شبیه سازی الگوهای مکانی-زمانی جریان دوچرخه با یک مدل مبتنی بر عامل

چکیده

استراتژی های برنامه ریزی حمل و نقل، ترویج دوچرخه سواری را به عنوان وسیله ای مناسب برای مقابله با مشکلات مرتبط با ترافیک موتوری مانند فضای محدود، ازدحام و آلودگی می دانند. با این حال، پایه شواهد برای بهینه‌سازی ترویج دوچرخه‌سواری در بیشتر موارد ضعیف است و اطلاعات در مورد الگوهای دوچرخه با وضوح کافی تا حد زیادی کم است. در این مقاله، مدل‌سازی مبتنی بر عامل را برای شبیه‌سازی جریان‌های ترافیک دوچرخه در سطح مقیاس منطقه‌ای برای یک روز کامل پیشنهاد می‌کنیم. امکان سنجی مدل در یک مورد استفاده در منطقه سالزبورگ، اتریش نشان داده شده است. نتایج شبیه‌سازی در الگوهای ترافیکی دوچرخه مکانی-زمانی متمایز در وضوح مکانی بالا (بخش‌های جاده) و زمانی (دقیقه) است. تحلیل سناریو به طور مثبت سطح پیچیدگی مدل را ارزیابی می کند، که در آن رفتار پارامتری جمعیتی دوچرخه سواران از مدل های تهی تصادفی بهتر است. اعتبارسنجی با داده های مرجع از سه منبع، همبستگی بالایی را بین ترافیک دوچرخه شبیه سازی شده و مشاهده شده نشان می دهد، جایی که قدرت پیش بینی در درجه اول به کیفیت داده های ورودی و اعتبار سنجی مربوط می شود. در نتیجه، مدل مبتنی بر عامل پیاده‌سازی شده با موفقیت الگوهای دوچرخه 186000 نفر را در یک زمان معقول شبیه‌سازی می‌کند. این رویکرد صریح فضایی مدل‌سازی رفتار تحرک فردی فرصت‌های جدیدی را برای برنامه‌ریزی و تصمیم‌گیری مبتنی بر شواهد در زمینه گسترده ترویج دوچرخه‌سواری باز می‌کند. که در آن قدرت پیش بینی در درجه اول به کیفیت داده های ورودی و اعتبار سنجی مربوط می شود. در نتیجه، مدل مبتنی بر عامل پیاده‌سازی شده با موفقیت الگوهای دوچرخه 186000 نفر را در یک زمان معقول شبیه‌سازی می‌کند. این رویکرد صریح فضایی مدل‌سازی رفتار تحرک فردی فرصت‌های جدیدی را برای برنامه‌ریزی و تصمیم‌گیری مبتنی بر شواهد در زمینه گسترده ترویج دوچرخه‌سواری باز می‌کند. که در آن قدرت پیش بینی در درجه اول به کیفیت داده های ورودی و اعتبار سنجی مربوط می شود. در نتیجه، مدل مبتنی بر عامل پیاده‌سازی شده با موفقیت الگوهای دوچرخه 186000 نفر را در یک زمان معقول شبیه‌سازی می‌کند. این رویکرد صریح فضایی مدل‌سازی رفتار تحرک فردی فرصت‌های جدیدی را برای برنامه‌ریزی و تصمیم‌گیری مبتنی بر شواهد در زمینه گسترده ترویج دوچرخه‌سواری باز می‌کند.

کلید واژه ها:

ترافیک دوچرخه ; تحرک انسان ؛ مدل حمل و نقل ; مدل سازی مبتنی بر عامل ; گاما

1. مقدمه

دوچرخه سواری به طور گسترده به عنوان یک جایگزین مناسب برای ترافیک موتوری، بدون اثرات نامطلوب اکولوژیکی، اقتصادی و اجتماعی در نظر گرفته می شود. بنابراین، دولت ها و سیاست گذاران در صدد تقویت تحرک پایدار و ترویج دوچرخه سواری، به ویژه در محیط های شهری هستند [ 1 ، 2 ]. شواهد از ادبیات نشان می‌دهد که همبستگی مثبتی بین ارتقای جامع دوچرخه‌سواری و تغییر حالت به سمت حالت‌های حمل و نقل فعال وجود دارد [ 3 ، 4 ، 5 ]. با این حال، داده های معتبر در مورد مکان و زمان دوچرخه سواری افراد در شبکه های حمل و نقل شهری هنوز نادر است [ 6]. با وجود فناوری‌های پیشرفته حسگر، هنوز به‌دست آوردن و پردازش داده‌های حرکت دوچرخه دشوار است. این منجر به نقص در یکپارچگی و نمایندگی داده ها می شود [ 7 ، 8 ]. در نتیجه، زیرساخت‌های دوچرخه‌سواری به‌طور گسترده در غیاب داده‌های قوی برنامه‌ریزی می‌شوند، در حالی که تأثیر اقدامات ترویج دوچرخه‌سواری را نمی‌توان به‌طور مناسب نظارت کرد.

یک مدل کامپیوتری، به عنوان نمایش انتزاعی یک سیستم واقعی، به محققان اجازه می دهد تا فرآیندها را بدون انجام آزمایش در یک محیط واقعی بررسی کنند [ 9 ]. مدل‌های حمل‌ونقل متمرکز بر تحرک دوچرخه راه‌حل‌هایی را برای سؤالات مربوط به تقاضا و عرضه حمل‌ونقل [ 10 ، 11 ]، انتخاب مسیر [ 12 ]، تغییر خط و رفتار صف [ 13 ، 14 ] و غیره پیشنهاد می‌کنند.

روش‌های مختلفی در رابطه با الگوهای جریان ترافیک دوچرخه در ادبیات وجود دارد. مدل‌های مبتنی بر سفر سنتی به مدل‌سازی سفرهای موتوری بر اساس داده‌های ترافیکی انبوه بین مناطق تحلیل ترافیک در مقیاس بزرگ (TAZ) عادت دارند. با این حال، نمونه هایی از یکپارچه سازی حالت های فعال وجود دارد [ 15 ، 16 ]. رویکرد دیگر، مانند مدل تقاضای مستقیم، از تحلیل رگرسیون برای پیش‌بینی ترافیک دوچرخه در شبکه استفاده می‌کند [ 17 ، 18 ، 19 ]]. پیش‌بینی‌ها بر اساس وابستگی‌های شناسایی‌شده بین حجم دوچرخه ثبت‌شده و متغیرهای محیطی، مانند وجود خطوط دوچرخه یا تراکم مسکونی است. روش‌های جایگزین از تخمین‌های مرکزیت نظریه گراف برای توزیع حجم دوچرخه جمع‌آوری‌شده در مکان‌های شمارش متعدد در کل شبکه استفاده می‌کنند [ 20 ، 21 ].

علی‌رغم روش‌های متعدد، همه مدل‌های حمل‌ونقل برای محاسبه تحرک دوچرخه وابسته به زمینه در سطح محلی با سفرهای فردی که در جریان خلاصه می‌شوند مناسب نیستند. در مدل‌های تقاضای مستقیم، ساده‌سازی همراه با فقدان زمینه رفتاری است که درک چرایی و چگونگی توزیع سفرها را به حداقل می‌رساند [ 21 ]. اندازه مناطق تحلیل ترافیک در مدل های تقاضای سفر چهار مرحله ای برای گرفتن دوچرخه سواران با دقت کافی بسیار بزرگ است. بنابراین، سفرهای دوچرخه سواری در یک TAZ منعکس نمی شود. علاوه بر این، بیشتر مدل‌های معمولی نتایج بسیار تعمیم‌یافته‌ای را از داده‌های جمع‌آوری شده تولید می‌کنند و اغلب فاقد تنوع در بین خواسته‌های دوچرخه‌سواران و تصمیم‌های سفر هستند.

دوچرخه سواران را نمی توان به عنوان یک گروه همگن در نظر گرفت. آنها از نظر ترجیحات، نگرش ها و الگوهای رفتاری بسته به زمان، روز هفته و فصل متفاوت هستند [ 22 ]. برای مدل سازی مناسب انتخاب های فردی که جریان های ترافیکی دوچرخه منطقه ای را تشکیل می دهند، جنبه های زیر باید در نظر گرفته شوند: پیچیدگی رفتار و ناهمگونی، اندازه منطقه مورد مطالعه، وضوح مکانی و زمانی خروجی، داده های ورودی موجود، و ظرفیت محاسباتی. چارچوب های مدل سازی موجود

مدل‌سازی مبتنی بر عامل (ABM) یک محیط شبیه‌سازی مناسب برای تولید جریان‌های ترافیکی صریح مکانی و زمانی فراهم می‌کند. این رویکرد کنش‌ها و تعاملات عناصر یا عوامل فردی را شبیه‌سازی می‌کند که بر اساس ویژگی‌ها و رفتار مشخصه‌شان به صورت جداگانه عمل می‌کنند [ 23 ]. در یک سیستم تحرک، یک نماینده نماینده شخصی است که تصمیم می گیرد با توجه به ترجیحات خود، خروجی اقدامات غیر خطی خود، تصمیمات افراد دیگر و محیط، سفر کند. توانایی ABM برای توصیف جزئیات بیشتر از خواص و رفتار عوامل و محیط، از ناهمگونی در دنیای واقعی افراد و شرایط خارجی تقلید می کند [ 9 ]]. خروجی چنین سیستم پیچیده ای یک الگوی نوظهور از جریان های ترافیکی با وضوح مکانی و زمانی بسیار خوب است. بنابراین، ما ABM را به عنوان یک رویکرد مناسب در هنگام شناخت انواع بسیار متفاوت دوچرخه سواران با خواسته های فردی، الگوهای رفتاری و تعاملات بین فردی [ 24 ] در نظر می گیریم.

ما عملکردهای تحلیلی جغرافیایی در یک محیط ABM را بسیار مهم می دانیم، زیرا تحرک به دلیل ماهیت خود فضایی است. ویژگی های اصلی جغرافیایی، مانند فاصله، دسترسی، اتصال، یا طراحی محیط ساخته شده تاثیر فوری بر تحرک دارند. سیستم های اطلاعات جغرافیایی (GIS) مفاهیم و ابزارهایی را برای دریافت این وابستگی های متقابل ارائه می دهند [ 25 ، 26 ]. ادغام جنبه‌ها و عملیات فضایی در یک مدل مبتنی بر عامل، نمایش محدود زمان در محیط‌های GIS بومی را حل می‌کند و مدل‌سازی استدلال فضایی را در رفتار یک فرد پیش می‌برد [ 27 ].

