واقعی شدن: چالش ایجاد و اعتبارسنجی یک دوقلوی دیجیتالی در مقیاس بزرگ از ترافیک بارسلون با داده های تجربی

ریزشبیه‌سازی‌های در مقیاس بزرگ ابزارهای مدبرانه‌ای برای تجزیه و تحلیل دقیق اثرات در سطح شهر و سناریوهای جایگزین تصمیم‌های خط‌مشی ما هستند که ایده‌آل «دوقلوهای دیجیتال شهری» را تقریب می‌کنند. با این حال، این مدل‌ها پرهزینه و غیرعملی هستند و به‌طور شگفت‌انگیزی تعداد کمی از نمونه‌های منتشر شده وجود دارد که با داده‌های تجربی تأیید شده است. بنابراین، این مقاله یک ریزشبیه‌سازی ترافیک مبتنی بر عامل در مقیاس بزرگ را برای منطقه شهری بارسلون با استفاده از SUMO ارائه می‌کند تا امکانات و چالش‌های ساخت این سناریوها را بر اساس داده‌های بزرگ تجربی جدید و ریزدانه نشان دهد. این داده‌های حرکتی جدید از سوابق واقعی تلفن همراه را با بررسی‌های معمولی ترکیب می‌کند تا مدل را با مقایسه دو روش تخصیص دینامیکی مختلف برای شبیه‌سازی واقعی و کارآمد از نظر عملیاتی کالیبره کند. از جمله از طریق ترافیک و استفاده از یک رویکرد مسیریابی تطبیقی تصادفی منجر به یک مدل 24 ساعته بزرگتر و نزدیکتر به واقعیت می شود. بر اساس یک ارزیابی چند مقیاسی گسترده از جمله شمارش ترافیک، توزیع ساعتی سفرها، و معیارهای کلان، این مدل سناریوهای بزرگ مقیاس قبلی را گسترش می‌دهد و عملکرد بهتری دارد، که فرصت‌های عملیاتی جدیدی را در ایجاد مشارکت و سیاست شهری فراهم می‌کند. تازگی این کار متکی به رویکرد مدل‌سازی مؤثر با استفاده از داده‌های جدید موجود و ارزیابی قوی واقع‌بینانه است. این امکان شناسایی چالش‌های اساسی شبیه‌سازی را برای ثبت دقیق سیستم‌های دینامیکی دنیای واقعی و قدرت پیش‌بینی آن‌ها در مقیاس بزرگ فراهم می‌کند، حتی زمانی که با داده‌های بزرگ تغذیه می‌شوند، همانطور که توسط مفهوم دوقلوی دیجیتال اعمال شده در شهرهای هوشمند پیش‌بینی شده است. بر اساس یک ارزیابی چند مقیاسی گسترده از جمله شمارش ترافیک، توزیع ساعتی سفرها، و معیارهای کلان، این مدل سناریوهای بزرگ مقیاس قبلی را گسترش می‌دهد و عملکرد بهتری دارد، که فرصت‌های عملیاتی جدیدی را در ایجاد مشارکت و سیاست شهری فراهم می‌کند. تازگی این کار متکی به رویکرد مدل‌سازی مؤثر با استفاده از داده‌های جدید موجود و ارزیابی قوی واقع‌بینانه است. این امکان شناسایی چالش‌های اساسی شبیه‌سازی را برای ثبت دقیق سیستم‌های دینامیکی دنیای واقعی و قدرت پیش‌بینی آن‌ها در مقیاس بزرگ فراهم می‌کند، حتی زمانی که با داده‌های بزرگ تغذیه می‌شوند، همانطور که توسط مفهوم دوقلوی دیجیتال اعمال شده در شهرهای هوشمند پیش‌بینی شده است. بر اساس یک ارزیابی چند مقیاسی گسترده از جمله شمارش ترافیک، توزیع ساعتی سفرها، و معیارهای کلان، این مدل سناریوهای بزرگ مقیاس قبلی را گسترش می‌دهد و عملکرد بهتری دارد، که فرصت‌های عملیاتی جدیدی را در ایجاد مشارکت و سیاست شهری فراهم می‌کند. تازگی این کار متکی به رویکرد مدل‌سازی مؤثر با استفاده از داده‌های جدید موجود و ارزیابی قوی واقع‌بینانه است. این امکان شناسایی چالش‌های اساسی شبیه‌سازی را برای ثبت دقیق سیستم‌های دینامیکی دنیای واقعی و قدرت پیش‌بینی آن‌ها در مقیاس بزرگ فراهم می‌کند، حتی زمانی که با داده‌های بزرگ تغذیه می‌شوند، همانطور که توسط مفهوم دوقلوی دیجیتال اعمال شده در شهرهای هوشمند پیش‌بینی شده است. که فرصت های عملیاتی جدیدی را در هم آفرینی و سیاست گذاری شهر فراهم می کند. تازگی این کار متکی به رویکرد مدل‌سازی مؤثر با استفاده از داده‌های جدید موجود و ارزیابی قوی واقع‌بینانه است. این امکان شناسایی چالش‌های اساسی شبیه‌سازی را برای ثبت دقیق سیستم‌های دینامیکی دنیای واقعی و قدرت پیش‌بینی آن‌ها در مقیاس بزرگ فراهم می‌کند، حتی زمانی که با داده‌های بزرگ تغذیه می‌شوند، همانطور که توسط مفهوم دوقلوی دیجیتال اعمال شده در شهرهای هوشمند پیش‌بینی شده است. که فرصت های عملیاتی جدیدی را در هم آفرینی و سیاست گذاری شهر فراهم می کند. تازگی این کار متکی به رویکرد مدل‌سازی مؤثر با استفاده از داده‌های جدید موجود و ارزیابی قوی واقع‌بینانه است. این امکان شناسایی چالش‌های اساسی شبیه‌سازی را برای ثبت دقیق سیستم‌های دینامیکی دنیای واقعی و قدرت پیش‌بینی آن‌ها در مقیاس بزرگ فراهم می‌کند، حتی زمانی که با داده‌های بزرگ تغذیه می‌شوند، همانطور که توسط مفهوم دوقلوی دیجیتال اعمال شده در شهرهای هوشمند پیش‌بینی شده است.

