Bus detection based on sparse representation for transit signal priority.

Sun, Xu. Lu, Huapu. Juan, Wu.

۲۰۱۳

میانگین زمان انتظار در تقاطع برای اتوبوس ها و خودرو های شخصی؛ میانگین حد اکثر طول صف، مجموع میانگین زمان های انتظار اتوبوسها و مسافران

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

مدل ریاضی و شبیه سازی

A rule-based model for integrated operation of bus priority signal timings and traveling speed.

Ma, Wanjing. Liu, Yue. Han, Baoxin.

۲۰۱۳

میزان تاخیر، مصرف سوخت و آلودگی ایجاد شده توسط خودرو های شخصی و اتوبوس ها

مدل ریاضی و شبیه سازی با نرم افزار VISSIM

A signal priority algorithm for BRT based on intersection resourceintegration

Zhaosheng, Yang. Chunlin, Tian. Songnan, LiuA.

۲۰۱۳

میانگین زمان انتظار در تقاطع برای اتوبوس ها و تاثیر بر ترافیک خودرو های شخصی

مدل ریاضی

۲-۴-۱-۱- جمع بندی و شکاف تحقیقاتی در موضوع اولویت دهی در تقاطع ها:با وجود اینکه در اکثر مطالعات قابلیت اطمینان به عنوان یکی از اساسی ترین شاخص ها در کارایی و اثر بخشی حمل و نقل عمومی ذکر شده، لیکن در اکثر مطالعات انجام شده از دیدگاه زمان سفر به میزان تاخیر در تقاطع ها توجه شده و از جنبه ایجاد پراکندگی در زمان بندی اتوبوس ها و کاهش قابلیت اطمینان به این موضوع توجه کافی نشده است. در تمام این مطالعات به جز یک مورد [۱۸] زمان بندی و سرعت حرکت اتوبوس ها به عنوان یک پارامتر، و زمان بندی چراغ راهنمایی به عنوان یک متغیر تصمیم در نظر گرفته شده است، که این باعث کاهش انعطاف پذیری سیستم اولویت دهی می شود. علاوه بر این در مواردی که دو خط سامانه اتوبوس های تندرو در یک تقاطع به یک دیگر برخورد کنند این مدل ها قادر به تصمیم گیری بهینه نمی­باشند. در اغلب موارد خطوط اتوبوسرانی تندرو به صورت دو طرفه می­باشند، لذا در زمان اولویت دهی در تقاطع باید با توجه به زمان رسیدن اتوبوس ها در هر دو جهت مسیر حرکت تصمیم گیری شود و در مطالعات انجام شده به این موضوع اشاره ای نشده است.
تاکنون در تمام مطالعات انجام شده تقاطع ها به صورت جداگانه مورد بررسی قرار گرفته اند، به این معنی که در زمان تصمیم گیری جهت اولویت دهی به اتوبوس ها در یک تقاطع، به زمان رسیدن آن اتوبوس به تقاطع های بعدی و وضعیت چراغ راهنمایی در آن تقاطع ها توجهی نمی­ شود، از طرف دیگر به زمان رسیدن اتوبوس های بعدی به تقاطع مورد نظر و وضعیت چراغ راهنمایی در صورت دادن یا ندادن اولویت به اتوبوس حاضر در تقاطع توجه نمی­ شود. از این رو می­توان نتیجه گرفت که مطالعات انجام شده فاقد یک دید گاه کل نگر به کل مسیر سامانه اتوبوس های تندرو می­باشد و همواره تقاطع ها به صورت جداگانه مورد بحث قرار گرفته اند.
۲-۴-۲- بهینه سازی جدول زمان بندی و سرفاصله زمانی بین اتوبوس ها : زاهو^[۲۳] و همکارش یک روش بهینه سازی ریاضی شامل ساختار مسیر و سرفاصله زمانی مطرح کردند. آن ها به دنبال ارائه روشی جهت حداقل کردن هزینه سفر برای مسافران و در این حال حداکثر کردن پوشش شبکه بودند. هدف مطالعه آنها رسیدن به یک مدل ریاضی که در مقیاس بزرگ با بهره گرفتن از روش های فرا ابتکاری قابل حل باشد، بود. [۲۰]