در چند سال گذشته، تعداد کمی از مطالعات در مورد مدل‌سازی مبتنی بر عامل الگوهای ترافیک دوچرخه منتشر شده است. مدل Wallentin و Loidl [ 28 ] ترافیک دوچرخه منطقه ای را شبیه سازی کرد و اثرات محیط اطراف شهر را در قسمت داخلی آن بررسی کرد. تحرک بازتولید شده سفرهای تکی کارکنان، دانش آموزان و دوچرخه سواران تفریحی را پوشش می دهد. مدل Leao و Pettit [ 29 ] سفرهای رفت و آمد خانه-کار را شبیه سازی کرد تا رفتار مسیریابی مسافران را با مقایسه با داده های جمع آوری شده تشخیص دهد. زیمکه و همکاران [ 30 ] چارچوب مدل‌سازی مبتنی بر عامل MATSim را با ویژگی‌های زیرساختی که بر انتخاب‌های مسیریابی دوچرخه‌سواران تأثیر می‌گذارد، گسترش داد. نویسندگان انطباق‌های دوچرخه را در یک شبکه انتزاعی آزمایش کردند. مدل دوچرخه Veldhuis [31 ] سفرهای تک دوچرخه ای کارمندان، خریداران و گردشگران را در منطقه مرکزی آمستردام شبیه سازی کرد.

این مطالعات با هم مدل‌های مبتنی بر عامل را پیشنهاد می‌کنند که یا سفرهای دوچرخه‌سواری روزانه ساده‌شده کل جمعیت شهر یا منطقه را شبیه‌سازی می‌کنند و رفتار برنامه‌ریزی یا سناریوهای انتزاعی خارج از موقعیت جغرافیایی دنیای واقعی را حذف می‌کنند. بنابراین، تحقیقات تا به امروز هنوز یک مدل مبتنی بر عامل ارائه نکرده است که یک روز کامل از کل جمعیت منطقه را شبیه‌سازی کند و به الگوهای ترافیکی دوچرخه‌های مکانی-زمانی تفکیک شده منجر شود.

در این مقاله، ما روشی را برای شبیه‌سازی سفرهای یک جمعیت ناهمگن در یک روز کامل با جریان‌های ترافیک دوچرخه‌ای با استفاده از یک رویکرد مدل‌سازی مبتنی بر عامل ارائه می‌کنیم. بنابراین، این مطالعه تصمیم‌گیری فردی وابسته به زمینه را اجرا می‌کند که منجر به الگوهای دوچرخه می‌شود، نتایج مدل را برای مطالعه موردی تفسیر می‌کند، و پیچیدگی مدل را بررسی می‌کند و همچنین نتایج آن را با داده‌های مشاهده‌شده تأیید می‌کند. تصمیم گیری با استدلال فضایی تقویت می شود و شامل مشخصات نوع فعالیت، مدت زمان فعالیت، مکان فعالیت، زمان شروع سفر، حالت، سرعت و مسیر می شود. انتخاب حالت شش گزینه حمل و نقل را برای تسهیل تغییر حالت در برنامه روزانه یک نفر فراهم می کند. علی‌رغم این واقعیت، فقط افرادی با حالت دوچرخه در یک فضای شبیه‌سازی شده حرکت می‌کنند. در حالی که بقیه به مقاصد تله پورت می شود. بستر آزمایش برای اثبات مفهوم ما (POC) شهر سالزبورگ با شهرداری‌های مجاور در اتریش است.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش روش‌ها فهرستی از داده‌های به‌دست‌آمده برای مطالعه را مشخص می‌کند که با توصیف مدل و روش‌های آزمون آماری ادامه می‌یابد. بخش نتایج، نتیجه مدل دوچرخه و تجزیه و تحلیل اعتبارسنجی را برای POC ما ارائه می‌کند. پس از آن بخش پایانی ارائه می‌شود که بحثی درباره یافته‌ها، محدودیت‌ها، نتیجه‌گیری‌ها و چشم‌اندازی با توجه به تحقیقات احتمالی آینده ارائه می‌کند.

2. مواد و روشها

2.1. مشخصات مدل

به طور خلاصه، شبیه‌سازی تحرک دوچرخه در مدل ارائه‌شده شامل چندین مرحله است: تولید محیط و جمعیت مسکونی، تخصیص پویا فعالیت‌ها و شبیه‌سازی سفرها. تخصیص فعالیت شامل تصمیم گیری در مورد نوع فعالیت، زمان شروع، مدت زمان فعالیت، حالت، سرعت، مکان هدف و مسیر است. در نتیجه، جریان‌های ترافیکی دوچرخه‌سواران در سطح سیستم از تصمیم‌گیری پیچیده و استدلال فضایی هر فرد ساکن در رابطه با رفتار حرکتی‌شان ناشی می‌شود.

ما از مدل Wallentin و Loidl [ 28 ] به عنوان مبنای مفهومی استفاده می کنیم و پیچیدگی را اضافه می کنیم. ما مدل را از طریق تولید یک جمعیت ناهمگن تر که شامل همه ساکنان منطقه مورد مطالعه است، گسترش می دهیم. افراد شبیه‌سازی‌شده در دسته‌های خاصی دسته‌بندی نمی‌شوند، بلکه ویژگی‌های اجتماعی-دموگرافیک و ترجیحات تحرک متفاوتی دارند. پیشرفت دیگر در برنامه ریزی پویا فعالیت ها است. علاوه بر این، مکان‌های مقصد در فواصل معقول انتخاب می‌شوند تا با حالت‌ها به آن‌ها برسید. یک تقسیم مودال به شش حالت حمل و نقل گسترش یافته است: دوچرخه، پیاده روی، ماشین، ماشین-مسافر، حمل و نقل عمومی و سایر وسایل حمل و نقل، بنابراین، برنامه های روزانه شامل سفرهای دوچرخه و غیر دوچرخه است.

پلتفرم GAMA RC1.8 به عنوان محیط برنامه نویسی موجود در سیستم عامل های Windows، Mac OS و Ubuntu انتخاب شد [ 32 ]. عملکردهای گسترده ای را برای کار با مدل های داده در شبیه سازی های صریح فضایی نشان می دهد. علاوه بر این، ظرفیت محاسباتی بهبود یافته پلت فرم امکان شبیه سازی سیستم های بزرگ و پیچیده مانند یک سیستم حمل و نقل منطقه ای را فراهم می کند. کد مدل در یک زبان مدلسازی GAMA سطح بالا و بصری (GAML) که توسط پلتفرم ارائه شده است پیاده سازی شده است. کد منبع مدل در کتابخانه مدل ComSES Net ( https://www.comses.net/ (دسترسی در 19 فوریه 2021)) تحت مجوز باز CC-BY-NC-SA-3.0 منتشر شده است [ 33]. اجرای کد مدل به حداقل 4 گیگابایت حافظه با دسترسی تصادفی (RAM) نیاز دارد.

مشخصات مدل دقیق زیر از نمای کلی استاندارد، مفاهیم طراحی و پروتکل جزئیات (ODD) پیروی می کند [ 34 ]. این پروتکل برای ارتباط مدل های مبتنی بر عامل به روشی استاندارد و قابل تکرار طراحی شده است. هدف مدل، اجزای یک سیستم حمل و نقل شبیه سازی شده، گستره مکانی و زمانی، قوانین رفتاری عوامل، و زمان بندی فرآیندها را توصیف می کند.

2.1.1. هدف

هدف مدل دوچرخه ایجاد جریان ترافیک یک روزه دوچرخه با اجرای سفرهای افراد خودمختار در یک سیستم حمل و نقل منطقه ای است. پویایی حاصل از ترافیک دوچرخه تخمینی از عملکرد کلی سیستم حمل و نقل است. این مدل می‌تواند برای اجرای سناریوهایی برای مشاهده تأثیر مداخلات سیاستی، طراحی زیرساخت‌ها و سایر استراتژی‌های برنامه‌ریزی شهری مورد استفاده قرار گیرد.

2.1.2. موجودیت ها، متغیرهای حالت، و مقیاس ها

چندین نهاد سیستم مدل را تشکیل می دهند: افراد، امکانات، جاده ها، تقاطع ها و ایستگاه های شمارش. افراد از نظر ویژگی های جمعیت شناختی ناهمگن هستند. تمایزات شامل سن، جنسیت و وضعیت شغلی است. محدوده سنی بین 6 تا 100 سال از نظر اشتغال شاغل، بیکار، دانشجو، دانش آموز، مستمری بگیر و غیرفعال وجود دارد.

جاده ها و تأسیسات نشان دهنده محیط ساخته شده ای است که حرکت افراد را محدود می کند و مناطق جذاب را مشخص می کند. جاده ها با تعداد دوچرخه سواران پیموده شده، سطح محدودیت، شاخص ایمنی و ویژگی های وزن مشخص می شوند. برای دوچرخه سواری، جاده های محدود، جزئی محدود و بدون محدودیت وجود دارد. در جاده های عابر پیاده که تا حدی محدود شده اند، دوچرخه سواران فقط مجاز به هل دادن دوچرخه خود هستند. شاخص ایمنی همانطور که توسط Loidl و Zagel پیشنهاد شده است [ 35] توضیح می دهد که جاده برای دوچرخه سواری ایمن با توجه به دسته و کیفیت آن چقدر راحت است. جاده ها برای مسیریابی وزن دارند. وزن ها بسته به نوع مسیریابی، مانند کوتاه ترین و ایمن ترین مسیرها، می توانند محیط ها یا شاخص های ایمنی را نشان دهند. تقاطع‌های جاده‌ای نیز برای مشخص کردن مسیرهای انتخاب‌شده افراد به‌عنوان اطلاعات سفر اضافی مدل‌سازی می‌شوند.

امکانات مختلف به عنوان مکان برای فعالیت های خاص عمل می کنند و به ده نوع طبقه بندی می شوند. اینها محل کار، مدارس، دانشگاه ها، مهدکودک ها، مقامات، پزشکان، مغازه ها، مکان های تفریحی و خانه های ساکنان هستند. تسهیلات عامل محدود کننده ای برای جذب بازدیدکننده ندارند، به جز محل های کاری که با تعداد کارمندان مشخص می شود. افرادی که به محل کار سفر می کنند بسته به این اطلاعات مکان های مورد نظر را انتخاب می کنند. در نهایت، نام، موقعیت، و تعداد دوچرخه سواران عبوری، ایستگاه های شمارش را مشخص می کند. ما از مؤلفه دوم برای اهداف تأیید و تأیید استفاده می کنیم.

در طول یک شبیه سازی، مدل چندین متغیر حالت سطح بالا را جمع آوری می کند که دنیای شبیه سازی شده و دینامیک آن را توصیف می کند. مجموع‌هایی در سطح جمعیت وجود دارد که محتوای جمعیتی را توصیف می‌کنند، مانند تقسیم سنی یا توزیع براساس شغل. تعداد کل دوچرخه سوارانی که به طور فعال در یک فضای شبیه سازی شده حرکت می کنند، دینامیک ترافیک را تفسیر می کند. این مدل همچنین دوچرخه سواران فعال را با اهداف سفر شناسایی می کند.