کلید واژه ها:

میکرو شبیه سازی ترافیک ; داده های واقعی ؛ اعتبار سنجی ; SUMO ; دوقلو دیجیتال شهری ; شهرهای هوشمند ؛ در مقیاس بزرگ ؛ داده های تلفن همراه

1. مقدمه

شهرها سیستم های پیچیده ای هستند [ 1 ] که دارای رفتار غیر ساکن هستند [ 2] یعنی دائماً در حال تغییر و تحول هستند. برای افزایش کیفیت و انعطاف پذیری مناطق شهری، اشکال جدیدی از تحرک، همراه با الگوهای مختلف کاربری (زمین) و طراحی مجدد فضاها پیشنهاد شده است که معمولاً با هرج و مرج به اندازه نظم مشخص می شوند. این باعث می شود آنها برای رویکردهای کنترل سنتی نامناسب باشند، زیرا شرایط و مشکلات درگیر همیشه در حال تغییر هستند. این پیچیدگی تنظیمات شهری، ارزیابی و ارزیابی بازخورد، اثرات جانبی و آبشاری سیاست‌ها، تصمیم‌گیری‌ها و رفتارها را به‌ویژه دشوار می‌کند. متأسفانه، آزمایش در محیط‌های واقعی پرهزینه، پرخطر، گاهی غیراخلاقی و اغلب غیرممکن است. حتی در مورد خلبانی، امکان برون یابی و مقیاس بندی نتایج مشکوک است.

