عنوان تحقیق:
برنامه ریز پویا برای زمانبندی سیستم اتوبوسرانی
چکیده:
در این مقاله سعی شده جدیدترین کاربرد سیستم های حمل و نقل عمومی پیشرفته برای برنامه ریزی پویا سیستم اتوبوسرانی به منظور زمانبندی حرکت اتوبوسها، تشریح گردد. مبنای محاسباتی این روش بر اساس الگوریتم کالمن استوار است واز داده های سیستم مکانیابی خودکار وسیله نقلیه و شمارش خودکار مسافر در محاسبات خود استفاده می نمایند. وجه تمایز این روش با روشهای مشابه قبلی در این است که زمان ماندن اتوبوس در ایستگاه و زمان حرکت آن در خطوط را بطور جداگانه محاسبه می نماید لذا می تواند اثر زود و یا دیر رسیدن اتوبوس، بر زمان ماندن آن در ایستگاه و یا برعکس را مشخص نمایند. در خاتمه روش مورد نظر با روشهای شبکه عصبی، رگرسیون خطی و روش تاریخچه داده های قبلی مقایسه شده است.
کلید واژه: برنامه ریزی و زمانبندی اتوبوسرانی، برنامه پویا، حمل و نقل عمومی پیشرفته شمارش خودکار وسلیه نقلیه، مکانیابی خودکار وسیله نقلیه.
1-
مقدمه
در شهرهائی که از سیتم های حمل و نقل عمومی پیشرفته بهره نمی برند، برنامه ریزی و زمانبندی سیستم اتوبوسرانی، از پیش تعیین شده و به صورت ثابت اعمال می گردد. مبنای محاسباتی روشهای زمانبندی مذکور اغلب مبتنی بر استراتژی بهینه می باشد که بر اساس ویژگی های خاص و عوامل موثر پروژه مورد نظر نظیر: سرعت جریان ترافیک، طول چرخه سرویس اتوبوسرانی، زمان انتظار، زمان سفر با وسیله نقلیه، تراکم ترافیک و … استوار است.
در اینگونه روشهای زمانبندی؛ که در این مقاله به عنوان روشهای قدیمی معرفی می شوند؛ چنانچه بواسطه برخی از حوادث پیش بینی نشده نظیر: تصادفات، خرابی وسایل نقلیه در مسیر و غیره تغییری در سرعت جریان ترافیک، چگالی آن و… رخ دهد، رفتار سیستم قابل پیش بینی نبوده و منجر به بروز تاخیر می گردد. ولیکن در روشهای جدید ویا همان روشهای پویای زمانبندی حرکت اتوبوسها، تغییرات ایجاد شده در جریان ترافیک در برنامه ریزی بهنگام می گردد.
برای نشان دادن اهمیت مطالعه برنامه ریزی و زمانبندی حرکت اتوبوسها، از آمار و ارقام سال 1383 در شهر تهران استفاده می گردد. به طور موتوسط در هر روز هفته 2477270 مسافر توسط سیستم حمل و نقل اتوبوسرانی در شهر تهران جابجا می شود. حال چنانچه با زمانبندی و مدیریت صحیح حرکت اتوبوسها، تاخیر هر مسافر را فقط به میزان 2 دقیقه بتوان کاهش داد. در یک روز به طور متوسط از 82575 ساعت، اتلاف وقت مسافران جلوگیری می شود و با فرض هر روز کاری 8 ساعت می توان روزانه 3/28 نفر – سال در وقت شهروندان تهرانی صرفه جویی کرد.
تاکنون روشهای مختلفی برای پیش بینی زمانبندی سیستم اتوبوسرانی توسعه یافته است. که در این مقاله جدید ترین مدل پیش بینی زمان اعزام و رسیدن اتوبوسها در سیستم حمل و نقل عمومی اتوبوسرانی؛ با استفاده از اطلاعات سیستم های حمل و نقل عمومی پیشرفته؛ بیان می شود.
