مدل‌سازي مكاني تقاضاي سفر مبتني بر روشي جديد براي پيش‌بيني و كاهش ترافيك (منطقه شش شهر تهران)

Modeling new methods for spatial travel demand forecasting and decrease traffic (Region 6Tehran city )

امروزه، مدل‌سازي تقاضاي سفر و استفاده از روش‌هاي جديد بخش مهمي از دانش مهندسي حمل‌ونقل و برنامه‌ريزي ترافيك حمل‌ونقل درون‌شهري را به خود اختصاص داده است؛ به‌گونه‌اي ‌كه در سال‌هاي اخير، استفاده از روش‌هاي علمي نوين نتايج اميدوار‌كننده‌اي‌ داشته است. پرسش كليدي مقاله اين است: مدل مكاني تقاضاي سفر چه ويژگي‌هايي داشته است‌؟ و براي به‌‌دست آوردن ميزان تقاضاي سفر واقعي و تاثير آن در پيش‌بيني و كاهش جريان‌هاي ترافيكي از سازگاري‌هاي لازم برخوردار است؟ براي پاسخ به اين پرسش، از روش علمي تركيبي سيستم اطلاعات جغرافيايي (GIS)، سنجش از دور (RS) و روش تحليلي رگرسيون خطي چند‌متغيره براي مدل‌سازي مكاني تقاضاي سفر در منطقه شش شهر تهران استفاده شده است. نتايج نهايي تحقيق نشان مي‌دهد متغير (C3) يعني جمعيت منطقه با ضريب 23/14 درصد بيشترين درجه هم‌بستگي را با متغير وابسته در مدل داشته است. پس از آن متغيرهاي كاربري تجاري (C16) با ضريب 9/11- درصد و تعداد كارمندان شاغل در منطقه با 10/3- درصد به‌ترتيب دومين و سومين پارامترهاي مدل هستند كه به‌ترتيب از طريق معادلات رگرسيون خطي چند‌متغيره به‌دست آمده‌اند. همچنين، متغير تعداد واحدهاي كسبي منطقه (C11) با ضريب (./0089) درصد كمترين تاثير را در مدل‌سازي مكاني تقاضاي سفر نشان داده است. همچنين، جهت ارزيابي و روايي نتايج نهايي، از معيارهايي جهت برازندگي نتايج مدل و مقايسهآن با نتايج مدل‌هاي تقاضاي سفر حمل‌ونقل درون‌شهري استفاده شده است. نتايج نهايي معيارهاي استفاده‌شده به‌ترتيب مقدار (R2=0.73415936)‌، ((MARE=78.628‌، (RMSE=1.43) درصد حاصل شده است. با توجه به نتايج تحقيق، مدل مكاني تقاضاي سفر از توانايي‌هاي لازم جهت محاسبه ميزان واقعي تقاضاي سفر حمل‌ونقل درون‌شهري و تاثير آن بر پيش‌بيني و كاهش جريان‌هاي ترافيكي در منطقه موردمطالعه برخوردار بوده است.

Today, travel demand modeling techniques and use of new knowledge, an important part of transportation engineering and traffic planning in urban transportation within the accounts is, So that in recent years using modern scientific techniques and promising results have come at too. The key question now is the paper where the models of travel demand characteristics have what has been, and to obtain the actual amount of travel demand forecasting and its effect on traffic flow and reduce the necessary adjustment has? To answer this question of the scientific method combined Geographic Information System (GIS), remote sensing (RS) and multivariate linear regression analysis for spatial modeling of demand in the area 6 of Tehran has been used. The final results indicate that the variable (C3), i.e. 14.23 percent of the population of the region with the highest degree of correlation coefficient with the dependent variable in the model has been, fret the commercial user variables (C16) with 11.9-percent ratio and the number of employees working in the region 3.10 - percent respectively second and third parameters of the model are, Order through the multivariate linear regression equations obtained. The variable number of units Business region (C11) with a coefficient of -0.008930 per cent minimum impact on travel demand modeling has shown that spatial. So for testing, evaluation and final results of modeling spatial Validity travel demand, the criteria for test, The criteria for testing, fitness model results and comparison with results of existing models of multivariate regression analysis technique is derived. Final results were used criteria value (R2 = 0.73415936), ((MARE = 78.628), (RMSE = 1.43) percent is derived. According to the results, model where travel demand capabilities required for calculating the actual amount of travel demand for transportation within the city and its effect on traffic flow and decrease predicted in the study area has enjoyed.