چکیده:
مدل غالب در پژوهشهای پیشین برای برآورد زمان سفر اتوبوس، رگرسیون خطی است که فرض محدودکننده توزیع نرمال را برای همه مشاهدهها دارد. از طرفی، مدلهای بقا امکان محاسبۀ احتمال پیشامد رویدادهایی را دارند که میتوانند در گذر زمان تغییر کنند. بنابراین، بررسی احتمالهای رخدادی که با گذشت زمان تغییر میکنند، برای مدلهای خطرپایه مانند بقا ایدهآل هستند. در حالی که از این مدلها در حوزه زمان سفر اتوبوس کمتر استفاده می شود. در این پژوهش، مدلهای بقا زمان شکست شتابیده (AFT)، و رگرسیون خطی در قالب دو رویکرد کمانپایه و بخشپایه مقایسه میشوند. برای مدلسازی، دادههای موقعیت خودکار خودروها (AVL)، مربوط به 32 اتوبوس فعال در خط 313 شهر تهران (میدان سپاه تا میدان انقلاب)، شامل اطلاعات یک هفته از هر یک از ماههای اردیبهشت، مرداد، و آبان در سال 1394 بکار میرود. بر اساس نتایج، دقت مدلهای بقا در هر دو رویکرد مدلسازی بهتر از مدل رگرسیون خطی است. همچنین، برای مشاهدههای زمان سفر کوتاه (کمتر از 100 ثانیه)، و بلند (بیش از 900 ثانیه)، عملکرد مدل رگرسیون خطی بسیار نامطلوب است. علاوه بر اینها، خط ویژه خلاف جهت که در این مسیر وجود دارد، بهطور میانگین حدود 7/ 15 درصد از زمان سفر اتوبوس را میکاهد.
The prevailing model in the studies that estimate bus travel time is the linear regression which assumes the limit of the normal distribution for all observations. Besides, survival models can calculate that the probability of an event can change over time. Thus, examining event probabilities that change over time is ideal for risky basic models such as survival ones. Although these kinds of models are used less in the research of bus travel time, in this study Accelerated Failure Time (AFT) survival models and linear regression models are compared in the form of two modeling approaches, link-based, and section-based. As for modeling the Automated Vehicle Location (AVL), data of 32 buses in line number 313 in Tehran (from Sepah Sq. to Enqelab Sq.) is used, including the information for one week for May, August, and November 2015. According to the results, the accuracy of survival models is better than the linear regression model in both modeling approaches. Furthermore, the performance of the linear regression model is unfavorable for both observations of short (less than 100 seconds) and long (more than 900 seconds) travel time. In addition, the particular lane that has been built in the opposite direction in this route reduces the bus travel time by an average of about 15/7 percent.
خلاصه ماشینی:
بیشتر پژوهشهای انجامشده برای برآورد زمان سفر اتوبوس، مدلهای رگرسیون را برای مدلسازی بکار Perceived Reliability Global Positioning System Automated Vehicle Location Automated Passenger Counter Automated Fare Collection systems Public Transport Priority Systems میبرند (Yu et al.
Survival Models Transit Capacity and Quality of Service Manual: TRB 2003 Link Segment/ Section (به تصوير صفحه مراجعه شود) برآورد زمان سفر بر اساس مشاهدههای زمانهای ورود و خروج اتوبوس در زمان گذشته انجام میشود که در آنها شرایط ترافیکی مشخص هستند.
Kalman Filter Jeong & Rilett Chien et al.
سپس این مدل با مدل رگرسیون خطی قیاس میشود که مدل غالب در برآورد زمان سفر اتوبوس است تا دقت آنها ارزیابی شود.
جدول4: قیاس دقت مدلسازی کمانپایه و بخشپایه برای مدلهای رگرسیون خطی و بقا برآورد زمان سفر اتوبوس برای سه ماه گوناگون از سال 1394 در خط میدان سپاه-میدان انقلاب {مراجعه شود به فایل جدول الحاقی} برای بررسی دقیقتر اثر هر یک از متغیرها بر زمان سفر اتوبوس، در مدلسازی بخشها (دقت مدل کمانپایه مناسب نیست)، ضرایب هر یک از متغیرهای معنادار مدل در سه بازه زمانی اوج صبح، میانه روز، و اوج عصر به تفکیک سه ماه اردیبهشت، مرداد، و آبان محاسبه میشود و سپس در مقدار میانگین هر یک از متغیرها ضرب میشود (متغیر دمای هوا معنادار نشد).
بیشترین سهم از زمان سفر اتوبوس در این نمونه، مربوط به ضریب ثابت مدل و حدود 2/40 درصد است.
در این پژوهش، از مدلهای بقا برای تخمین زمان سفر اتوبوس استفاده میشود.