روش دیگر، امکان توسعه مدل‌های شبیه‌سازی مبتنی بر کامپیوتر است که سعی می‌کنند عملکرد یک شهر را تا حد امکان دقیق نشان دهند [ 3 ]. توسعه چنین سناریوهای مجازی امکان آزمایش، ارزیابی و اندازه‌گیری تأثیر تغییر را با هزینه و ریسک کاهش می‌دهد، با انعطاف‌پذیری بالاتر و ظرفیت کنترل شرایط بهتر از حد ممکن در زندگی واقعی. این دوقلوهای دیجیتالی به اصطلاح [ 4 ] با داده های شهر هوشمند (تا حدی بلادرنگ) تغذیه می شوند [ 5 ] و هدف بسیاری از شهرها هستند [ 6 ، 7 ، 8 ، 9 ، 10 ، 11 ]، در نتیجه سنت طولانی را پیش می برند. شبیه سازی شهری [ 12, 13 , 14 , 15 ] به لبه برش فناوری. گسترش تدریجی سیستم‌های فیزیکی سایبری [ 16 ، 17 ] به فرصتی قدرتمند برای مدیریت بلادرنگ، برای پیش‌بینی نتایج احتمالی برنامه‌ریزی و تصمیم‌گیری‌های خط‌مشی قبل از اجرا، و برای تقویت هم‌آفرینی و مشارکت شهروندان تبدیل می‌شود [ 5 ].

با این حال، بسیاری از تغییرات پیش بینی شده در مقیاس کوچک و فرکانس بالا هستند [ 3 ، 18 ]. یعنی در مقیاس ادراک و تجارب مردم، مانند رفت و آمد رانندگان، اشکال جدید تحرک، پیکربندی فضایی ساختمان‌ها، خیابان‌ها و فضاهای عمومی، طراحی زیرساخت‌ها، و ظهور سیستم‌های دیجیتالی هوشمند جدید. . بنابراین، استفاده از شبیه‌سازی‌ها به‌عنوان ابزار برنامه‌ریزی نیاز به سطح بالایی از تفسیرپذیری و جزئیات به‌دست‌آمده از قابلیت‌های ریزشبیه‌سازی دارد [ 19 ]. با وجود تمام جزئیات، عمق و غنای اطلاعاتی که در دسترس قرار می‌گیرند، لازم است که ساده‌سازی لازم در نظر گرفته شود [ 3 ]]، کیفیت های غیرقابل اندازه گیری، و همچنین محدودیت ها و عدم قطعیت ها در مورد رفتار مردم و سیستم های اجتماعی-فرهنگی، که باید لحاظ شوند [ 20 ].

بنابراین، چالش ایجاد و اعتبارسنجی واقعی یک ریزشبیه‌سازی از یک منطقه شهری بزرگ، برای مطالعه در مقیاس کوچکی از جزئیات سیاست‌های کل شهر است. این مقاله خط لوله ای را برای ایجاد یک دوقلو دیجیتال برای جریان ترافیک در منطقه شهری بزرگ، متراکم و شلوغ بارسلون، اسپانیا، بر اساس داده های جدید تحرک تلفن همراه و پایگاه های داده در دسترس عموم با استفاده از چارچوب میکروشبیه سازی مبتنی بر عامل SUMO ارائه می کند. 21 ]. ساختار مقاله به شرح زیر است. بخش 1.1 سناریوهای میکروشبیه‌سازی شهری در مقیاس بزرگ را معرفی می‌کند. بخش 2 خط لوله برای ساخت مدل پیشنهادی، از جمله پیش کالیبراسیون پارامترها را شرح می دهد. بخش 3ارزیابی نتایج سناریوهای شبیه‌سازی را بر اساس یک مقایسه قوی چند متغیره با داده‌های اندازه‌گیری شده واقعی، یعنی با توجه به معیارهای مختلف در مقیاس‌های زمانی- مکانی مختلف توضیح می‌دهد. در نهایت، بخش 4 محدودیت ها، کاربردهای احتمالی و تحقیقات بالقوه آینده را گسترش می دهد.