محیط مدل وسعت شهر سالزبورگ و شهرداری های مجاور را پوشش می دهد، به جز یکی در سمت باواریا از مرز ملی ( شکل 1 ). گستره انتخاب شده گنجاندن سفرهای رفت و آمد از مناطق خارج از شهر را تسهیل می کند و از اثرات جانبی در منطقه مورد علاقه (شهر سالزبورگ) جلوگیری می کند. وسعت زمانی شبیه سازی یک روز متوسط در ماه های اکتبر تا نوامبر است. روز با چارچوب زمانی داده‌های آماری که زیربنای قوانین رفتاری هستند، تعیین شد. مرحله زمانی شبیه سازی یک دقیقه است.

2.1.3. بررسی اجمالی فرآیند و زمانبندی

شکل 2 فرآیندهای کلیدی را نشان می‌دهد که در هر چرخه یا زمانی که شرایط برآورده می‌شوند، دوباره در مدل اعمال می‌شوند. در طول شبیه سازی، افراد به صورت ناهمزمان عمل می کنند. آنها به طور مکرر فعالیت های مورد نظر خود را با سفر به امکانات با روش های مختلف حمل و نقل انتخاب و انجام می دهند. یک فرد یک زنجیره فعالیت اولیه برای کل روز ندارد، اما آن را با اختصاص یک فعالیت جدید در پایان فعالیت فعلی تکمیل می کند. انتخاب آخرین فعالیت به عنوان یک احتمال در طول تکلیف فعالیت یکپارچه می شود. بنابراین، مقدار کل فعالیت هایی که یک فرد می تواند انجام دهد به مشتقات بررسی تحرک بستگی دارد. حداکثر هشت فعالیت در روز است.

در طول فرآیند تخصیص فعالیت، قوانین رفتاری چندین ویژگی فعالیت مانند نوع، زمان شروع، مدت زمان، حالت، محدودیت‌های فاصله، سرعت و مکان هدف را تعیین می‌کنند. یک قانون در قالب یک توزیع احتمال نشان داده می شود و احتمال انتخاب یک گزینه خاص را مشخص می کند. پس از انتخاب فعالیت، تنها دوچرخه‌سوارانی که از یک منطقه شهری عبور می‌کنند در امتداد یک شبکه حرکت می‌کنند و خود را در ایستگاه‌ها و جاده‌های شمارش پیمایش ثبت‌نام می‌کنند. بقیه افراد به دلیل تمرکز مدل بر روی الگوی ترافیک دوچرخه، مستقیماً خود را به مقصد منتقل می کنند. در پایان هر سفر، داده‌های مربوط به سفر، مانند مسیر مصنوعی، مسافت، زمان سفر و غیره در مجموعه داده «سفرها» ذخیره می‌شوند.

سه فرآیند همزمان داده‌های مربوط به دوچرخه‌سواران را در بازه‌های زمانی تعریف‌شده توسط کاربر جمع‌آوری می‌کنند. مجموعه داده “دوچرخه سواران فعال” مجموع دوچرخه سوارانی را که در سراسر جهان شبیه سازی شده سفر می کنند را با توجه به اهداف سفرشان ذخیره می کند. ایستگاه‌های شمارش و یک شبکه، تعداد دوچرخه‌سواران در حال عبور را به ترتیب در مجموعه‌های داده‌ای به نام «داده‌های شمارش» و «نقشه گرمایی حجم ترافیک» ثبت می‌کنند.

2.1.4. مفاهیم طراحی

چندین مفهوم طراحی که مدل‌های مبتنی بر عامل را تعریف می‌کنند در مدل دوچرخه پیاده‌سازی شدند. پیدایش ترافیک دوچرخه در مکان و زمان به دلیل پیچیدگی رفتارهای حرکتی متنوع افراد است، اما – در این مرحله از توسعه مدل – نه با تعامل با یکدیگر. با این وجود، ناهمگونی عوامل و ماهیت احتمالی قواعد رفتاری حاکم بر تصمیم‌گیری عوامل، پیش‌بینی حجم ترافیک را به‌وجود می‌آورد. رفتار تناسب اندام در انتخاب مسیر گنجانده شده است، زیرا افراد مسیرهای خود را با اولویت های ایمنی و فاصله بهینه می کنند.

حس به عنوان مفهوم آگاهی عامل از خود و یک محیط نیز در مدل پیاده سازی شده است. افراد بر اساس آگاهی از سن، جنسیت و شغل خود در مورد گزینه های انتخابی در دسترس آنها استدلال می کنند. آنها کیفیت شبکه را هنگام پیمایش به مقصد بر اساس ترجیحات خود حس می کنند. تصادفی بودن در توزیع جمعیت بر اساس ویژگی های جمعیتی وجود دارد. علاوه بر این، قوانین مدل‌سازی شده تخصیص فعالیت مبتنی بر توزیع‌های احتمال است که عدم قطعیت رفتار انسان را اضافه می‌کند.

مشاهده شامل نظارت و ذخیره خروجی مدل برای آزمایش و تجزیه و تحلیل است. دوچرخه‌سواران فعال، دوچرخه‌سواران پیمایش شده در ایستگاه‌های شمارش و یک شبکه برای اهداف راستی‌آزمایی و اعتبار سنجی نظارت می‌شوند. برای تجزیه و تحلیل مدل، اطلاعات سفرها و حجم دوچرخه جاده ها جمع آوری شد.

2.1.5. مقداردهی اولیه

در طول اولیه سازی، مدل دنیایی با افراد و یک محیط ساخته شده ایجاد می کند. توزیع فضایی افراد بر اساس سن، جنسیت و وضعیت اشتغال از برآوردهای دنیای واقعی در داده های مسکونی محاسبه می شود. به عنوان مثال، اگر یک سلول شبکه دارای تعداد ثبت شده ساکنان زن بین 20 تا 24 سال باشد، مدل آن تعداد افراد زن را ایجاد می کند و سن را به طور تصادفی در آن محدوده تعیین می کند.

این مدل برای عملیات مسیریابی نیاز به یک شبکه صحیح توپولوژیکی از پیوندها دارد. بنابراین، جاده های شبیه سازی شده به یک شبکه دو طرفه منسجم با جاده های یک طرفه، جاده های دو طرفه و محدودیت ها متصل می شوند. شبکه با یک شاخص ایمنی وزن شده است تا دوچرخه سواری مبتنی بر ایمنی را ارائه دهد. محاسبه اتخاذ شده یک شاخص از ارزیابی مبتنی بر شاخص پیروی می کند [ 35 ]. چندین شاخص جاده در محاسبه شاخص ایمنی گنجانده شده است. اینها دسته جاده، وجود زیرساخت دوچرخه و مسیرهای دوچرخه سواری تعیین شده، محدودیت های وسایل نقلیه، شیب، روسازی و حداکثر سرعت موتوری از فایل شکل شبکه هستند.

ایستگاه های شمارش و تقاطع های شبکه نیز مستقیماً از شکل فایل ها بدون محاسبات اضافی مقداردهی اولیه می شوند. در مرحله بعد، مدل احتمالات انواع فعالیت، حالت‌ها و زمان شروع و مدت زمان را از فایل‌های مقادیر جدا شده با کاما (CSV) وارد می‌کند. قبل از شروع روز شبیه سازی، افراد به مکان های اولیه فعالیت توزیع می شوند.

2.1.6. مدل های فرعی

انتخاب نوع فعالیت چندین گزینه فعالیت وجود دارد: ماندن در خانه، کار، خرید، فعالیت های تفریحی، فعالیت های مرتبط با کسب و کار، ملاقات با مقامات، ملاقات با پزشک، همراهی افراد، و اقامت در مکان های دیگر. احتمال این گزینه ها برای هر فردی متفاوت است. اولاً، زیرا بسته به موقعیت فعالیت در یک زنجیره فعالیت متفاوت است (0-7). در جدول 1، هر ستون نشان دهنده توزیع احتمال انواع فعالیت ها بر اساس ترتیب عددی یک فعالیت بعدی محاسبه شده، یعنی موقعیت فعالیت است. ثانیاً، وضعیت شغلی یک فرد گزینه های فعالیت را محدود می کند. به عنوان مثال، دانش آموز زیر یک سن خاص می تواند به مدرسه سفر کند اما نمی تواند سر کار برود. در ابتدای شبیه سازی، هر فرد یک فعالیت اولیه را با در نظر گرفتن توزیع احتمال در جایی که یک موقعیت فعالیت صفر است، محاسبه می کند.

انتخاب زمان شروع و مدت روند تخصیص فعالیت با انتخاب ویژگی های زمانی ادامه می یابد. احتمال شروع هر فعالیت به نوع فعالیت و موقعیت آن در یک زنجیره فعالیت بستگی دارد. جدول A1 در پیوست Aنمونه ای از احتمالات برای فعالیت کاری را نشان می دهد. در طول یک روز شبیه سازی شده، ساعات سپری شده از توزیع احتمال حذف می شود. مفروضات ساده شده ای برای فعالیت های مدرسه و دانشگاه وجود دارد. ساعت حرکت برای مدرسه بین ساعت 7:00 تا 8:00 و برای دانشگاه بین ساعت 8:00 تا 18:00 محاسبه می شود. به‌علاوه، انواع فعالیت‌ها محدود به مدت‌هایی است که فرد می‌تواند در یک مکان فعالیت سپری کند. در مورد فعالیت کاری، مدت زمان بر اساس جنسیت متفاوت است. علاوه بر این، دانش آموزان بسته به سن در مدرسه می مانند. اطلاعات اضافی درباره مقادیر مدت زمان را می توان در پیوست A یافت ( جدول A2 ، جدول A3 و جدول A4 ).

انتخاب حالت شش حالت در دسترس وجود دارد، مانند پیاده روی، دوچرخه، ماشین، مسافر خودرو، حمل و نقل عمومی، و سایر وسایل حمل و نقل ( جدول 2 ). به منظور ساده سازی، فرض می کنیم که یک فرد فقط می تواند شیوه حمل و نقل خود را در خانه تغییر دهد. توزیع احتمال حالت ها برای هر نوع فعالیت متفاوت است. علاوه بر این، بین تقسیم‌بندی‌های مودال برای سفرهای منطقه‌ای و شهری تفاوت وجود دارد.

انتخاب مسافت و سرعت فرض دیگر این است که حالت ها ظرفیت ها و سرعت های مسافت سفر متفاوتی دارند. به احتمال 71% یک سفر پیاده روی کوتاهتر از 1 کیلومتر و 29% احتمال دارد که بین 1 تا 5 کیلومتر باشد. احتمالات مشابهی به سفرهای دوچرخه داده می‌شود: محدودیت‌های مسافتی می‌تواند تا ۲ کیلومتر و ۲ تا ۸ کیلومتر با احتمالات ۷۳ و ۲۷ درصد باشد. سایر حالت ها با فاصله محدود نمی شوند. سرعت نیز بر اساس حالت متفاوت است. سرعت پیاده روی در محدوده 0.7-2.0 متر بر ثانیه است، سرعت دوچرخه 1.6-5.5 متر بر ثانیه است. ماشین، مسافر ماشین و وسایل حمل و نقل عمومی همه 4.9-14.9 متر بر ثانیه سفر می کنند. سایر حمل و نقل های تعریف نشده دارای سرعت 2.4-13.6 متر بر ثانیه هستند.

