زمان سفر

"در سال 2003، در گزارش NCHRP 486 مرکز تحقیقاتی TRB روندی برای تخصیص منابع در پروژه‌های روکشی، بازسازی و بازیابی (3R) ارایه شد که نرم افزار RSRAP به منظور اجرای این روند طراحی شده بود. در تحقیق حاضر ضمن معرفی روند مزبور، آثار دیگری از پروژه‌های 3R که می‌توان به دنبال اجرای این گونه طرح¬ها مشاهده کرد، مورد بررسی قرار گرفته است. این آثار شامل کاهش هزینه های کارکرد وسایل نقلیه، توسعه اقتصادی کاربری های اطراف راه و آثار زیست‌محیطی می‌شود. علاوه بر آن در این تحقیق، کلیه مراحل موجود در فرآیند گذشته مورد بازنگری قرار گرفته است و از مهم ترین آنها می‌توان به محاسبه افزایش سرعت وسایل نقلیه ناشی از اجرای پروژه های 3R اشاره کرد که در اینجا افزایش سرعت ناشی از اصلاح مشخصات هندسی نیز در کنار اثر ناشی از بهبود سطح رویه مورد بررسی قرار گرفته است. این امر منجر به ارایه محاسبه جدیدی از زمان کاهش یافته شده است. علاوه بر این موارد، تأثیر اصلاح قوس های قائم و پل های کم عرض و نصب بازتاب های میانی در قوس های افقی بر میزان تصادفات، که در مطالعات TRB به آن توجهی نشده بود، در کنار سایر مشخصه‌های هندسی پیشین مورد بررسی قرار گرفته است. در نهایت روند ده مرحله ای ارایه شده در گزارش NCHRP 486 به فرآیندی چهارده مرحله ای جهت بهینه¬سازی فعالیت های بهسازی و ایمن‌سازی در پروژه های 3R و تخصیص منابع در این گونه پروژه ها تبدیل می شود."

"ناحیه weaving از برخورد دو یا چند جریان‌ ترافیکی که در حال عبور از بزرگراه هستند به وجود می‌آید. بالا رفتن ریسک تصادفات به علت تغییرات سرعت و انجام حرکت‌های مانوری و همچنین ایجاد تأخیر در آزادراه از مسایل مربوط به نواحی تداخلی است. به منظور ارایه طرحی بهینه برای کاهش تأخیرات، ایجاد یکنواختی در سرعت و کاهش تصادفات، نیاز به بررسی و تحلیل دقیق جریان‌های ترافیکی در این نواحی است. در این تحقیق ابتدا به مطالعه روش‌های DUTCH، HCM1 و FRESIM2 جهت مدل‌سازی ناحیه تداخلی پرداخته شد. پس از مقایسه آیین‌نامه‌های HCM و DUTCH نتایج نشان داد که مدل DUTCH مدلی کاملاً ریاضی نبوده و از سوی دیگر با توجه به فرض‌های متعدد محدود کننده در این روش، متدولوژی HCM به‌عنوان روش بهینه انتخاب شد و زمان سفر و میزان تأخیر برای سناریوهای مختلف با توجه به حجم جریان‌های ترافیکی، طول ناحیه تداخلی و درصد وسایل نقلیه سنگین، بر اساس این روش مورد بررسی قرار گرفت. از سوی دیگر با شناخت نرم‌افزار FRESIM و پارامترهای پرداخت آن، ناحیه تداخلی مدل‌سازی و کالیبره شد. آنگاه با مقایسه خروجی‌های روش شبیه‌سازی و خروجی‌های حاصل از HCM، نتایج نشان داد که این نرم‌افزار علیرغم قابلیت محاسبه تأخیرات در بالادست (کاهش شتاب) و پایین‌دست (افزایش شتاب) ناحیه تداخلی، همواره تأخیر کمتری نسبت به آیین‌‌نامه HCM محاسبه می‌کند و از حجم‌های کم تا زیاد، مقدار تأخیر از 59 تا 205 درصد رشد نشان می‌دهد. روند افزایش تأخیر در HCM به صورت خطی بوده و لیکن نتایج تأخیر با استفاده از شبیه‌سازی نشان داد که در حجم‌های میانی این روند خطی بوده و در حجم‌های کم و بالا میزان تغییر آن کاهش می‌یابد. همچنین نتیجه گیری شد که علیرغم درنظرگیری همسنگ سواری در ناحیه تداخلی معادل نواحی آزادراهی معمولی توسط HCM، این مقدار در FRESIM متفاوت بوده و تأثیر آن بر افزایش میزان تأخیر در حجم‌های بالاتر، بیشتر است."

سیستم حمل و نقل اتوبوس شهری به عنوان یکی از مهم ترین سیستمهای حمل و نقل عمومی به شمار می‌رود. در طراحی این سیستم لازم است که به گونه ای همزمان چندین هدف که بعضاً با هم متناقض هستند، در نظر گرفته شوند. این اهداف باعث می‌شوند که انجام طراحی با مشکلاتی روبرو شود، به عنوان مثال، مسیرهایی که برای کمینه کردن زمان سفر طراحی می‌شوند، ممکن است بیشترین پوشش و بیشترین دسترسی را نداشته باشند. از این رو برای رسیدن به بهترین طراحی لازم است که مسائل مختلفی به طور همزمان در نظر گرفته شوند. در این مقاله یک مدل جدید برای طراحی بهینه شبکه حمل و نقل اتوبوسهای شهری با استفاده از قابلیتهای GIS که در نرم‌افزارهای آن موجود است، ارایه شده است. مدل نامبرده با توجه به چندین هدف اصلی بنا شده است، از آن جمله می‌توان به حداکثرسازی تعداد مسافر و همچنین کاهش زمان سفر اشاره کرد. بقیه اهداف در بخش سوم این مقاله بیان شده‌اند. مدل ارایه شده بر ماتریس توزیع سفر بین بلوکهای شهری که روش استخراج آن در این مقاله توضیح داده شده است، استوار است. پس از استخراج ماتریس توزیع سفر بین بلوکهای شهری، و اختصاص آن به معابر شهری، از قابلیتهای شبکه GIS به منظور طراحی خطوط استفاده شده است. با استفاده از این روش می‌توان طراحی مسیر حمل و نقل اتوبوسهای شهری را با در نظر گرفتن همزمان چندین هدف اصلی انجام داد.