2- مروری بر سیستم های پیشرفته حمل ونقل عمومی
سیستم های پیشرفته حمل و نقل عمومی جزئی از سیستم های هوشمند حمل و نقل می باشند که در حمل و نقل عمومی و به منظور بهبود عملکردها شامل: افزایش ایمنی، افزایش صرفه اقتصادی، بهبود کیفیت خدمات و … ، استفاده شوند. از کاربرد های سیستم های پیشرفته حمل و نقل عمومی؛ ایجاد پتانسیل خدمات بیشتر برای کاربران در کنترل فعالیت های ناوگان اتوبوس و بهبود سرعت، ایمنی و راحتی سفر می باشد. ارتقاء تکنولوژی حمل و نقل عمومی نظیر سیستم های خودکار مکانیابی وسیله نقلیه (AVL) ، سیستم های خودکار شمارنده مسافرین (APC) اثرات زیادی بر عملکرد سیستم اتوبوسرانی دارد. سیستم های پیشرفته حمل و نقل عمومی دارای قدمت کمی می باشند. نمونه های اولیه این سیستم در عمل به دهه 60 اوایل دهه 70 بر می گردد. اغلب این تکنولوژی ها بر اساس نشانگرهای ثابتی بودند، که می بایست در مسیر اتوبوس نصب می شدند. این نشانگرها مجهز به مبدل الترونیکی هستند و زمانی که اتوبوس ها از کنار آنها عبور می کنند، سیستم گیرنده تعیین وقت داخل وسیله، کد شناسائی را دریافت کرده، زمان و تاریخ عبور اتوبوس از کنار نشانگر مورد نظر را ثبت می نمایند. اجرا و نگهداری سیستم های پیشرفته حمل و نقل عمومی اولیه نظیر نشانگر های ثابت، دارای هزینه های زیادی بودند. که از آن به بعد، تکنولوژی های جدیدی مثل سیستم موقعیت یابی جهانی (GPS) ارائه گردید که باعث کاهش هزینه ها شد. اداره حمل و نقل فدرال سیستم های پیشرفته حمل و نقل عمومی را به صورت زیر تقسیم بندی کرده است.
* مدیریت ناوگان
شکل 1: نمامی کلی سیستم خودکار مکانیکی وسیله نقلیه ]3[
* اطلاعات مسافرین
* پرداخت الکترونیکی کرایه
* مدیریت تقاضا
در اینجا؛ با توجه ارتباط موضوع؛ مدیریت ناوگان مورد توجه قرار می گیرد.
2-1 مدیریت ناوگان
استراتژی های مدیریت ناوگان بر بهبود برنامه ریزی و زمانبندی یک ناوگان متمرکز است. انگیزه های تکنولوژی های مدیریت ناوگان عبارت از افزایش قابلیت اطمینان به سرویس ها، افزایش ایمنی، بهبود عملکرد سرویس ها است. به طور کلی سیستم های نوین مدیریت ناوگان، اطلاعات اتوبوسرانی قرار می دهد که از آنها برای کنترل و یا برنامه ریزی و زمانبندی ناوگان حمل و نقل عمومی استفاده می نمایند. اداره حمل و نقل فدرال سیستم مدیریت ناوگان را به شش دسته زیر تقسیم کرده است:
* سیستم های ارتباطی
* سیستم های اطلاعات جغرافیایی
* سیستم های خودکار مکانیابی وسیله نقلیه
* سیستم های خودکار شمارنده مسافرین
* نرم افزار های عملکرد حمل و نقل عمومی
* اولویت در چراغ های راهنمائی
که در اینجا با توجه به ارتباط موضوع به برخی مفاهیم و تعاریف اشاره می شود.