انتخاب هدف یک فرد یک مکان مورد نظر را از بین تعداد موجودی از امکانات مرتبط انتخاب می کند که محدودیت های فاصله را برآورده می کند. محاسبه محل کار مناسب یک محدودیت اضافی دارد. تعداد کارکنانی که هر محل کار با آن مشخص می شود را در نظر می گیرد. در طول یک تکلیف فعالیت، شخص ممکن است هیچ نوع فعالیت یا زمان شروعی را انتخاب نکند. در چنین حالتی فرد به خانه برمی گردد و دیگر مسافرت نمی کند.

انتخاب مسیر امن ترین و کوتاه ترین گزینه های مسیریابی به ترتیب حرکت دوچرخه سواران و غیر دوچرخه سواران را مشخص می کند. ایمن ترین مسیرها با استفاده از الگوریتم Dijkstra و شاخص ایمنی به عنوان امپدانس محاسبه می شوند. برای کوتاه ترین مسیرها، همان الگوریتم از فاصله به عنوان امپدانس استفاده می کند.

حرکت. دوچرخه‌سوارانی که مسیرهایشان با یک منطقه شهر همپوشانی دارد، در زمان‌های حرکت محاسبه‌شده در طول شبکه به سمت مقصد حرکت می‌کنند. حرکات بر اساس اولویت های مسیریابی و مقادیر سرعت محاسبه شده در مراحل قبلی انجام می شود. غیر دوچرخه سواران و دوچرخه سوارانی که به خارج از شهر سفر می کنند، از نظر فیزیکی در یک فضای شبیه سازی شده حرکت نمی کنند. آنها مستقیماً به مقصد خود تله‌پورت می‌کنند و زمان سفر برای نمایش زمان واقعی محاسبه می‌شود که برای سفر صرف می‌کنند.

2.2. داده ها

در مدل مبتنی بر عامل پیشنهادی، ما از مجموعه داده‌های مکانی گسترده برای تعریف جمعیت، محیط و قوانین تصمیم‌گیری استفاده می‌کنیم. چندین مجموعه داده در جدول 3 برای پارامترسازی مدل دوچرخه به دست آمد. داده های مسکونی از Statistik اتریش [ 36 ] مبنایی را برای مدل سازی ناهمگونی اجتماعی-دموگرافیک جمعیت زیربنایی فراهم می کند. داده های محل سکونت بر اساس سن، جنسیت و وضعیت اشتغال شامل سلول های شبکه ای با وضوح فضایی 250 متر است.

داده های بررسی تحرک استان سالزبورگ [ 37 ] قوانین رفتاری را تعریف می کند. حدود 40000 پاسخ دهنده از استان سفرهای روزانه خود را گزارش کردند. سفرهای پاسخ دهندگان در زنجیره فعالیت مرتب می شوند. هر سفر شامل اطلاعات اسنادی است، مانند شناسه فعالیت (تعداد متوالی فعالیت در یک زنجیره فعالیت)، نوع فعالیت، زمان، مسافت و حالت حمل و نقل. توزیع های مشتق شده از سفرها توسط هر ویژگی قوانین احتمالی مربوط به انواع فعالیت، زمان شروع، حالت ها، فاصله تا یک هدف و سرعت را تشکیل می دهد. علاوه بر این، هر فعالیت شبیه سازی شده با مدت زمان مشخص می شود. احتمالات مربوطه از دستورالعمل ها و گزارش های مؤسسات تحقیقاتی استنباط می شود [ 38 , 39 , 40]. همه توزیع‌های احتمال در فایل‌های CSV جداگانه برای استفاده توسط مدل شبیه‌سازی مونتاژ می‌شوند.

محیط ساخته شده در مدل توسط یک نمودار شبکه جاده معتبر [ 41 ] و نقاط مورد علاقه (POI) از نقشه خیابان باز و منابع معتبر [ 42 ، 43 ، 44 ، 45 ، 46 ] نشان داده می شود. امکانات محل کار توسط اطلاعات سرشماری محل کار ارائه شده توسط Statistik Austria [ 47 ]، که در آن ارزش های اشتغال به عنوان تعداد کارمندان در سلول شبکه 100 متر نشان داده می شود، تعریف می شوند. خطوط کلی شهر و منطقه از مجموعه داده های رسمی مرزهای اداری در اتریش جمع آوری شده است [ 48 ]. در نهایت، مجموعه داده با مکان های موجود سایت های شمارش در سالزبورگ [ 49 ،50 ، 51 ] برای ایجاد ایستگاه های شمارش در مدل استفاده می شود.

2.3. طراحی آزمایش ها

با توجه به ماهیت تصادفی توزیع‌های احتمال در تصمیم‌گیری عوامل، پاسخ مدل ممکن است متفاوت باشد و شامل یک خطای تجربی باشد [ 52 ]. توصیه می شود برای دستیابی به نتایج معنی دار یک شبیه سازی را چندین بار اجرا کنید. تعداد اجراهای لازم برای هر مدل مشخص است. به منظور به دست آوردن آن، میانگین و تنوع مقادیر پاسخ برای تعداد فزاینده ای از اجراها محاسبه و تجزیه و تحلیل می شود. یک متغیر پاسخ می تواند هر رکوردی از خروجی غیر قطعی مدل باشد. Lorscheid و همکاران [ 52] پیشنهاد می کند از ضریب تغییرات به عنوان معیار دقت میانگین و انحراف معیار استفاده شود. برای تعریف آن، انحراف استاندارد بر مقدار میانگین تقسیم می شود. ضرایب تغییرات بر اساس تعداد اجراها تا زمانی که تثبیت شوند در نوسان است، به این معنی که اجرای اضافی خطا را به میزان قابل توجهی به حداقل نمی رساند.

در مدل ما، میانگین زمان اجرای یک اجرای شبیه‌سازی حدود 40 دقیقه است. چنین مقدار زمانی مانع از تکرار 1000 بار می شود. با توجه به عدم قطعیت مدل ساختاری ناشی از فرضیات، تکرار بسیار بیشتر شبیه‌سازی‌ها بسیار زمان‌بر خواهد بود و فقط به شبه دقت منجر می‌شود. بنابراین، اگر خطاهای آزمایشی برای اجراهای شبیه‌سازی کم کم باقی بمانند، یک اجرای شبیه‌سازی را برای هدف مدل کافی در نظر می‌گیریم.

ما یک تجزیه و تحلیل برای بررسی تغییرپذیری خطاها در نتایج مدل بسته به افزایش تعداد اجراها انجام می دهیم. با محدودیت فاکتور هزینه-فایده، ما حداکثر تعداد دفعات شبیه سازی را به 10 محدود می کنیم. حجم دوچرخه روزانه را به عنوان متغیر پاسخ انتخاب می کنیم و آن را در 20 مکان تصادفی ثبت می کنیم. در هر مرحله، تعداد اجراهای شبیه‌سازی را افزایش می‌دهیم و میانگین حجم دوچرخه روزانه در مکان‌های منفرد و همچنین ضریب تغییرات را محاسبه می‌کنیم. تغییرپذیری ضرایب، مانند انحراف استاندارد، می‌تواند نشان دهد که چگونه تعداد اجراهای اضافی، تغییر متغیرهای پاسخ را تغییر می‌دهد.

2.4. تایید و اعتبار سنجی

به دنبال روش معمول در تحقیقات ABM، فرآیند مدل‌سازی شامل طراحی یک مدل مفهومی است که با رسمی کردن آن به یک برنامه اجرایی ادامه می‌یابد. ویلنسکی و رند [ 23] بر اصل طراحی ABM برای پیاده سازی تدریجی عوامل و قوانین در یک مدل تأکید می کند. بنابراین، در هر مرحله از پیچیدگی اضافی، بررسی می کنیم که آیا مدل مطابق با هدف اعلام شده آن بهبود می یابد یا خیر. این فرآیند با متغیرهای وضعیت نظارت ابداع می شود تا تأیید شود که مدل به درستی ساخته شده است. تست تایید با نمایش محتوای پویا یک خروجی شبیه سازی بر روی نمودارها و یک نقشه در رابط پلت فرم انجام می شود. نقشه ای که کل محیط و عوامل متحرک را نشان می دهد برای نشان دادن اینکه تمام اجزای یک سیستم حمل و نقل وجود دارند و همانطور که انتظار می رود پاسخگو هستند استفاده می شود. برای تأیید حرکت عوامل، برخی از نمودارها توزیع زمانی دوچرخه سواران در حال سفر را نشان می دهند.

الگوهای مشاهده شده در یک سیستم واقعی می توانند طراحی و اعتبار سنجی نمایش ساده شده آن را تسهیل کنند. آنها اغلب ساختار و فرآیندهای اساسی را بیان می کنند. چارچوب مدل‌سازی الگومحور (POM) استفاده از الگوها را برای تعریف یک مدل بر حسب اجزا و فرآیندهای آن، آزمایش سازمان داخلی آن و اعتبارسنجی نتایج پیشنهاد می‌کند [ 53 ]. ما از الگوهای متعدد، مانند توزیع مکانی و زمانی دوچرخه سواران در منطقه مورد مطالعه و فرکانس های نسبی آنها از مجموعه داده های مشاهده شده، برای نشان دادن اعتبار خروجی مدل استفاده می کنیم.

برای اعتبار سنجی، اعتبارات مفهومی و عملیاتی را در نظر می گیریم [ 54 ]. آزمون اعتبار مفهومی روابط علت و معلولی مفاهیم مدل زیربنایی با استفاده از تحلیل سناریو. این مرحله شبیه استراتژی POM برای آزمایش اینکه چگونه نظریه های جایگزین فرآیندهای تصمیم گیری برخی از الگوها را بازتولید می کنند [ 53 ] است. ما چهار سناریو جایگزین ( جدول 4 ) را برای آزمایش تأثیر مفاهیم رفتاری در مدل خود (سناریوی مرجع واقعی رفتاری) در برابر مدل‌های پوچ مربوطه فرموله می‌کنیم: انتخاب نوع فعالیت، انتخاب مکان هدف و انتخاب زمان شروع در برابر انتخاب‌های تصادفی آزمایش می‌شوند. و انتخاب مسیر چند معیاره در برابر محاسبه کوتاه ترین مسیر به عنوان مدل تهی آن آزمایش می شود.

مقایسه سناریوها با بررسی اعتبار عملیاتی نتایج آنها انجام می شود. اعتبار عملیاتی بررسی می کند که آیا مدل دوچرخه و چهار سناریو جایگزین برای هدف مورد نظر قابل قبول هستند یا خیر. این بررسی می کند که نتایج مدل به خوبی از داده های مشاهده شده تقلید می کنند. به گفته کانگ و آلدستاد [ 55 ]، اعتبار سنجی خروجی یک مدل صریح فضایی در مقیاس های زمانی- مکانی مختلف، قابلیت اطمینان آن را افزایش می دهد. چنین اعتبار سنجی خطر مکانیزم های تولیدی معیوب را زمانی که یک مدل الگوها را در مقیاس کلان یا خرد بازتولید می کند، حذف می کند.

