توسط الگوريتم يادگيري شبکه
در نهايت طبق آنچه که قبلا گفته شد براي آزمايش شبکه عصبي طراحي شده، اطلاعات سال جاري را به عنوان ورودي به شبکه داده و عملکرد آن را نسبت به اطلاعات موجود مقايسه مي کنيم که حاصل مطابق نمودار زير مي باشد:

شکل5-11 : مقايسه خروجي شبکه عصبي با اطلاعات موجود
همچنان که ملاحظه مي شود شبکه فوق از ضريب اطمينان برخوردار بوده و به راحتي مي توان با استفاده از آن ترافيک محور آزاد راه تهران – قم را پيش بيني کرد.
داشتن پيش بيني دقيق

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره حمل و نقل، روش حداقل مربعات، تابع تقاضا، عرضه و تقاضا Next Entries منابع پایان نامه ارشد درباره شبکه حمل ونقل، جبران خسارات