2-1-1- مکان یابی خودکار وسیله نقلیه
سیستم های خودکار مکانیابی وسیله نقلیه (AVL) شامل یک سری تجهیزات و سیستم های کامپیوتری هستند که موقعیت وسایل نقلیه را تعیین می نمایند. موقعیت و محل واقعی وسیله نقلیه تعیین شده و اطلاعات آن به مرکز کنترل منتقل می گردد. اطلاعات راجع به موقعیت وسیله به صورت چند ثانیه و یا چند دقیقه باقی می ماند. اطلاعات موقعیتی را می توان به صورت داده های خام یا پردازش شده به مرکز کنترل انتقال داد. نمای کلی سیستم خودکار مکانیابی وسیله نقلیه در شکل 1 نمایش داده است.
2-1-2- شمارش خودکار مسافر
یکی از مهمترین اطلاعات در مدیریت و برنامه ریزی سیستم حمل و نقل عمومی تخمین و یا شمارش تعداد مسافران می باشد. برای شمارش مسافران در سیستم اتوبوسرانی از روشهای مختلف استفاده می شود، که شامل روشهای ساده نظیر شمارش دستی و روشهائی با پیشرفته شمارش تعداد مسافران نظیر جمع آوری الکترونیکی کرایه و شمارشگرهای خودکار و… می باشد. یکی از سیستم های APC یا شمارش خودکار مسافر می باشد که مسافرین را که در ایستگاه، هنگام سوار یا پیاده شدن شمارش می نماید. تکنولوژی های بکار برده شده در سیستم شمارش خودکار مسافر متفاوت می باشد. در برخی از آنها با پا گذاردن مسافرین روی مادون قرمز، هنگام عبور از امواج و شکستن آن در محل درب اتوبوس مسافر شمارش می گردد. در این سیستم ها علاوه بر تعداد مسافرین معمولاً محل ایستگاه، زمان و تاریخ ورود اتوبوس به ایستگاه، زمان باز و بسته شدن درها، تعداد مسافرین داخل وسیله و تعداد مسافرین خارج وسیله را ثبت می نماید. این اطلاعات در مورد مسیرها و اتوبوسهای مشخص ثبت و ذخیره می شوند. و توسط سیستمهای ارتباطی به مراکز کنترل و … منتقل می گردند.
3- پیش بینی زمان اعزام و رسیدن اتوبوس به ایستگاه با استفاده از اطلاعات AVL , APC
این روش مبتنی بر اطلاعات مدیریت ناوگان؛ شامل شمارش خودکار مسافرین (APC) و مکانیابی خودکار وسایل نقلیه (AVL) بوده و در محاسبات خود از الگوریتم کالمن استفاده می کند.
شکل 2-مسیر حرکت اتوبوس با چند ایستگاه ]5[
مطالعات زیاد در خصوص استفاده از APC , AVL در پیش بینی زمانبندی حرکت اتوبوسها انجام شده است، نظیر: مطالعات کالاپوتاپو و دیمت اسکی؛ لاین و زینگ؛ وال و دیلی؛ و …
ولیکن آنچه مهم است اینکه تمام این روشها، مجموع زمان ماندن اتوبوس در ایستگاه با زمان حرکت آن در خطوط را یکجا می دهند. چنین مدلهائی صراحتاً نمی توانند اثر زود یا دیر اتوبوس، بر زمان ماندن آن در ایستگاه و یا بر عکس را مشخص نمایند. نادیده گرفتن چنین ارتباطی مدل را نسبت به اثرات تغییر رفتار در ایستگاه های بالا دست، غیر حساس می کند.