داده‌های اعتبارسنجی از حسگرهای ثابت و متحرک که حرکات دوچرخه‌سواران در منطقه را در ماه‌های اکتبر تا نوامبر ثبت می‌کردند، به دست آمد. الگوهای به دست آمده از داده ها به عنوان معیار اعتبار سنجی در مقیاس های مکانی و زمانی مختلف عمل می کنند. داده های شمارش به دست آمده تعداد دوچرخه سواران را در 9 ایستگاه بین سال های 2012 و 2019 نشان می دهد [ 49 ، 50 ، 51]. حداقل دانه بندی زمانی 15 دقیقه است. اولین معیار، تعداد کل دوچرخه سوارانی است که در ایستگاه های شمارش طی یک روز پیموده شده اند. الگوی انتخاب شده در مقیاس مکانی و به طور موقت بلند مدت است. میانگین خطای مطلق به عنوان روش مقایسه استفاده می شود. خطای مطلق تفاوت بین شمارش روزانه شبیه سازی شده و مشاهده شده در یک ایستگاه است. میانگین خطاهای مطلق در تمام ایستگاه ها، میانگین خطای مطلق را شامل می شود. این اندازه گیری خطا، بزرگی عدم دقت در نتایج مدل را نشان می دهد. دومین معیار در مقیاس مکانی و موقتی کوتاه مدت، تعداد ساعتی دوچرخه سواران در ایستگاه های شمارش در طول روز است. تحلیل همبستگی پیرسون برای نشان دادن قدرت ارتباط بین مقادیر ساعتی مشاهده شده و شبیه سازی شده استفاده می شود.

دو برنامه کاربردی موبایلی که داده‌های مکانی-زمانی دوچرخه‌سواری را جمع‌آوری کردند، Bike Citizens و Strava هستند [ 56 ، 57 ]. هر دو مجموعه داده از نظر فضایی با شبکه استفاده شده در مدل مطابقت داشتند. مجموع روزانه حاصل از حجم ترافیک در هر پیوند شبکه سومین معیار اعتبار سنجی است. این الگو در مقیاس مکانی محلی و به طور موقت در مقیاس بلند مدت است. مجدداً از تحلیل همبستگی پیرسون استفاده شده است.

در نهایت، اعتبارسنجی الگوهای فرکانس های نسبی در ترافیک دوچرخه مشاهده شده و شبیه سازی شده در ایستگاه های شمارش را بررسی می کند. تحرک می تواند تحت تأثیر توزیع فضایی جاذبه ها و چشم انداز یک شهر باشد. بنابراین، نسبت دوچرخه سواران را بین دو سمت شهر که توسط رودخانه سالزاچ تقسیم می شود، بررسی می کنیم. الگوی بعدی نسبت دوچرخه‌سوارانی است که از ایستگاه‌های مرکز شهر در مقابل حومه‌ها عبور می‌کنند. در نهایت، ما از نسبت پیک صبح و بعدازظهر برای اعتبارسنجی ترافیک دوچرخه در ایستگاه ها استفاده می کنیم.

3. نتایج

این مدل تحرک حدود 186000 نفر را در منطقه گسترده شهر سالزبورگ به مدت یک روز شبیه سازی کرد. ایستگاه های شمارش شبیه سازی شده اطلاعاتی را در مورد تعداد دوچرخه سواران در هر ساعت جمع آوری کردند. توزیع زمانی دوچرخه سواران و میانگین آنها در شکل 3 برای مقایسه با داده های مشاهده شده از ایستگاه های شمارش واقعی نشان داده شده است. مدل در اکثر ایستگاه ها دو قله مجزا از شلوغ ترین ترافیک را در روز ثبت می کند. نسبت دوچرخه سواران در اوج صبح و بعد از ظهر مشابه نسبت های مشاهده شده است ( جدول 5). تغییرات بین ایستگاه ها با توجه به موقعیت مکانی آنها نیز با داده های مشاهده شده مطابقت دارد. ایستگاه‌های محیطی، مانند Ischlerbahnstraße و Moosbrücker Weg، کمترین تعداد مشاهده‌شده و شبیه‌سازی‌شده روزانه را دارند، در حالی که ایستگاه‌های مرکزی Rudolfskai و Giselakai بیشترین تعداد را دارند. شمارش های روزانه شبیه سازی شده در ایستگاه های مرکزی در مقابل ایستگاه های محیطی منجر به نسبت معتبر 0.71:0.29 نسبت به نسبت مشاهده شده 0.85:0.15 می شود.

شکل 4 a توزیع فضایی جریان ترافیک دوچرخه در شبکه را نشان می دهد. راهروهای دوچرخه‌ای که به شدت مورد استفاده قرار می‌گیرند را نشان می‌دهد، مانند راهروهایی که در امتداد رودخانه سالزاچ ظاهر می‌شود. این راهرو بیشتر دوچرخه سواران را به خود جذب می کند، زیرا بخش های شمالی و جنوبی شهر را به هم متصل می کند و زیرساخت دوچرخه جدا از ترافیک موتوری را فراهم می کند. حداقل موانع، مانند چراغ های راهنمایی و تقاطع، نیز مشخصه راهرو هستند. شریان های متعددی که در کریدور سالزاچ جمع می شوند شرق و غرب شهر را به هم متصل می کنند. آنها نشان دهنده شواهد جابجایی روزانه ساکنان بین نیمه های شهر هستند که توسط رودخانه تقسیم شده است. نسبت دوچرخه سواران ثبت نام شده در ایستگاه های سمت غربی به سمت شرقی 0.49:0.51 است که به خوبی با نسبت مشاهده شده 0.53:0.47 مطابقت دارد.

با توجه به تصادفی بودن مدل، بررسی عدم قطعیت نتایج بسته به تعداد اجراهای شبیه سازی مهم است. خطاهای تجربی به عنوان ضرایب تغییرات در حجم ترافیک دوچرخه در 20 ایستگاه تصادفی نشان داده می شود. در شکل 5تغییرپذیری ضرایب به دست آمده از تعداد دفعات مختلف به صورت میانگین ضرایب، انحراف استاندارد و مقادیر حداقل و حداکثر نشان داده شده است. اکثر ضرایب نشان دهنده تغییرات کوچک در مقادیر پاسخ است. تعداد کمی از مکان‌ها دارای ضرایب صفر هستند زیرا حجم ترافیک دوچرخه صفر ثبت شده در تمام مراحل شبیه‌سازی است. انحراف استاندارد ضرایب در بیشتر مکان ها به سمت 0.0 متمایل است. این بدان معنی است که تعداد اجراهای مختلف در محدوده پایین نتایج مشابهی ایجاد می کند. این نتایج توجیه می کنند که یک اجرای شبیه سازی برای استفاده از مدل کافی است.

تحلیل سناریو مدل (مدل مرجع واقعی رفتاری) را با چهار سناریوی جایگزین مقایسه می‌کند تا اهمیت مفاهیم مدل اجرا شده را نشان دهد. شکل 4 b-e حجم ترافیک را نشان می دهد که منجر به سناریوهای جایگزین می شود. این الگو در انتخاب نوع فعالیت تصادفی و سناریوهای انتخاب مکان هدف نامحدود بیشتر تاکید می‌شود، زیرا سفرهای بیشتری شبیه‌سازی شده است. سناریوی انتخاب زمان شروع تصادفی ترافیک کمتری را در شبکه نشان می دهد. در نهایت، یک الگوی مکانی متفاوت در سناریوی انتخاب مسیر کوتاه‌ترین مسیر ظاهر می‌شود.

مفاهیم انتخاب نوع فعالیت و انتخاب مکان هدف بر مکان های فعالیت و تعداد کل سفرهای انجام شده توسط افراد تأثیر می گذارد. به نوبه خود، اولین معیار اعتبارسنجی، که شمارش روزانه در ایستگاه ها است، به تغییرات در توزیع فعالیت ها پاسخ می دهد. بنابراین، می تواند به بهترین شکل صحت این دو مفهوم را نشان دهد. شکل 6اعداد مشاهده شده و شبیه سازی شده روزانه دوچرخه سواران در هر ایستگاه شمارش را برای هر سناریو نشان می دهد. در سناریوی مرجع، میانگین خطای مطلق شمارش های روزانه شبیه سازی شده در مقایسه با شمارش مشاهده شده به طور میانگین 1002.07 دوچرخه سوار است. در سناریوی انتخاب نوع فعالیت تصادفی، تخصیص تصادفی انواع فعالیت، توزیع مکانی و زمانی مکان‌های جذاب را تغییر می‌دهد. این خطا با 71.04 درصد افزایش به 1713.9 دوچرخه سوار می رسد. افزایش بیشتر 255.12٪ در سناریوی انتخاب مکان هدف نامحدود مشاهده می شود. خطا 3257.9 دوچرخه سوار است. طبق قوانین سناریو، افراد در انتخاب مقصد از نظر مسافت محدودیتی ندارند. از این رو، سفر با دوچرخه می تواند 500 متر یا تا 20 کیلومتر طول داشته باشد.

مفهوم مدل بعدی، انتخاب زمان شروع است که مسئول توزیع زمانی سفرها است. اعتبار آن با معیار اعتبار سنجی دوم، یعنی توزیع ساعتی دوچرخه سواران در ایستگاه های شمارش بررسی می شود. نتایج تجزیه و تحلیل همبستگی بین داده های شبیه سازی شده و مشاهده شده برای هر سناریو در جدول 6 فهرست شده است. در سناریوی مرجع (واقع گرایانه رفتاری)، ضرایب همبستگی بین 0.60 و 0.89 متغیر است که نشان دهنده روابط بسیار معنی داری با p <0.001 در تمام ایستگاه ها است. افراد در سناریوی انتخاب زمان شروع تصادفی در زمان های تصادفی روز سفر می کنند که باعث ایجاد روابط ناچیز می شود. ضرایب همبستگی آن بین 0.09 و 0.35 است که بسیار کمتر از سناریوی مرجع است.

نقشه های شکل 5 نشان می دهد که چگونه مفهوم انتخاب مسیر، به ویژه، بر توزیع فضایی دوچرخه سواران در شبکه تأثیر می گذارد. بنابراین، برای توجیه مفهوم انتخاب مسیر در جدول 7 ، حجم ترافیک روزانه روی یک شبکه را با داده های مشاهده شده مقایسه می کنیم . همبستگی متوسط و ضعیف در سناریوی مرجع (واقع گرایانه رفتاری) مشاهده می شود. ضرایب 0.64 و 0.43 با P <0.001 برای مجموعه داده های Bike Citizens و Strava است. در سناریوی انتخاب مسیر کوتاه‌ترین مسیر، کوتاه‌ترین مسیرها بر ایمن‌ترین مسیرها در طول ناوبری ترجیح داده می‌شوند. ضرایب 0.35 و 0.14 با p می باشد< 0.001. یک همبستگی مثبت ضعیف با مجموعه داده شهروندان دوچرخه و مطلقاً هیچ ارتباطی با مجموعه داده Strava وجود ندارد.

4. بحث و نتیجه گیری

در تحقیق خود، جریان های ترافیک دوچرخه را به عنوان پدیده ای که از رفتار حرکتی فردی پدید می آید شبیه سازی کردیم. چنین شبیه‌سازی جریان‌های ترافیکی اضطراری، نقاط قوت دو نوع تحقیق را ادغام می‌کند. اول، مدل‌های دوچرخه‌های واقع‌گرایانه رفتاری هستند که عمدتاً بر پدیده‌های نوظهور در سطوح مقیاس محلی تمرکز کرده‌اند [ 13 ، 14 ]. دوم، مدل‌سازی جریان ترافیک در سطح منطقه‌ای وجود دارد که تاکنون عمدتاً بر اساس داده‌های جمع‌آوری شده است [ 15 ].

بخشی از طراحی آزمایش، ارزیابی عدم قطعیت در نتایج ناشی از تصادفی بودن مدل در تصمیم گیری است. خطاهای آزمایشی ارزیابی شده نتایج کوچک هستند و بسته به تعداد اجراهای شبیه‌سازی به شدت تغییر نمی‌کنند. با توجه به ضریب تغییرات پایین، مدل نتایجی با دقت کافی با یک اجرای شبیه‌سازی تولید می‌کند.

از طریق تجزیه و تحلیل سناریو، ما می‌توانیم نشان دهیم که مدل‌هایی با رفتار پارامتری جمعیت‌شناختی از مدل‌های تهی تصادفی بهتر عمل می‌کنند. نتیجه می‌گیریم که تخصیص فعالیت پویا اجازه می‌دهد تا عدم قطعیت رفتار انسان را در مقابل انتصاب زنجیره‌های فعالیت از پیش تعریف‌شده گنجانده شود. اگرچه، روندهای قوی در زنجیره های فعالیت هنوز در قوانین احتمالی حفظ می شود. عدد ترتیبی فعالیت بعدی عامل مهمی در تعیین نوع و زمان شروع آن است. توجه به آن به اکثریت جمعیت فعال اجازه می‌دهد صبح‌ها روز خود را با فعالیت‌های سودمند بلندمدت شروع کنند و سایر فعالیت‌ها را برای بقیه روز باقی بگذارند. گنجاندن محدودیت‌های مسافتی برای دوچرخه‌سواران و عابران پیاده، ساکنان غیرشهر را از سفرهای طولانی‌تر در یک شهر در یک شبیه‌سازی باز می‌دارد. این واقعیت را تأیید می کند که افراد تمایل دارند امکانات نزدیک تری را انتخاب کنند، به ویژه هنگام پیاده روی یا دوچرخه سواری. در نهایت، ایمن ترین مسیر برای دوچرخه سواری با داده های مشاهده شده بهتر از کوتاه ترین مسیر مطابقت دارد.

در حالی که تحلیل سناریو پیچیدگی مدل را توجیه می‌کند، اعتبار تجربی روابط متفاوت و معنی‌داری را بین داده‌های شبیه‌سازی شده و مشاهده‌شده نشان داد: روابط قوی از نظر الگوهای زمانی و روابط متوسط تا ضعیف از نظر توزیع فضایی جریان‌ها، بسته به مجموعه داده مرجع. ما از عدم دقت مدل در نتایج آن آگاه هستیم. با این حال، با توجه به کیفیت داده‌های ورودی و اعتبارسنجی موجود در حال حاضر، مدل ارائه‌شده در این مقاله از نظر روش‌شناسی (ABM برای شبیه‌سازی ماکروسکوپی جریان دوچرخه) و قدرت پیش‌بینی یک گام به جلو است. علاوه بر این، اعتبارسنجی فرکانس‌های نسبی در الگوهای دوچرخه، قدرت طراحی داخلی مدل را حفظ می‌کند. نسبت دوچرخه سواری اوج صبح به بعد از ظهر، مرکز شهر در مقابل حومه، و غرب در مقابل.

این مدل بر اساس یک تئوری سفر منسجم با مجموعه ای کامل از انتخاب های فردی است. بنابراین، تحرک دوچرخه سواران را شبیه سازی می کند که می تواند استراتژی های سیاست گذاری برنامه ریزی شده و تغییرات در زیرساخت های شهری را مورد توجه قرار دهد. جریان ترافیک دوچرخه یک پدیده نوظهور است که از تحرک ناشی می شود. در مقابل، مدل‌های چهار مرحله‌ای سنتی که به طور گسترده مورد استفاده قرار می‌گیرند، فاقد چنین پس‌زمینه رفتاری هستند و جریان‌های ترافیکی را صرفاً بر اساس تخصیص انبوه سفرها محاسبه می‌کنند. آنها یک سیستم مدل سازی ایستا را نشان می دهند که نمی تواند تصمیمات فردی را بیان کند و ویژگی ها و ترجیحات مسافران را با سفرهای آنها مرتبط کند [ 16 ].

گنجاندن ترجیحات فردی ما را از مدل‌هایی که از نظر پدیدارشناختی «فقط» درست هستند به شبیه‌سازی‌های واقعی رفتاری هدایت می‌کند. مزیت بزرگ مدل‌های واقع‌گرایانه رفتاری این است که می‌توانند با سناریوهای برنامه‌ریزی شهری سازگار شوند، و بنابراین، ابزار قدرتمندی را برای طراحی مفاهیم کل‌نگر برای حرکت دوچرخه‌سواری در اختیار برنامه‌ریزان شهری قرار می‌دهند. سؤالاتی مانند «اگر ما یک شرکت جدید با 1000 کارمند جدید در مکان xy بسازیم، الگوهای ترافیک دوچرخه چگونه تغییر خواهد کرد» یا «اگر یک خط دوچرخه را به جاده x اضافه کنیم چه می‌شود» یا «محل قرار دادن ایستگاه‌های اشتراک دوچرخه» تنها می‌توانند با یک مدل رفتاری واقع بینانه پاسخ داده شود.

اگرچه واقع گرایی رفتاری می تواند این مدل را بهبود بخشد، اما هنوز انحرافاتی از ترافیک واقعی دوچرخه وجود دارد. این مدل الگوهای کلی را به خوبی توضیح می دهد، اما برای پاسخ به سؤالات خاص تر، نیاز به بهبود بیشتری دارد. علیرغم همبستگی شدید توزیع های زمانی دوچرخه سواران، مشکل بزرگی خطا همچنان ادامه دارد. در نظر گرفتن اولویت ایمنی نهایی در مسیریابی می تواند اشتباه باشد. بر خلاف مسیریابی اجرا شده، لیائو و پتیت [ 29 ]، در مطالعه خود مشخص کردند که حدود 80 درصد از مسیرهای GPS ثبت شده مسافران دوچرخه سوار با نمونه ترکیبی از کوتاه ترین سفرها مطابقت دارند. این واقعیت که سفرهای رفت و آمد نسبت به مسافت حساس تر هستند نیز در مطالعه بروچ و همکاران مشهود است. [ 58]. بنابراین، فرض ترجیح کوتاه‌ترین مسیر برای سفرهای رفت‌وآمد، یک بهبود بالقوه مدل است.

علاوه بر این، در دنیای واقعی، یک مسیر دوچرخه‌سواری ممکن است همیشه گزینه بهینه از نظر ایمنی و فاصله نباشد. این رفتار غیرعادی می تواند نمونه ای از فرآیندهای شناختی منحصر به فرد در رفتار انسان باشد که یک مدل مبتنی بر عامل قادر به گرفتن آن نیست [ 59 ]. این مدل از در نظر گرفتن چراغ‌های راهنمایی در تصمیم‌گیری‌های مسیریابی سود می‌برد، زیرا دوچرخه‌سواران تمایل دارند مسیرهای کمتر آشفته را انتخاب کنند [ 60 ].

همچنین کمبودهایی در کیفیت داده های ورودی و اعتبارسنجی موجود وجود دارد. در حال حاضر، تصمیمات سفر به مشتقات بررسی تحرک منطقه ای بستگی دارد. نگرانی اصلی در مورد چنین نظرسنجی های منطقه ای، خطر ناقص بودن، نمایش مغرضانه یک جمعیت، یا فقدان اطلاعات لازم است. به عنوان مثال، داده های سرشماری محل کار محدودیت های خود را برای مدل سازی امکانات محل کار دارد. انتخاب مقاصد محل کار بستگی به تعداد کارمندان در محل ثبت نام رسمی آنها دارد و نه به جایی که واقعاً کار می کنند. این یکی از دلایل احتمالی عدم تعادل فضایی مشاهده شده ترافیک شبیه سازی شده بین بخش های شرقی و غربی شهر است.

بازنمایی ناقص داده‌های تحرک با منبع جمعیت ممکن است به برخی اختلافات در نتایج اعتبارسنجی نسبت داده شود [ 61 ، 62 ]. جمع آوری داده ها توسط برنامه های کاربردی تلفن همراه مورد استفاده در این مطالعه به مشارکت کاربر بستگی دارد. کاربران اغلب افرادی سلامت محور هستند که علاقه مند به ضبط سفرهای دوچرخه هستند. بنابراین، داده‌ها می‌توانند سفرهای سودمند به محل کار، مدارس و دانشگاه‌ها توسط گروه‌های دیگر از مردم را حذف کنند. علاوه بر این، تعداد سفرهای ثبت شده توسط دو برنامه کوچک است (مسیرهای گرفته شده از هر دو برنامه با هم، 0.17٪ از میانگین روزانه تعداد دوچرخه سواران ثبت شده توسط ایستگاه شمارش رودلفسکای) و بنابراین، دارای نمایندگی محدود است.

جدا از کیفیت داده های خاص، یک مشکل از این واقعیت ناشی می شود که پارامترهای جمعیت شناختی رفتار تحرک عموماً نیاز به داده دارد. بنابراین، قابلیت انتقال ممکن است محدود باشد. سوال باقی مانده این است: اگر مدل به مناطق دیگر منتقل شود چقدر قوی است؟ کدام مؤلفه ها باید با داده های محلی مجدداً پارامترسازی شوند. چه پارامترهای قابل تعمیم قابل انتقالی هستند؟ اگر قابلیت انتقال برای مؤلفه‌های کلیدی فراهم شود، «گرسنگی داده» با مشکل کمتری مواجه می‌شود.

