پیش بینی تقاضای سفر با استفاده از روش های سری زمانی میانگین متحرک خود همبسته (مطالعه موردی: آزادراه قم-تهران)
Publish place: Journal of Civil Engineering، Vol: 36، Issue: 1
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 265
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CIVIL-36-1_003
تاریخ نمایه سازی: 2 خرداد 1402
Abstract:
کیفیت جریان ترافیک یکی از مشخصات اصلی شبکه حمل ونقل است که کاربرد فراوانی در مسائل مرتبط با برنامه ریزی شهری، اولویت بندی مسیرها، کاهش تراکم ترافیک و زمان سفر دارد؛ بنابراین برآورد میزان حجم ترافیک و پیش بینی آن در آینده یکی از مسائل مهم برنامه ریزان حوزه حمل ونقل است. مسئله پیش بینی، مستلزم مدل سازی و تعیین متغیرهای تاثیرگذار روی تغییرات پدیده ای خاص است. در این پژوهش به پیش بینی تقاضای سفر با استفاده از روش های سری زمانی پرداخته شده است. داده های موردنیاز این تحقیق، از سازمان راهداری و حمل ونقل جاده ای تهیه گردیده است. در این مطالعه به منظور ساخت مدل، از دو فرآیند اتورگرسیو و میانگین متحرک با رویکرد باکس-جنکینز استفاده شده است. . با استفاده از روش های فوق، میزان تقاضا در سال های آتی تا افق ۱۴۰۴ در آزادراه قم-تهران پیش بینی شده است. نتایج مطالعه نشان داد، از بین مدل های خود همبسته و میانگین متحرک و تلفیق دو مدل یعنی میانگین متحرک-خود همبسته، مدل سوم دقت قابل قبول تری دارد. پارامترهای این مدل (۴,۵)ARMA به دست آمد. همچنین صحت سنجی مدل ساخته شده، بر اساس مقدار میانگین درصد خطای مطلق، ۰۴۷/۰، مقادیر R و R۲ به ترتیب ۹۴/۰ و ۸۹/۰ محاسبه شد که نشان می دهد مدل از دقت قابل قبولی برخوردار است.
Keywords:
Authors
حسن خاکسار
گروه حمل ونقل، دانشکده عمران، دانشگاه آزاد اسلامی واحد تهران شمال، ایران
سید احمد الماسی
گروه برنامه ریزی حمل و نقل، دانشگاه بین المللی امام خمینی، قزوین، ایران
امیر گلرو
دانشکده مهندسی عمران و محیط زیست گروه آموزشی ژئوتکنیک و راه و ترابری دانشگاه صنعتی امیر کبیر
محمد مهدی خبیری
دانشکده مهندسی عمران - بخش ژئوتکنیک و راه ، دانشگاه یزد
حسین بهمنی
دانشکده مهندسی عمران، دانشگاه یزد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :