پیوندهای مفید
آمار
| تعداد نشریات | 30 |
| تعداد شماره‌ها | 467 |
| تعداد مقالات | 4,522 |
| تعداد مشاهده مقاله | 7,145,315 |
| تعداد دریافت فایل اصل مقاله | 5,334,976 |
بررسی پارامتر‌های قابلیت اطمینان و پایداری در اتوبوس‌‌های شهری برای نقل و انتقالات درون شهری براساس GPS | ||
| مطالعات ساختار و کارکرد شهری | ||
| دوره 10، شماره 36، 1402، صفحه 113-142 اصل مقاله (918.02 K) | ||
| نوع مقاله: مقالات مستقل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/usfs.2023.24661.2324 | ||
| نویسندگان | ||
| فاطمه مودی1؛ امیر جهانگرد رفسنجانی* 2؛ نگین کاظم زاده3؛ فاطمه متین* 3 | ||
| 1دانشجوی دکتری گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
| 2استادیار گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
| 3گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
| تاریخ دریافت: 17 آذر 1401، تاریخ بازنگری: 23 اسفند 1401، تاریخ پذیرش: 03 مهر 1402 | ||
| چکیده | ||
| امروزه استفاده از سیستم موقعیت‌یاب جهانی GPS برای حمل‌ونقل درون و برون‌شهری امری لازم و غیرقابل انکار است. ارزیابی قابلیت اطمینان و پایداری مسیر‌های اتوبوس درون شهری به‌عنوان یک موضوع مهم مطرح شده است که تأثیر زیادی بر کیفیت خدمات اتوبوس‌رانی می‌گذارد. در این پژوهش از داده‌‌های سیستم موقعیت‌یاب جهانی GPS که مربوط به سامانۀ اتوبوس‌رانی شهر یزد است، برای ارزیابی قابلیت اطمینان و پایداری در اتوبوس‌‌های شهری برای نقل و انتقالات درون شهری استفاده شده است. یکی از اهداف مورد بررسی در این پژوهش، بررسی پارامتر‌های تأثیرگذار بر حرکت دسته‌ای و تحلیل پایداری سیستم و همچنین قابلیت اطمینان سیستم حمل‌ونقل عمومی است. در این پژوهش زمان سفر بخش، زمان توقف، سرفاصله و حرکت دسته‌ای از نظر زمانی و مکانی مورد تجزیه‌وتحلیل قرارگرفته است. در واقع بررسی می‌شود که در دوره‌‌های زمانی مختلف روز، وضعیت وقوع حرکت دسته‌ای و پایداری و همچنین قابلیت اطمینان چگونه است. در این پژوهش از روش‌‌های پیش‌بینی رگرسیون خطی، رگرسیون بردار پشتیبان، جنگل تصادفی و رگرسیون تقویت‌شدۀ گرادیان برای پیش‌بینی قابلیت اطمینان و بررسی پایداری مسیر‌های سفر اتوبوس استفاده شده است. مدل رگرسیون تقویت‌شدۀ گرادیان برای پیش‌بینی قابلیت اطمینان مسیر سفر اتوبوس و همچنین جهت پیش‌بینی سرفاصله خطای کمتر و عملکرد بهتری را نسبت به بقیه مدل‌‌های پیش‌بینی داشته است. نتایج این پژوهش به برنامه‌ریزان شهری در درک پایداری ایستگاه‌ها، شناسایی نقاط کلیدی که بر پایداری ایستگاه‌ها تأثیر می‌گذارد، شناسایی ایستگاه‌‌های کلیدی و ارائۀ بهتر خدمات حمل‌ونقل در آینده، جهت کاهش زمان انتظار مسافران کمک می‌کند. | ||
| کلیدواژه‌ها | ||
| قابلیت اطمینان؛ ارزیابی پایداری؛ پیش‌بینی سرفاصله؛ شهر هوشمند؛ شهر یزد | ||
| عنوان مقاله [English] | ||
| Investigating Reliability and Stability Parameters of City Buses for Intra-city Transportation based on GPS | ||
| نویسندگان [English] | ||
| Fatemeh Moodi1؛ Amir Jahangard-Rafsanjani2؛ Negin Negin Kazemzadeh3؛ Fatemeh Matin3 | ||
| 1Ph.D. Student, Department of computer engineering, Yazd University, Yazd, Iran | ||
| 2Assistance Professor, Department of computer engineering, Yazd University, Yazd, Iran | ||
| 3MSc of computer software engineering, Department of computer engineering, Yazd University, Yazd, Iran | ||
| چکیده [English] | ||
| Today, the use of the GPS global positioning system for intra- and extra-urban transportation is a necessary and undeniable matter. Assessing the reliability and stability of intra-city bus routes has been raised as an important issue that has a great impact on the quality of bus services. In this research, the GPS global positioning system data, which is related to the Yazd City bus system, was used to evaluate the reliability and stability of city buses for intra-city transfers. One of the goals investigated in this research is to examine the parameters affecting bus bunching and analyze the stability of the system as well as the reliability of the public transportation system. In this research, section travel time, dwell time, headway, and bus bunching have been analyzed in terms of time and place. In fact, it is checked how the situation of batch movement occurrence and stability is at different times of the day. In this research, the prediction methods of Linear Regression, Support Vector Regression, Random Forest, and Gradient Boosting Regression were used to predict the reliability and stability assessment of bus travel routes. The Gradient Boosting Regression Model had a lower error and better performance for predicting the reliability of the bus travel route and headway than the rest of the prediction models. The results of this research help urban planners understand the stability of stations, identify key points that affect the stability of stations, identify key stations, and provide better transportation services in the future to reduce the waiting time of passengers. | ||
| کلیدواژه‌ها [English] | ||
| Reliability, Stability Assessment, Distance Prediction, Smart City, Yazd city | ||
| مراجع | ||
|
An, Shi., Zhang, Xinming., & Wang, Jian. (2015). Finding causes of irregular headways integrating data mining and AHP. ISPRS International Journal of Geo-Information, 4 (4) 2604-2618.
Andres, Matthias., & Nair, Rahul. (2017). A predictive-control framework to address bus bunching. Transportation Research Part B: Methodological, 104, 123-148.
Bates, John., Polak, John., Jones, Peter., & Cook, Andrew. (2001). The valuation of reliability for personal travel. Transportation Research Part E: Logistics and Transportation Review, 37(2-3), 191-229.
Gu, Xiaoning., Chen, Chao., Yang, Yunong., Miao, Xingzhi., & Yao, Baozhen. (2021). Reliability prediction of further transit service based on support vector machine. Measurement and Control, 54(5-6), 845-855.
Huang, Y. P., Chen, C., Su, Z. C., Chen, T. S., Sumalee, A., Pan, T. L., & Zhong, R. X. (2021). Bus arrival time prediction and reliability analysis: An experimental comparison of functional data analysis and Bayesian support vector regression. Applied Soft Computing, 111, 107663.
Iliopoulou, Christina A., Milioti, Christina P., Vlahogianni, Eleni I., & Kepaptsoglou, Konstantinos L. (2020). Identifying spatio-temporal patterns of bus bunching in urban networks. Journal of Intelligent Transportation Systems, 24(4), 365-382.
Jeong, R., & Rilett, R. (2004). Bus arrival time prediction using artificial neural network model. In Proceedings. The 7th international IEEE conference on intelligent transportation systems (IEEE Cat. No. 04TH8749) (pp. 988-993). IEEE.
Liu, Yanjun., Zhang, Hui., Jia, Jianmin., Shi, Baiying., & Wang, Wei. (2023). Understanding urban bus travel time: Statistical analysis and a deep learning prediction. International Journal of Modern Physics B, 37(04), 2350034.
Liu, Ronghui., & Sinha, Shalini. (2007). Modelling urban bus service and passenger reliability.
Lin, Yongjie., Yang, Xianfeng., Zou, Nan., & Jia, Lei. (2013). Real-time bus arrival time prediction: case study for Jinan, China. Journal of Transportation Engineering, 139(11), 1133-1140.
Ma, Zhenliang., Zhu, Sicong., Koutsopoulos, Haris N., & Ferreira, Luis. (2017). Quantile regression analysis of transit travel time reliability with automatic vehicle location and farecard data. Transportation Research Record, 2652(1), 19-29.
Mohamed, Ahmed Hassan., Adwan, Ibrhim AI., Ahmeda, Abobaker GF., Hrtemih, Hamza., & Al-MSari, Haitham. (2021). Identification of affecting factors on the travel time reliability for bus transportation. Knowledge-Based Engineering and Sciences, 2(1), 19-30.
Moreira-Matias, Luís., Cats, Oded., Gama, João., Mendes-Moreira, João., & De Sousa, Jorge Freire. (2016). An online learning approach to eliminate Bus Bunching in real-time. Applied Soft Computing, 47, 460-482.
Polus, Avishai. (1978). Modeling and measurements of bus service reliability. Transportation Research, 12(4), 253-256.
Ricard, Léa., Desaulniers, Guy., Lodi, Andrea., & Rousseau, Louis-Martin. (2022). Predicting the probability distribution of bus travel time to measure the reliability of public transport services. Transportation Research Part C: Emerging Technologies, 138, 103619.
Sun, Yao., Yan, Qianqian., Jiang, Yonglei., & Zhu, X. F. (2017). Reliability prediction model of further bus service based on random forest. Journal of Algorithms & Computational Technology, 11(4), 327-335.
Verbich, David., Diab, Ehab., & El-Geneidy, Ahmed. (2016). Have they bunched yet? An exploratory study of the impacts of bus bunching on dwell and running times. Public Transport, 8, 225-242.
Wang, Shen., & Mac Namee, Brian. (2017, September). Evaluating citywide bus service reliability using noisy gps data. In 2017 International Smart Cities Conference (ISC2) (pp. 1-6). IEEE.
Yu, Haiyang., Chen, Dongwei., Wu, Zhihai., Ma, Xiaolei., & Wang, Yunpeng. (2016). Headway-based bus bunching prediction using transit smart card data. Transportation Research Part C: Emerging Technologies, 72, 45-59.
Zhang, Hui., Shi, Baiying., Song, Shuguang., Zhao, Quanman., Yao, Xiangming., & Wang, Wei. (2019). Statistical analysis of the stability of bus vehicles based on GPS trajectory data. Modern Physics Letters B, 33(03), 1950015.
Zhang, Hui., Li, Xu., Zhang, Lele., Wang, Wei., Jia, Jianmin., & Shi, Baiying. (2021). Discovering station patterns of urban transit network with multisource data: empirical evidence in Jinan, China. KSCE Journal of Civil Engineering, 25(2), 680-691.
Zhou, Tuqiang., Wu, Wanting., Peng, Liqun., Zhang, Mingyang., Li, Zhixiong., Xiong, Yubing., & Bai, Yuelong. (2022). Evaluation of urban bus service reliability on variable time horizons using a hybrid deep learning method. Reliability Engineering & System Safety, 217, 108090.
| ||
|
آمار تعداد مشاهده مقاله: 187 تعداد دریافت فایل اصل مقاله: 197 |
||