نتایج ارزش افزوده استفاده از ABM های حمل و نقل را در سطح منطقه ای نشان می دهد، جایی که الگوهای ترافیکی مکانی-زمانی از رفتار فردی ساکنان پدیدار می شوند. داده های خروجی به تشخیص قابلیت استفاده مسیرهای دوچرخه موجود و بالقوه لازم برای برنامه ریزی استراتژی ها و سرمایه گذاری ها کمک می کند. اگرچه فقط حرکت دوچرخه شبیه سازی شده است، شبیه سازی انتخاب حالت شامل تمام حالت های اصلی حمل و نقل می شود. این امر ادغام بالقوه مفاهیم اضافی را برای به تصویر کشیدن الگوهای سفر سایر حالت های حمل و نقل تسهیل می کند. علاوه بر این، این مدل می تواند بررسی سایر فرآیندهای پویای شهری را به عنوان یک ماژول حمل و نقل یکپارچه تسهیل کند.

پیوست اول

جدول A1. توزیع احتمال ساعات عزیمت به محل کار (٪) بر اساس موقعیت فعالیت در یک زنجیره فعالیت.

جدول A2. مدت زمان بر اساس نوع فعالیت

جدول A3. توزیع احتمال مدت زمان کار بر اساس جنسیت.

جدول A4. مدت زمان مدرسه بر اساس سن

منابع

BMLFUW. طرح جامع دوچرخه سواری 2015–2025 ; وزارت فدرال کشاورزی، جنگلداری، محیط زیست و مدیریت آب: وین، اتریش، 2015.
ECF. استراتژی دوچرخه‌سواری اتحادیه اروپا: توصیه‌هایی برای ارائه رشد سبز و تحرک مؤثر در سال 2030 . فدراسیون دوچرخه سواران اروپا: بروکسل، بلژیک، 2017. [ Google Scholar ]
مرتنز، ال. کامپرنول، اس. دفورچه، بی. مک کنباخ، جی دی. لیکرولد، جی. بروگ، جی. رودا، سی. Feuillet، T. اوپرت، جی.-م. گلونتی، ک. و همکاران همبستگی های زیست محیطی دوچرخه سواری برای حمل و نقل در سراسر اروپا ساخته شده است. Health Place 2017 ، 44 ، 35-42. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پوچر، جی. شوید، جی. Handy، S. زیرساخت، برنامه‌ها و سیاست‌های افزایش دوچرخه‌سواری: بررسی بین‌المللی. قبلی پزشکی 2010 ، 50 ، S106–S125. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سالیس، جی اف. سرین، ای. کانوی، تی ال. آدامز، MA; فرانک، LD; پرت، ام. سالوو، دی. شیپرین، جی. اسمیت، جی. کاین، KL; و همکاران فعالیت بدنی در رابطه با محیط های شهری در 14 شهر در سراسر جهان: یک مطالعه مقطعی. Lancet 2016 ، 387 ، 2207-2217. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Handy، SL; ون وی، بی. Kroesen، M. ترویج دوچرخه‌سواری برای حمل و نقل: نیازها و چالش‌های پژوهشی. ترانسپ Rev. 2014 , 34 , 4-24. [ Google Scholar ] [ CrossRef ]
لویدل، ام. استوتز، پی. Fernandez La Puente de Battre, MD; اشمید، سی. رایش، بی. بوهم، پی. سدلاچک، ن. نیباور، جی. Niederseer، D. ادغام خود گزارش شده با داده های فنی حس شده برای ردیابی رفتار تحرک در یک مطالعه مداخله ای طبیعی. بینش از مطالعه GISMO. Scand. جی. مد. علمی ورزش 2020 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شن، ال. Stopher، PR بررسی روش‌های بررسی سفر GPS و روش‌های پردازش داده‌های GPS. ترانسپ Rev. 2014 , 34 , 316-334. [ Google Scholar ] [ CrossRef ]
Batty، M. چارچوب عمومی برای مدلسازی فضایی محاسباتی. در مدل های عامل محور سیستم های جغرافیایی ; Heppenstall, AJ, Crooks, AT, See, LM, Batty, M., Eds. Springer Netherlands: Dordrecht, The Netherlands, 2012; صص 19-50. [ Google Scholar ]
Ortúzar Salar, JdD; Willumsen، LG Modeling Transport ، ویرایش چهارم. جان وایلی و پسران: چیچستر، بریتانیا، 2011. [ Google Scholar ]
عزیز، HA; پارک، BH; مورتون، ا. استوارت، RN; هیلیارد، ام. Maness، M. یک مدل مبتنی بر عامل با وضوح بالا برای حمایت از تصمیمات سرمایه گذاری زیرساخت پیاده روی دوچرخه: مطالعه موردی با شهر نیویورک. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 86 ، 280-299. [ Google Scholar ] [ CrossRef ]
Rybarczyk، G. شبیه سازی مکانیسم های راهیابی دوچرخه در یک محیط شهری. طرح شهری. ترانسپ Res. 2014 ، 2 ، 89-104. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آگاروال، ا. زیلسکه، ام. رائو، KR؛ Nagel, K. یک رویکرد زیبا و محاسباتی کارآمد برای مدل‌سازی ترافیک ناهمگن با استفاده از شبیه‌سازی مبتنی بر عامل. Procedia Comput. علمی 2015 ، 52 ، 962-967. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شان، ایکس. لی، ز. چن، ایکس. Ye, J. A Modified Cellular Automaton Approach for Mixed Bicycle Traffic Flow Modeling. گسسته. دین نات. Soc. 2015 ، 2015 ، 1-11. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جاسینا، م. واسیاک، م. کلودوسکی، م. Gołębiowski، P. مدلسازی ترافیک دوچرخه در شهرها با استفاده از VISUM. Procedia Eng. 2017 ، 187 ، 435-441. [ Google Scholar ] [ CrossRef ]
هیئت تحقیقات حمل و نقل پیش بینی سفر متروپولیتن: عملکرد فعلی و جهت گیری آینده-گزارش ویژه 288 ; انتشارات آکادمی ملی: واشنگتن، دی سی، ایالات متحده آمریکا، 2007; پ. 144. [ Google Scholar ] [ CrossRef ]
Fagnant، DJ; Kockelman، K. یک مدل تقاضای مستقیم برای شمارش دوچرخه: تأثیرات سطح خدمات و عوامل دیگر. محیط زیست طرح. B طرح. دس 2015 ، 43 ، 93-107. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هانکی، اس. لیندزی، جی. وانگ، ایکس. بورا، ج. هاف، ک. اوتکت، بی. Xu، Z. برآورد استفاده از زیرساخت های غیر موتوری: مدل های دوچرخه و ترافیک پیاده در مینیاپولیس، MN. Landsc. طرح شهری. 2012 ، 107 ، 307-316. [ Google Scholar ] [ CrossRef ]
لو، تی. موندشاین، ا. بوهلر، آر. Hankey، S. افزودن اطلاعات زمانی به مدل‌های تقاضای مستقیم: برآورد ساعتی ترافیک دوچرخه و عابر پیاده در بلکسبورگ، ویرجینیا. ترانسپ Res. قسمت D Transp. محیط زیست 2018 ، 63 ، 244-260. [ Google Scholar ] [ CrossRef ]
کوپر، CH با استفاده از تحلیل شبکه فضایی برای مدل‌سازی جریان‌های چرخه پدال، ریسک و انتخاب حالت. J. Transp. Geogr. 2017 ، 58 ، 157-165. [ Google Scholar ] [ CrossRef ]
مک دانیل، اس. لوری، مگابایت؛ دیکسون، ام. استفاده از مرکزیت مبدأ-مقصد برای تخمین حجم دوچرخه جهت دار. ترانسپ Res. ضبط J. Transp. Res. هیئت 2014 ، 2430 ، 12-19. [ Google Scholar ] [ CrossRef ]
لویدل، ام. ورنر، سی. هیم، ال. کوفلر، پی. Innerebner، G. سبک زندگی و رفتار دوچرخه سواری – داده ها از یک مطالعه مقطعی. داده‌ها 2019 ، 4 ، 140. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ویلنسکی، یو. Rand, W. مقدمه‌ای بر مدل‌سازی مبتنی بر عامل: مدل‌سازی سیستم‌های پیچیده طبیعی، اجتماعی و مهندسی با NetLogo . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2015. [ Google Scholar ]
Axelrod, R. پیشرفت هنر شبیه سازی در علوم اجتماعی. پیچیدگی 1997 ، 3 ، 16-22. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لویدل، ام. والنتین، جی. سیگانسکی، آر. گریزر، ا. شولز، جی. Haslauer، E. GIS و مدل سازی حمل و نقل – تقویت دیدگاه فضایی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 84. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
میلر، اچ جی; شاو، اس.-ال. سیستم های اطلاعات جغرافیایی برای حمل و نقل در قرن بیست و یکم. Geogr. Compass 2015 ، 9 ، 180-189. [ Google Scholar ] [ CrossRef ]
کروکس، AT; Castle، CJE ادغام مدل‌سازی مبتنی بر عامل و اطلاعات جغرافیایی برای شبیه‌سازی مکانی. در مدل های عامل محور سیستم های جغرافیایی ; Heppenstall, AJ, Crooks, AT, See, LM, Batty, M., Eds. Springer: Dordrecht، هلند، 2012; صص 219-251. [ Google Scholar ]
والنتین، جی. Loidl، مدل ترافیک دوچرخه مبتنی بر M. برای شهر سالزبورگ. GI_Forum J. Geogr. Inf. علمی 2015 ، 1 ، 558-566. [ Google Scholar ] [ CrossRef ]
Leao، SZ; پتیت، سی. نقشه برداری از الگوهای دوچرخه سواری با مدل مبتنی بر عامل، سرشماری و داده های جمع سپاری. در مدلسازی عامل مبتنی بر سیستم های شهری. ABMUS 2016. نکات سخنرانی در علوم کامپیوتر ; نمازی راد، MR، Padgham, L., Perez, P., Nagel, K., Bazzan, A., Eds.; Springer: Cham, Switzerland, 2017; صص 112-128. [ Google Scholar ] [ CrossRef ]
زیمکه، دی. متزلر، اس. Nagel، K. مدل سازی ترافیک دوچرخه در یک شبیه سازی حمل و نقل مبتنی بر عامل. Procedia Comput. علمی 2017 ، 109 ، 923-928. [ Google Scholar ] [ CrossRef ]
Veldhuis، LO کاربردهای مدل‌سازی مبتنی بر عامل: تحلیل و شبیه‌سازی ترافیک دوچرخه در محیط‌های شهری . گزارش؛ دانشگاه واگنینگن: واگنینگن، هلند، 2018. [ Google Scholar ]
Taillandier، P. گائودو، بی. گریگنارد، آ. Huynh، Q.-N.; ماریلو، ن. کایلو، پی. فیلیپون، دی. Drogoul، A. ساخت، ترکیب و آزمایش مدل های فضایی پیچیده با پلت فرم GAMA. GeoInformatica 2019 ، 23 ، 299–322. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کازیوا، دی. والنتین، جی. Loidl, M. Bicycle Model, 2.0.0; کتابخانه مدل محاسباتی CoMSES. در دسترس آنلاین: https://www.comses.net/codebase-release/897ca5d7-a00e-4515-8e14-9fc015ea183e/ (در 1 دسامبر 2020 قابل دسترسی است).
گریم، وی. برگر، یو. باستیانسن، اف. الیاسن، اس. ژینوت، وی. گیسکه، جی. گاس کاستارد، جی. گراند، تی. هاینز، SK; هوس، جی. و همکاران یک پروتکل استاندارد برای توصیف مدل‌های مبتنی بر فردی و مبتنی بر عامل. Ecol. مدل. 2006 ، 198 ، 115-126. [ Google Scholar ] [ CrossRef ]
لویدل، ام. Zagel، B. ارزیابی ایمنی دوچرخه در شبکه های متعدد با مدل های داده های مختلف. در مجموعه مقالات GI_Forum 2014 – نوآوری جغرافیایی برای جامعه، سالزبورگ، اتریش، 1-4 ژوئیه 2014. Osterreichische Akademie der Wissenschaften: وین، اتریش; برلین، آلمان؛ آفن باخ، آلمان، 2015; دوره 1393، صص 144-154. [ Google Scholar ]
آمار فدرال اتریش Registerzählung 2011 ; STATISTIK AUSTRIA: وین، اتریش، 2011. [ Google Scholar ]
ایالت فدرال سالزبورگ-وزارت حمل و نقل. Mobilitätserhebung Land Salzburg ; سرزمین سالزبورگ-Straßenbau und Verkehrsplanung: سالزبورگ، اتریش، 2012.
موسسه تحقیقات اقتصادی اتریش. Verteilung der Arbeitszeit WIFO-Beitrag zum Sozialbericht 2015–2016. در دسترس آنلاین: https://www.wifo.ac.at/jart/prj3/wifo/resources/person_dokument/person_dokument.jart?publikationsid=59268&mime_type=application/pdf (در تاریخ 11 ژانویه 2018 قابل دسترسی است).
دانشگاه پاریس لودرون سالزبورگ. Mitteilungsblatt-Sondernummer der Paris Lodron-Universität Salzburg. در دسترس آنلاین: https://online.uni-salzburg.at/plus_online/wbMitteilungsblaetter.displayHTML?pNr=46397&pQuery= (در 11 ژانویه 2018 دسترسی پیدا کرد).
اداره آموزش ایالتی سالزبورگ Richtlinien für Schulleitungen 2006. در دسترس آنلاین: https://www.za.gierzinger.com/aktuell_files/2010-09-21_schulzeiterlass-LSR_2006_vers3.pdf (در 11 ژانویه 2018 قابل دسترسی است).
اسفینگ; ITS منطقه وین؛ زمین بورگنلند; زمین کارنتن; سرزمین Niederösterreich; سرزمین Oberösterreich; زمین سالزبورگ; Land Steiermark; لند تیرول; زمین فورارلبرگ; و همکاران Intermodales Verkehrsreferenzsystem Österreich (GIP.at) Österreich. اطلاعات Österreich را باز کنید. در دسترس آنلاین: https://www.data.gv.at/katalog/dataset/3fefc838-791d-4dde-975b-a4131a54e7c5 (در تاریخ 12 نوامبر 2019 قابل دسترسی است).
اداره شهر سالزبورگ دولت باز Daten der Stadt Salzburg. خدمات ویژه وب Stadt Salzburg OGD. در دسترس آنلاین: https://data.stadt-salzburg.at/geodaten/wfs?service=WFS&request=GetFeature&typeNames=ogdsbg:amtsgebaeude (در 2 دسامبر 2019 قابل دسترسی است).
ایالت فدرال سالزبورگ – اداره GIS. Universitäten Land Salzburg. Data Österreich را باز کنید. در دسترس به صورت آنلاین: https://www.data.gv.at/katalog/dataset/6bcc821d-aef8-4134-aeb5-fdf5993a4dd8 (در 2 دسامبر 2019 قابل دسترسی است).
ایالت فدرال سالزبورگ – اداره GIS. Ärzte Land Salzburg. Data Österreich را باز کنید. در دسترس آنلاین: https://www.data.gv.at/katalog/dataset/8bd69af0-d42a-4777-beb6-1e8e87145a23 (در تاریخ 2 دسامبر 2019 قابل دسترسی است).
ایالت فدرال سالزبورگ – بخش فناوری اطلاعات. Verwaltungsadressen – سرزمین سالزبورگ. Data Österreich را باز کنید. در دسترس آنلاین: https://www.data.gv.at/katalog/dataset/d49a127d-f60f-4d6f-bb1c-46d70ff14699 (دسترسی در 20 آوریل 2020).
نقشه خیابان باز OSM Dump-اتریش. Geofabrik GmbH. در دسترس آنلاین: https://download.geofabrik.de/europe/austria.html (در 1 دسامبر 2019 قابل دسترسی است).
آمار فدرال اتریش Abgestimmte Erwerbsstatistik—Demographie—2013 ; STATISTIK AUSTRIA: وین، اتریش، 2013. [ Google Scholar ]
Bundesamt für Eich- und Vermessungswesen. Verwaltungsgrenzen (VGD)—Stichtagsdaten Grundstücksgenau. Data Österreich را باز کنید. در دسترس آنلاین: https://www.data.gv.at/katalog/dataset/51bdc6dc-25ae-41de-b8f3-938f9056af62 (در 3 آوریل 2019 قابل دسترسی است).
GPV-Günther Pichler GmbH. Radverkehrszählungen Stadt Salzburg. API Eco-Counter. در دسترس آنلاین: https://www.eco-visio.net/ (در 23 ژانویه 2020 قابل دسترسی است).
GPV-Günther Pichler GmbH. Radverkehrszählungen Land Salzburg. API Eco-Counter. در دسترس آنلاین: https://www.eco-visio.net/ (در 23 ژانویه 2020 قابل دسترسی است).
دانشگاه پاریس لودرون سالزبورگ-گروه بین دانشکده Z_GIS. موبایل Radverkehrszählung Z_GIS. API Eco-Counter. در دسترس آنلاین: https://www.eco-visio.net/ (در 23 ژانویه 2020 قابل دسترسی است).
Lorscheid، I. هاینه، B.-O.; Meyer, M. باز کردن “جعبه سیاه” شبیه سازی ها: افزایش شفافیت و ارتباطات موثر از طریق طراحی سیستماتیک آزمایش ها. محاسبه کنید. ریاضی. عضو. نظریه 2011 ، 18 ، 22-62. [ Google Scholar ] [ CrossRef ]
گریم، وی. ریویلا، ای. برگر، یو. جلتش، اف. مویج، WM; Railsback، SF; Thulke، H.-H.; وینر، جی. ویگاند، تی. DeAn-gelis، مدل‌سازی الگوی DL سیستم‌های پیچیده مبتنی بر عامل: درس‌هایی از اکولوژی. Science 2005 ، 310 ، 987-991. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Rykiel، EJ تست مدل‌های اکولوژیکی: معنای اعتبارسنجی. Ecol. مدل. 1996 ، 90 ، 229-244. [ Google Scholar ] [ CrossRef ]
کانگ، J.-Y. Aldstadt, J. استفاده از الگوهای فضایی-زمانی مقیاس چندگانه برای اعتبارسنجی مدل‌های مبتنی بر عامل صریح فضایی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 33 ، 193-213. [ Google Scholar ] [ CrossRef ]
دانشگاه پاریس لودرون سالزبورگ-گروه بین دانشکده Z_GIS. داده های شهروندان دوچرخه. 2019. در دسترس آنلاین: https://www.uni-salzburg.at/index.php?id=147&L=1 (در 19 فوریه 2021 قابل دسترسی است).
دانشگاه پاریس لودرون سالزبورگ-گروه بین دانشکده Z_GIS. داده های مترو Strava. 2020. در دسترس آنلاین: https://uni-salzburg.elsevierpure.com/en/activities/gis-in-central-asia-conference-2020 (در 19 فوریه 2021 قابل دسترسی است).
بروچ، جی. شوید، جی. Gliebe, J. دوچرخه سواران کجا سوار می شوند؟ یک مدل انتخاب مسیر با داده‌های GPS ترجیحی آشکار ساخته شده است. ترانسپ Res. بخش A سیاست سیاست. 2012 ، 46 ، 1730-1740. [ Google Scholar ] [ CrossRef ]
الامین، س. گالاند، اس. یاسار، ع.-و.-ح. کوکام، الف. تقاضا برای مدل های حمل و نقل مبتنی بر عامل و چالش های رفتاری اجتماعی. Procedia Comput. علمی 2017 ، 113 ، 210-216. [ Google Scholar ] [ CrossRef ]
ون دوپن، جی. Spierings، B. مسیرهای ردیابی مجدد: تجربه تجسم یافته دوچرخه سواری، مناظر حسی شهری و رفت و آمد بین “محله” و “شهر” در اوترخت، NL. J. Transp. Geogr. 2013 ، 30 ، 234-243. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیسنر، اس. فرانک، آ. بکر، تی. مدلسازی حجم ترافیک دوچرخه سواران – آیا برنامه ریزی دوچرخه می تواند از داده های مبتنی بر گوشی هوشمند بهره مند شود؟ در مجموعه مقالات هفتمین عرصه تحقیقاتی حمل و نقل TRA 2018، وین، اتریش، 16 تا 19 آوریل 2018. [ Google Scholar ]
واتکینز، ک. امامانچی، ر. لاموندیا، جی. Dantec، CAL مقایسه منابع داده GPS دوچرخه سوار مبتنی بر تلفن هوشمند. در مجموعه مقالات نود و پنجمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 10 تا 14 ژانویه 2016. [ Google Scholar ]