Shalaby & Farhabn . A از دانشگاه تورنتو در سال 2004 روشی را ابداء کردند که چنین پیامدهائی را پاسخگو باشد. دراین روش زمان حرکت اتوبوس در طول خط و زمان توقف در ایستگاه بطور جداگانه در یک چارچوب مدلسازی سازگار، مدل شده اند. در اینجا فرض شده است اطلاعات زمانهای حقیقی برای موقعیت اتوبوس در هر مکان و لحظه، تعداد مسافران که سوار و پیاده می شوند و زمانهای حقیقی اعزام و رسیدن اتوبوس از سیستم APC , AVL قابل دریافت باشند. سیستم مدلسازی فوق شامل دو الگوریتم جداگانه برای پیش بینی زمان حرکت در خطوط و زمان توقف در ایستگاه می باشد که هر دو از الگوریتم کالمن استفاده کرده اند. برای پیش بینی زمان حرکت اتوبوس در طول یک خط مشخص در لحظه k+1 الگوریتم اول؛ یا همان از اطلاعات سه روز گذشته زمان حرکت در خط مورد نظر استفاده شده است. به همین ترتیب زمان حرکت اتوبوس در خطوط برای اتوبوس قبلی در روز جاری در لحظه k محاسبه می شود. در این مطالعه از اطلاعات سه روز گذشته؛ بعلت محدودیت در آمار؛ استفاده شده است، بدیهی است که در کاربردهای عملی این الگوریتم می توان از اطلاعات روزهای بیشتری استفاده کرد.
الگوریتم دوم؛ یا همان مدل پیش بینی نرخ ورود مسافران؛ بطور مشابه از اطلاعات روزهای قبل استفاده می نماید. برای پیش بینی زمان توقف در یک ایستگاه بخصوص، نرخ ورود پیش بینی شده در فاصله عبور زمان پیش بینی شده ضرب می شود. در واقع با تفاضل زمان رسیدن اتوبوس قبلی به ایستگاه از زمان پیش بینی رسیدن اتوبوس بعدی به همان ایستگاه، این فاصله عبور زمانی محاسبه می شود. در ضمن در این مطالعه فرض شده که زمان صرف شده برای سوار شدن هر مسافر به اتوبوس 5/2 ثانیه می باشد.
در نظر گیری الگوریتم جداگانه برای پیش بینی زمان حرکت در خطوط اتوبوسرانی و زمان ماندن (توقف) در ایستگاه توانائی مدل را در تعیین اثر زود و یا دیر رسیدن اتوبوس به ایستگاه، بر پیش بینی زمان توقف در ایستگاه و اعزام از ایستگاه را افزایش می دهد و این بدیهی است، چون پیش بینی زمان ماندن اتوبوس در ایستگاه، تحت تاثیر زمان عملی رسیدن اتوبوس به ایستگاه، تحت تاثیر زمان عملی رسیدن اتوبوس به ایستگاه، می باشد. شکل 2 یک مسیر اتوبوس با چند ایستگاه را نمایش میدهد.
در این شکل وقتی که اتوبوس n ام از ایستگاه i حرکت می کند، زمان اعزام آن از سیستم AVL تشخیص داده می شود. در این لحظه الگوریتم پیش بینی کالمن؛ که برای پیش بینی زمان حرکت در خطوط می باشد؛ زمان حرکت در خط بعدی را پیش بینی خواهد کرد، یعنی زمان حرکت بین ایستگاه I و I+1 و متعاقباً زمان رسیدن اتوبوس به ایستگاه پائین دست؛ یعنی ایستگاه I+1 ام؛ حاضر در ایستگاه i قرار دارد، خواهیم داشت:
که در آن:
زمان پیش بینی شده رسیدن اتوبوس n ام به ایستگاها i+1 ام،
زمان حرکت اتوبوس n ام بین ایستگاه i و i+1 که توسط الگوریتم کالمن پیش بینی شده است، و
زمان واقعی اعزام اتوبوس n ام از ایستگاه i، از این زمان پیش بینی شده (رابطه 1) برای محاسبه زمان ماندن اتوبوس n ام در ایستگاه i+1 استفاده می شود (رابطه 2).