1.1. سناریوهای ریزشبیه سازی شهری در مقیاس بزرگ موجود

ریزشبیه‌سازی‌های مبتنی بر عامل از این منطق پیروی می‌کنند که اثرات مقیاس بزرگ‌تر مشاهده‌شده در واقعیت فیزیکی را می‌توان با تجمیع ویژگی‌ها و رفتارهای فردی شبیه‌سازی‌شده عوامل در مقیاس کوچک (مانند موقعیت، سرعت و شتاب فردی) به‌دست آورد [ 22 ]]. با این حال، آنها به مقادیر زیادی از داده های تفکیک شده دقیق و زمان پردازش طولانی نیاز دارند و به منابع محاسباتی قابل توجهی هم برای کالیبراسیون و هم برای اجرای آنها نیاز دارند. تعیین بسیاری از پارامترهای توصیف کننده رفتارهای فردی و تعاملات عوامل متعدد، از جمله چالش های اصلی در ساخت، کالیبراسیون و ارزیابی این مدل ها است. این منجر به مصالحه از نظر واقع‌گرایی می‌شود، در حالی که باید در نظر داشت که خطاهای جزئی در هر یک از این مؤلفه‌ها ممکن است منتشر و انباشته شوند و در نتیجه انحرافات یا حتی نتایج نادرست ایجاد کنند [ 23 ].

نمونه‌های نسبتاً کمی منتشر شده از سناریوهای شهری در مقیاس بزرگ کامل، جامع و معتبر با استفاده از ریزشبیه‌سازی‌ها نشان‌دهنده این پیچیدگی است. تنظیمات شهری حتی برای کالیبراسیون و ساختن نسبت به تنظیمات بین شهری معادل [ 24 ، 25 ] چالش برانگیزتر است، زیرا سطوح بسیار بالایی از تقاضای تحرک متمرکز در مناطق کوچک با شبکه های پیچیده، متراکم و پیچیده است.

نمونه‌های متعدد ساخت، کالیبراسیون و اعتبارسنجی شبیه‌سازی‌های ترافیک در ادبیات علمی و سیاست‌گذاری [ 11 ، 26 ، 27 ، 28 ، 29 ، 30 ] این پیچیدگی مبادله بین اندازه و سطح جزئیات را نشان می‌دهد: مدل‌های مقیاس بزرگ مناسب‌تر هستند. برای رویکردهای ماکرو و مزوسکوپی، در حالی که ریزشبیه‌سازی‌های دقیق بر سناریوهای کوچک‌تر تمرکز می‌کنند [ 31 ]. این امکانات عملیاتی آنها را محدود می کند و مطالعه دقیق مداخلات و سیاست های سطح شهر را محدود می کند [ 32 ]. دقیقاً، این مقاله بر روی این شکاف در ادبیات شبیه‌سازی شهری تمرکز می‌کند: فقدان سناریوهای شهری در مقیاس بزرگ که از ریزشبیه‌سازی ترافیک استفاده می‌کنند.33 ، 34 ، 35 ]، و فاقد اعتبار سنجی کمی قوی با داده های واقعی [ 33 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ] ( جدول A1 را ببینید ). بررسی سناریوهای معدودی که یک حوزه بزرگ مقیاس را با یک رویکرد میکروسکوپی ترکیب می‌کنند، از طراحی خط لوله داده جدید پیشنهادی برای ساخت، کالیبراسیون و اعتبارسنجی مدل پشتیبانی می‌کند و در عین حال می‌تواند چالش‌های موجود را برجسته و برطرف کند:

سناریوهای میکروسکوپی شهری بزرگ پیچیده و کند هستند، که مانع ریزشبیه‌سازی‌ها در مدت زمان طولانی و همچنین کالیبراسیون آن‌ها می‌شود (نیاز به اجراهای متعدد با مجموعه‌های پارامترهای مختلف).
این باعث سازش بین کارایی و واقع گرایی می شود.
اعتبارسنجی اغلب مبتنی بر ارزیابی کیفی نتایج است یا فاقد مقایسه کمی با اندازه‌گیری‌های تجربی است (نیاز به مجموعه داده‌ای متفاوت از آنچه برای کالیبراسیون استفاده می‌شود).
داده های تجربی مورد نیاز اغلب ناقص یا نادرست هستند.