نرم افزار Corsim یک نرم افزار شبیه ساز ریزنگر در علم مهندسی ترافیک است که قدرت بالایی در تحلیل و بررسی شبکه های درو ن شهری دارد. در دنیای امروز استفاده از این نوع نرم افزارها یکی از راه حل های اساسی در تحلیل معضلات ترافیکی محسوب می شود. استفاده از این نرم افزار در عین حال که کم هزینه است و نتایج در آن به سرعت به دست می آید، از آشفتگی ترافیکی که اغلب در آزمایش های محلی به وجود می آید جلوگیری می کند. در این تحقیق، تحلیل ظرفیت و بهینه سازی جریان ترافیک در خیابان دستغیب حدفاصل استاد معین و بزرگراه آیت اله سعیدی به وسیله نرم افزارشبیه سازی Corsim، مورد بررسی قرار گرفت. در شبیه سازی این شبکه، اطلاعات فیزیکی و ترافیکی مورد نیاز مربوط به داده های ورودی از اطلاعات فایل GIS سازمان حمل و نقل و ترافیک و برداشت میدانی حاصل شد. سپس شبیه سازی شبکه در حالت کنونی و حالت تغییریافته پیشنهادی در ساعات اوج ترافیکی صبح و عصر انجام گردید. نتایج نشان داد که با یک طرفه کردن خیابان دستغیب حدفاصل خیابان هاشمی و بزرگراه سعیدی (شرق به غرب)، مجموع کل تاخیرات در زمان اوج ترافیک صبح در شبکه3/7درصد و در زمان اوج ترافیک عصر 9/4درصد کاهش می یابد. همچنین زمان کل سفر در شبکه در فاصله 30دقیقه شبیه سازی در زمان اوج ترافیک صبح از 124ساعت به 120ساعت کاهش و سرعت متوسط وسایل نقلیه از km/h 20 به km/h 22 افزایش یافت. نرم افزار استفاده شده در این تحقیق قبلاً با شرایط ترافیکی ایران کالیبره شده است.

رشد جمعیت و افزایش نیاز بشر به بهداشت و درمان، سبب افزایش تولید پسماندهای پزشکی شده است. در این میان جمع آوری و انتقال به مراکز دفن این پسماندها در کمترین زمان ممکن لازم است. یکی از ضروری ترین فاکتورهای مسیریابی وسایل نقلیه جمع آوری پسماند زمان سفر است. محاسبه زمان سفر به پارامترهای فراوانی بستگی دارد. رویکردی که همه پارامترهای تأثیرگذار در این امر را لحاظ و همچنین میزان تأثیر آن ها را تعیین می کند، می تواند به محاسبه دقیق زمان سفر و به تبع آن یافتن مسیر مناسب منجر شود. هدف اصلی این مقاله، تخمین دقیق زمان سفر با به کارگیری همه پارامترهای تأثیرگذار در پیمودن یک معبر برای وسایل نقلیه جمع آوری پسماند پزشکی است که با توجه به نیاز به یادگیری مکانی زمانی از الگوریتم های شبکه عصبی مصنوعی استفاده شده است که به نوعی نوآوری پژوهش نیز است. درواقع علاوه بر پارامترهای ایستا، به منظور به دست آوردن داده های پویا که یکی از محدودیت های اصلی این رویکرد است، از داده های لحظه ای دوربین های سازمان کنترل ترافیک و گوگل استفاده شده است. از داده های واقعی زمان سفر که وسایل نقلیه به منظور جمع آوری پسماند درمانی صرف کرده اند، به عنوان خروجی شبکه عصبی استفاده شده است. مدل پیشنهادی استفاده شده شبکه عصبی مکانی-زمانی (ST-ANN) نام دارد؛ زیرا لحظه حرکت وسیله نقلیه دو پارامتر زمان و مکان مشخص است. از پارامتر مکان ویژگی های ایستا و از پارامتر زمان ویژگی های پویای مربوط به آن گذر مشخص می شود. در این پژوهش، از بازه های زمانی 30 دقیقه ای استفاده شد. سپس این نتایج بر پایه زمان روز ترکیب تا زمان سفر پیش بینی شدند. در اجرای ST-ANN به منظور تعیین معماری مناسب 24 ترکیب متفاوت از اجزای آن اجرا شد و از تعداد 937 یال، 70، 15 و 15 درصد آن به ترتیب برای نمونه آموزشی، اعتبار سنجی و کالیبره کردن مدل استفاده و درنهایت با ضریب هم بستگی 91 درصد زمان سفر هر یال برآورد شد. از طرفی نتایج پژوهش با مدل های دیگر و با دو معیار ضریب هم بستگی (R²) و خطای میانگین مربعات (MSE) بررسی و مشاهده شد R² به مقادیر 11/0، 08/0 و 02/0 و MSE به مقادیر 278، 190 و 26 بهبود یافته اند.