که در آن:
زمان ماندن اتوبوس n ام در ایستگاه i+1
نرخ ورود مسافر به ایستگاه i+1 با استفاده از الگوریتم کالمن،
زمان واقعی ورود اتوبوس قبلی (n ام)در ایستگاه i+1 و
فاصله عبور زمانی پیش بینی شده اتوبوس Nام در ایستگاه i+1 و
میانگین زمان سوار شدن مسافرین به اتوبوس که 5/2 ثانیه به ازای هر نفر در نظر گرفت شده.
در معادله (2) فرض بر این است که سوار شدن مسافران در هر ایستگاه اتوبوس در مقایسه با زمان پیاده شدن آنها، معنی داری روی زمان ماندن اتوبوس در ایستگاه دراد.
با داشتن پیش بینی زمان رسیدن و ماندن اتوبوس nام در ایستگاه i+1 میتوان زمان اعزام برای اتوبوس nام را از طریق رابطه (3) محاسبه کرد.
که در آن:
زمان اعزام اتوبوس n ام از ایستگاه i+1 ، و سایر پارامترها قبلاً تعریف شده اند.
این زمان اعزام پیش بینی شده، بستگی به زمان پیش بین شده رسیدن و ماندن اتوبوس n ام در ایستگاه i+1 می باشد. بنابراین اثر هر تغییر در عملکرد اتوبوس نظیر: زود یا دیر رسیدن می تواند در این ایستگاه؛ برای تعیین اثر آن در ایستگاه های پائین دست؛ اعمال شود.
5- ارزیابی عملکرد مدل
برای پیش بینی عملکرد مدل کالمن Shalaby . A & Farhan . A این مدل با سایر مدلهائی که قبلاً در همان مسیر اجرا شده است، مقایسه کردند. این مدلها شامل مدل رگرسیون، مدل میانگین داده های گذشته و مدل شبکه عصبی مصنوعی می باشند.
برای مقایسه از متوسط خطای نسبی (رابطه 18)، مربع خطای نسبی (رابطه 19) و حداکثر خطای نسبی (رابطه 20) استفاده کردند:
(18)
(19)
(20)
نمودارهای 1 خطاهای سه گانه فوق را برای مدلهای نام برده شده؛ در شرایط عادی ترافیک؛ مقایسه می کند.
6- نتیجه گیری
1- با توجه به اینکه بهره گیری از سیستم های حمل و نقل پیشرفته برای برنامه ریزی و زمانبندی سیستم اتوبوسرانی منجر به کاهش زمانهای تلف شده میگردد،
نمودار 1: مقایسه خطاها درشرایط عادی ترافیک برای مدلهای مختلف
لذا در شهرهای بزرگ که حجم جابجایی مسافر زیاد می باشد، توصیه می شود مطالعات لازم جهت تهیه و نصب سیستم های زیر بنایی لازم در کشور صورت گیرد.
2- روش های قبلی برای برنامه ریزی سیستم اتوبوسرانی، مجموع زمان ماندن اتوبوس در ایستگاه یا زمان حرکت آن در خطوط را یکجا می دهند. لذا چنین مدلهایی نمی توانستند اثر زود یا دیر رسیدن اتوبوس بر زمان ماندن آن در ایستگاه و یا برعکس را مشخص نمایند. اما در مدل ارائه شده توسط Farhan , Shalaby زمان حرکت اتوبوس در طول خط و زمان توقف در ایستگاه بطور جداگانه مدل می نماید، لذا پیامدهایی روشهای گذشته را پاسخگو خواهد بود.
3- با توجه به نتایج مطالعه Farhan , Shalaby (نمودار شکل 1) ملاحظه می شود مدل کالمن برای برنامه ریزی پویا، نسبت به سایر مدلهای نامبرده در نمودار خطای کمتری می باشد. (4)
مراجع و منابع:
1- حمل و نقل در ترافیک تهران در یک نگاه – سازمان حمل و نقل و ترافیک تهران-مهر 84 تا فروردین 85
2- شرکت مطالعات جامع حمل و نقل و ترافیک تهران، آبان 1385
1
13