وبلاگ

c2

۶.۸۷  (۶.۶۶, ۷.۰۸)

با توجه به این ضرایب و در نظر گرفتن حداکثر مبلغ عوارض ۰.۲ تومان می توان به کمک رابطه زیر نمودار مبلغ تراکم در ساعات مختلف را ترسیم نمود که به صورت شکل ارائه شده می باشد.
شکل ۵-۴ : نمودار مبلغ تراکم در ساعت های مختلف
۵-۴- برآورد سهم تردد در مسیرهای جایگزین به ازای سیاستهای مختلف اخذ عوارض
برآورد تقاضای حمل ونقل یکی از مهمترین موارد کلیدی در فرایند محاسبه نرخ عوارض در رویکرد هزینه ایی محسوب میشود. آگاهی از میزان تقاضای انتظاری در سالهای آینده میتواند مورد استفاده قرار گیرد تا بدان وسیله بتوان، مقدار استفاده از زیرساخت را پیشبینی و اقدامات مورد نیاز جهت نگهداری از آن را فراهم آورد.
همانگونه که در شکل ۵-۵ نیز مشاهده میگردد، تقاضای حمل ونقل که از فعالیتهای اقتصادی-اجتماعی (نظیر : فعالیتهای تجاری، صنعتی، آموزشی، پزشکی، کشاورزی و غیره) ناشی میشود، نهایتاً برحسب حجم ترافیک وارده به زیرساخت مثل: تعداد مسافران و میزان تناژ بار خود را وانمود می نماید.
شکل ۵-۵: ارتباط مابین تقاضا، عرضه و حجم ترافیک
حجم ترافیک پیشبینی یا مشاهده شده در سیستم حمل ونقل نتیجه فعل و انفعالات تقاضای سفر و ظرفیت عرضه شبکه میباشد. بنابراین، توانایی پیشبینی تقاضای حمل ونقل و ظرفیت عرضه شبکه حمل ونقل در هر زمانی از عمر پروژه و تغییرات در مقدار آنها به دلیل تغییر در مشخصه های اجتماعی-اقتصادی، قیمت خدمات سیستم (از جمله نرخ عوارض)، تکنولوژی سیستم و غیره، ضروری می باشد.