با این حال، فراتر از ترکیب‌های مختلف منابع داده و استراتژی‌های ایجاد تقاضا که توسط این شبیه‌سازی‌های شهری استفاده می‌شود، مرتبط‌ترین تفاوت‌های آنها در اندازه و روش‌های اعتبارسنجی آن‌ها است. فقدان رویکردهای رایج و تفاوت در داده‌های مشاهده‌ای موجود در هر مکان برای اعتبارسنجی، ارزیابی نتایج و در نتیجه مقایسه آنها را از نظر اندازه، مدت زمان و واقع‌گرایی دشوار می‌سازد.

بنابراین، این مقاله نمونه‌های موجود را تجزیه و تحلیل می‌کند تا شبیه‌سازی‌های شهری میکروسکوپی در مقیاس بزرگ را با اعتبارسنجی واقعی چند مقیاسی که توسط داده‌های رصدی پشتیبانی می‌شود، توسعه دهد. هدف آن ارائه مسیری امکان‌پذیر برای بررسی قابلیت‌ها و محدودیت‌های عملیاتی جدید آن‌ها، هم در مراحل کاربردی و هم در مراحل توسعه در راستای علاقه روزافزون به اصطلاح «دوقلوهای دیجیتال» است.

از این رو، ریزشبیه‌سازی پیشنهادی برای منطقه بزرگ شهری بارسلون داده‌های تحرک جدید از سوابق تلفن همراه و نظرسنجی‌های سنتی عمومی را با داده‌های شبکه شهری دقیق استخراج‌شده از OpenStreetMap ترکیب می‌کند. اعتبار سنجی کمی بر اساس مجموعه داده های تجربی مختلف در طول 24 ساعت با استفاده از معیارهای مختلف است. در نتیجه، گزارش شده است که این مدل یکی از کامل‌ترین ریزشبیه‌سازی‌های ترافیک شهری در مقیاس بزرگ منتشر شده در رابطه با دامنه، اندازه شبکه، مدت زمان و واقع‌گرایی (اعتبارسنجی) است. از این رو، این احتمالاً دقیق‌ترین سناریوی شبیه‌سازی مبتنی بر مدل‌های دنبال کردن خودرو و انتخاب مسیر به‌موقع است که در حال حاضر شناخته شده است، که به ما امکان می‌دهد پتانسیل‌ها، چالش‌ها و محدودیت‌های رویکرد «دوقلو دیجیتال» از جمله امکان‌سنجی فنی را قضاوت کنیم. مفهوم، ایمنی آن، تأثیر اجتماعی،بخش 4 ).

2. مواد و روشها: ساخت سناریو

ساخت یک مدل ریزشبیه‌سازی جدید برای منطقه شهری بارسلون مبتنی بر استفاده از منابع داده سنتی، از جمله اطلاعات جغرافیایی در دسترس عموم و بررسی‌های مرسوم، و همچنین داده‌های بزرگ جدید، به‌ویژه داده‌های تحرک ناشناس از سوابق موقعیت جغرافیایی تلفن‌های همراه است. خط لوله عمومی ( شکل 1) سه مرحله اصلی برای ساخت سناریو را نشان می دهد. اولین مرحله شامل تولید شبکه سیستم حمل و نقل و تقاضای سفر است. در مرحله دوم، تقاضای سفر برای یافتن توزیع فضایی کارآمد مسیرها از طریق ریزشبیه‌سازی‌ها تطبیق داده می‌شود. در نهایت، مرحله سوم نتایج ریزشبیه‌سازی‌های حاصل از مرحله دو را با داده‌های دنیای واقعی مقایسه می‌کند تا ارزیابی کند که مدل چقدر با حقیقت تجربی تجربی مطابقت دارد.