شکل 1. منطقه مورد مطالعه منطقه بزرگ شهر سالزبورگ با شبکه حمل و نقل و ایستگاه های شمارش.

شکل 2. نمودار جریان فرآیندها در مدل دوچرخه.

شکل 3. توزیع زمانی دوچرخه سواران پیموده شده در ایستگاه ها به مدت یک ساعت. پیوندهای خاکستری نشان دهنده میانگین تعداد تراورس در نتایج شبیه سازی شده و داده های مشاهده شده است.

شکل 4. حجم ترافیک دوچرخه در یک روز شبیه سازی در سناریوها: ( الف ) مرجع; ( ب ) انتخاب نوع فعالیت؛ ( ج ) انتخاب مکان هدف؛ ( د ) انتخاب زمان شروع؛ ( ه ) انتخاب مسیر.

شکل 5. نمودار جعبه ضرایب تغییرات حجم ترافیک دوچرخه در مکان های تصادفی بسته به تعداد اجراهای شبیه سازی. هر جعبه نشان دهنده میانگین ضرایب، انحرافات استاندارد و مقادیر حداکثر و حداقل است.

شکل 6. مجموع روزانه دوچرخه سواران پیموده شده در ایستگاه ها و میانگین میانگین خطاهای مطلق بر اساس سناریو.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

چکیده

کلید واژه ها:

1. مقدمه