خالد عبد القنی^[۲۴] و همکارانش یک مدل شبیه سازی داینامیک جهت برنامه ریزی سرویس دهی سامانه اتوبوس های تندرو در شبکه های حمل و نقل مطرح کردند. در این مدل ویژگی های مختلفی از جمله خط اختصاصی در قسمت سمت راست مسیر، توقف های محدود شده ( سرویس سریع السیر)، زمان بندی چراغ راهنمایی در تقاطع، افزایش زمان سوار شدن مسافر ها را مورد توجه قرار دادند. نتایج شبیه سازی نشان از افزایش ظرفیت جا به جایی مسافر به وسیله سامانه اتوبوس های تندرو دارد. [۲۱]
چو آن جو و همکارا نش^[۲۵] مدلی جهت بهینه سازی سرفاصله زمانی بین اتوبوس ها ارائه دادند، و این مدل در مقیاس بزرگ با بهره گرفتن از الگوریتم ژنتیک حل می­ شود. هدف مدل ارائه شده حداقل کردن زمان سفر و انتظار مسافران و هزینه عملیاتی اتوبوس ها می­باشد. این مدل سه نوع خط اتوبوس با تعداد توقف های متفاوت (در همه ایستگاه ها، در بعضی ایستگاه ها و فقط یک ایستگاه) را مورد برسی قرار می­دهد و این از ویژگی های مثبت این مدل می­باشد. [۲۲]
آقای لینگ و همکارانش^[۲۶] توجه به سر فاصله زمانی و مسیر یابی با توجه به تقاضا را نکته کلیدی در بهینه سازی زمان بندی سامانه اتوبوس های تندرو می دانند. آنها یک مدل برای بهینه سازی فاصله زمانی و مسیر یابی جهت رسیدن به حداقل زمان سفر و هزینه حمل و نقل برای مسافران ارائه دادند و برای حل این مدل از یک الگوریتم ژنتیک استفاده کردند که نتایج پیاده سازی آن توان مدل در جهت بهینه سازی زمان بندی را نشان می­دهد. [۲۳]
آقای گانگ و همکارانش^[۲۷] بهینه سازی مدیریت عملیات و زمان بندی اتوبوس های تندرو را کار بسیار مشکلی می دانند. آن ها برای این کار مدیریت عملیات موازی سامانه اتوبوس های تندرو بر پایه دیدگاه ACP^[28] ایجاد کرده اند. ACP بر پایه کل نگری بنا شده و یک روش جدید برای فکرکردن درباره حل مدل های پیچیده ارائه می­دهد، و در این مقاله از آن برای حل مدل های ترافیکی استفاده شده است. نتایج پیاده سازی این روش در یکی از خطوط اتوبوس های تندروی شهر گوانژو نشان می­دهد این روش توانایی کاهش زمان سفر و رفع مشکل تراکم را دارد. [۲۴]
آقای یانگ و همکارانش^[۲۹] می گویند مدل های مربوط به ترافیک درون شهری با توجه به ویژگی های تقاضای سفر و سایر پارامتر ها جزو مسائل پیچیده می­باشند و مدل های صف یکی از بهترین روش ها جهت پیاده سازی این مدل های دینامیک می­باشد. آن ها از این روش برای زمان بندی حرکت اتوبوس های تندرو استفاده کردند. ولی این مدل را بر روی یک مثال عددی واقعی آزمایش نکرده اند و صرفاً به ارائه روش برای حل مساله پرداخته اند. [۲۵]
در ادامه موارد ذکر شده در بالا به صورت خلاصه در جدول ۲- ۵ آورده شده است.

جدول ۲-۵: خلاصه شکاف تحقیقات

نام مقاله

نویسنده

تاریخ

تابع هدف

روش حل

Optimization of transit network layout and headway with a combined genetic algorithm and simulated annealing method

F. Zhao, X. Zeng

۲۰۰۷