پیش بینی چگالی جریان ترافیک جاده های شیبدار با استفاده از مدل های ریاضی
Publish Year: 1391
Type: Conference paper
Language: Persian
View: 1,662
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
TTC12_116
Index date: 13 June 2013
پیش بینی چگالی جریان ترافیک جاده های شیبدار با استفاده از مدل های ریاضی abstract
امروزه یکی از مسائل موجود درسیستمهای حمل و نقل هوشمند پیش بینی چگالی جریان و سرعت ترافیک می باشد که نقش مهمی را درمباحث کنترل ترافیک، کنترل چراغهای راهنمایی، کنترل زمان سفر و... دارد. نمودار اساسی جریان ترافیک و مدل های مربوط به آن یکی از اجزای مهم مطالعات حمل و نقل و ترافیک است که روابط ریاضی بین اجزای اصلی جریان ترافیک را بیان می کند. مدل های جریان ترافیک به دو صورت خرد نگر و کلان نگر بیان می شوند. مدل های کلان نگر به صورت یک و یا دو معادله مشتقات جزئی بیان می شوند. در این مقاله ابتدا یک نمونه از این مدل ها که در آن سرعت جریان فقط به چگالی جریان وابسته است بیان و نتایج عددی آن نشان داده شده است. اما در دنیای واقعی جریان ترافیک به عوامل متعددی از جمله آب و هوا، شرایط راننده (سن، ...) و شرایط فیزیکی جاده (شیب جاده، پیچ،...) وابسته می باشد. ما در این مقاله فرض کرده ایم که در یک قسمت از جاده شیب (سر بالایی یا سر پایینی) وجود دارد و این خصوصیت جاده را در مدل در نظر گرفته و سپس به مقایسه نتایج عددی این دو مدل پرداخته ایم.
پیش بینی چگالی جریان ترافیک جاده های شیبدار با استفاده از مدل های ریاضی Keywords:
پیش بینی چگالی جریان ترافیک جاده های شیبدار با استفاده از مدل های ریاضی authors
نوشین داودی
دانشجوی دکتری ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد
علیرضا سهیلی
استاد گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد
حامدرضا طارقیان
استاد گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد
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 :