ترافیک، تعیین کننده نیاز به راه و مسیر، نوع، ظرفیت و سایر مشخصات آن است. از این رو، در آزادراههای جدید و یا آزادراههای موجود، نخست باید آمار و اطلاعات و داده های ترافیک گذشته و کنونی مورد بررسی و تحلیل قرار گیرد و سپس برپایه آن و سایر ملاحظات، ترافیک دوره عمر طرح را به تفکیک هر سال برآورد و پیش بینی کرد.
مدل چهارمرحلهای برنامه ریزی حملونقل که در شکل ۵-۶ نشان داده شده است، امروزه به عنوان مهمترین روش برآورد تقاضای خطوط شبکه حمل ونقل استفاده میگردد. در روش مذکور، مدلسازی تقاضای حملونقل از چهار مرحله زیر تشکیل یافته است :
تولید سفر برمبنای تولید و مصرف هر بخش در هر یک از مناطق
توزیع سفرهای بوجود آمده بین مناطق،
انتخاب شیوه حملونقل از قبیل جاده یا ریل
تخصیص ترافیک به مسیرهای شبکه
شکل ۵-۶: مدل چهار مرحلهای برنامه ریزی حمل ونقل
البته علیرغم موارد ذکر شده این احتمال وجود دارد که رانندگان سرعت و راحتی تردد در آزاد راه ها را به سایر راه های جایگزین ترجیح داده که در نتیجه باعث افزایش تراکم در آزاد راه ها می شوند. بنابراین یکی از بهترین روشها برای جلوگیری از افزایش تراکم پیش بینی آن قبل رسیدن به مراحل نهایی ترافیک می باشد و در نتیجه می توان براحتی با اعمال تمهداتی مانند کنترل و یا محدود کردن تردد وسائط نقلیه سنگین و یا استفاده از خطوط تردد ویژه بصورت موقت، موجب روانی ترافیک گردند. در این پایان نامه جهت پیش بینی ترافیک از دو روش شبکه های عصبی و رگراسیون خطی استفاده گردیده و در انتها به مقایسه نتایج حاصله پرداخته می شود.
۵-۵- مدلسازی شبکه عصبی
با توجه به موارد فوق در اینجا از شبکه های عصبی برای پیش بینی حجم ترافیک در آزاد راه تهران- قم استفاده گردید. در این رساله با بهره گرفتن از داده ­های ترافیکی آزاد راه فوق شامل تعداد انواع مختلف وسائل نقلیه و سرعت متوسط آنها در بازه های زمانی یک ساعته، یک شبکه عصبی چندلایه پس انتشار جهت پیش بینی ترافیک آموزش داده شد. البته به دلیل حجم بالای داده ­های موجود و بازه زمانی اطلاعات جمع آوری شده که مربوط به یکسال می باشد، باعث افزایش خطای سیستم می شد که جهت کاهش خطا از یکسری روش هایی استفاده گردیده که درادامه آورده شده است.
در سیستم مورد نظر یعنی استفاده از شبکه عصبی، الگوریتم اصلی برای ایجاد توابع برآوردی(پیش ­بینی کننده) استفاده شده است. چون شبکه عصبی یک مدل کمی با محدوده خطای پایین است، نه تنها یک تخمین کیفی بلکه نتایج کمی بسیار دقیق قابل دستیابی است.
در اینجا از یک شبکه پس انتشار استفاده شده است که متشکل از یک لایه ورودی، چهار لایه میانی و یک لایه خروجی می باشد. در این شبکه از برداز ورودی و هدف برای تقریب زدن یک تابع، یافتن رابطه بین ورودی و خروجی و دسته بندی ورودی ها استفاده می شود.
۵-۵-۱- طراحی شبکه عصبی مصنوعی
از آن جا که شبکه عصبی یک شبکه ایستا است بنابراین باید برای شبیه­سازی یک سیستم پویا تدابیری اتخاذ نمود. برای این منظور می­توان پارامترهای ورودی به شبکه را طوری طراحی کرد که به شبکه را به صورت پویا تبدیل کند، این تکنیک را می­توان با بهره گرفتن از وارد نمودن گذشته­ های پارامترهای ورودی پیاده نمود. بنا بر بررسی­های انجام گرفته بر روی گذشته­ های هر یک از پارامترهای ورودی بر اساس معیار واریانس تجمعی، اجزاء اصلی این گذشته­ها که شامل اطلاعات مربوط به تردد خودرو ها طی ۳ ساعت قبل از ساعت جاری می باشند، به عنوان ورودی به شبکه انتخاب می­گردد.
برای آموزش بهتر شبکه لازم است تا تغییرات داده های ورودی و خروجی به وسیله توابع خاصی بین مقادیر صفر و یک محدود شوند.
در اینجا از بین الگوریتم های متفاوتی که برای شبکه های پس انتشار وجود دارد از الگوریتم Levenbery – Marqwardt استفاده شده است. در این روش سعی در کاهش محاسبات با بهره گرفتن از عدم محاسبه ماتریس Hessian دارد.
زمانی که تابع کارایی به صورت مجموع مربعات می باشد (که در شبکه های feedfooward مرسوم است.) ماتریس Hessian به روش زیر قابل تخمین است:
همچنین شیب نیز به صورت زیر محاسبه می شود:
J ماتریس ژاکوبیان^[۱۱۹] می باشد که شامل مشتقات اول از خطاهای شبکه نسبت به وزن ها و بایاس ها است و e بردار خطای شبکه است، ماتریس ژاکوبیان از طریق تکنیک های استاندارد BP قابل محاسبه است و پیچیدگی محاسبات آن نسبت به محاسبه ماتریس Hessian بسیار کمتر است.
الگوریتم Levenberk-Marqwardt از تقریب زیر برای محاسبه ماتریس Hessian استفاده می کند:
^-۱
زمانی که مقدار عددی صفر باشد این تابع تبدیل به یک روش نیوتن برای تقریب ماتریس Hessian می شود. زمانی که یک عدد بزرگ باشد این تبدیل به روش شیب توام با گام کوچک می شود. همان طور که می دانیم روش نیوتن روش دقیق تری می باشد. (نسبت به شیب توام)
بنابراین پس از هر گام موفق کاهش می یابد (گام موفق یعنی کاهش تابع کارایی) و فقط زمانی افزایش می یابد که گام آزمایشی تابع کارایی را افزایش دهد. به این ترتیب تابع کارایی همیشه در هر تکرار کاهش می یابد.
همانطور که قبلا توضیح داده شد این شبکه مشتمل بر یک لایه ورودی، چهار لایه میانی و یک لایه خروجی می باشد که لایه ورودی شامل ماه، روز، ساعت، میزان تردد خودروها، سرعت متوسط آنها می باشد. همچنین با توجه به بازه زمان یکساله اطلاعات و بدلیل اینکه معمولا حجم ترافیک در روزهای منتهی به آخر هفته ها و همچنین روزهای تعطیل، بویژه زمانیکه چندین روز تعطیل به دنبال یکدیگر باشند افزایش پیدا کرده و روند عادی ترافیک را مختل می کنند و در جهت افزایش یادگیری شبکه و کاهش خطاهای آینده، وضعیت تعطیل بودن تا سه روز قبل و دو روز بعد از روز جاری به عنوان ورودی به شبکه داده شد، که در نهایت باعث افزایش چشمگیر نتایج خروجی شبکه گردید.
۵-۵-۲- ارزیابی شبکه طراحی شده
همانطور که اشاره شد اطلاعات تردد خودروها به عنوان ورودی به شبکه داده شد و همچنین برای افزایش کارایی شبکه اطلاعات مربوط به روزهای تعطیل نیز به شبکه داده شد.نتایج حاصل از شبکه طراحی شده بصورت زیر می باشد :
جدول ۵-۴ : نتایج حاصل از طراحی شبکه

Training Algorithm

ANN Size

Performance Goal

Epochs

NRMSE