نرم‌افزار ریزشبیه‌سازی SUMO [ 21 ] مخصوصاً برای این منظور مناسب است زیرا طراحی منبع باز آن، قابلیت‌های میکروسکوپی و مزوسکوپی را ارائه می‌دهد که می‌تواند به راحتی توضیحات مفصلی از تعاملات [ 19 ] ارائه دهد و تطبیق پذیری زیاد برای سناریوسازی [ 42 ، 43 ]. از جمله، از قالب‌های داده‌های مختلف، مدل‌سازی تقاضا بر اساس جمعیت‌های مصنوعی و واقعی، رویکردهای تخصیص مختلف و روش‌های انتخاب مسیر [ 44 ، 45 ]، و همچنین الگوریتم‌های مسیریابی [ 46 ، 47 ، 48 ] پشتیبانی می‌کند.

ساخت یک مدل شهری برای شبیه‌سازی الگوهای تحرک به دو جزء اساسی نیاز دارد: (1) یک شبکه، به عنوان محیط مجازی که در آن عوامل حرکت می‌کنند، و (ب) یک الگوی تقاضا که جریان‌ها را بین مکان‌های مختلف مکان‌های ذکر شده ایجاد می‌کند. شبکه. در این مورد، تمرکز مطالعه بر تعامل بین زیرساخت جاده (عمومی) و ترافیک وسایل نقلیه (خصوصی) است. در اینجا، حمل و نقل عمومی و جریان بار (حدود 5٪ از جریان ترافیک) در نظر گرفته نمی شود.

2.1. محدوده جغرافیایی

اجرای مدل ریزشبیه سازی بیش از خود شهر بارسلون را پوشش می دهد ( شکل 2 ). انتخاب منطقه شهری بارسلونا ( Regió Metropolitana de Barcelona یا RMB) به عنوان منطقه اولیه گسترده مدل، بزرگتر از خود شهر، اجازه می دهد تا ترافیک مربوطه را برای منطقه اصلی در نظر بگیرید. RMB دارای وسعت 3126 کیلومتر مربع است ^و حدود 5103000 نفر (حدود 40 درصد سطح و 90 درصد از جمعیت استان بارسلون) را در خود جای داده است. این شامل شهرستان ها ( comarques) Alt Penedès، Baix Llobregat، Barcelonès، Garraf، Maresme، Vallès Occidental و Vallès Oriental. علاوه بر این، نظرسنجی ها از منطقه بندی جایگزین برای آمار تحرک، بر اساس زیرمناطق یا کمربندهای شهری متحدالمرکز (شهر بارسلونا، بقیه منطقه شهری داخلی، منطقه شهری بیرونی، و بقیه RMB) استفاده می کنند ( شکل 2 a). در مجموع، سفرهای وسیله نقلیه بین بارسلونا و هر یک از مکان‌های درون RMB نشان دهنده 96٪ از کل سفرهای روزانه با ماشین اندازه‌گیری شده در شهر است (یعنی کمتر از 4٪ از سفرهای ماشینی در محدوده شهر بارسلونا مربوط به مکان‌های خارج از شهر است. RMB) [ 49 ] ( جدول 1 ).

بنابراین، این گستره فضایی گسترش یافته اجازه می دهد تا تقاضای ترافیک کامل را در قسمت متراکم تر منطقه شهری بارسلون به تصویر بکشد. متفاوت از سناریوهای ریزشبیه‌سازی قبلی منتشر شده، که در آن اندازه و پیچیدگی شبکه در مناطق شهری گسترده اغلب برش داده می‌شود یا از نظر توپولوژیکی ساده‌سازی می‌شود [ 50 ، 51 ]، در این تحقیق، منطقه شهری توسعه‌یافته (RMB) در ابتدا با جزئیات کامل شبیه‌سازی می‌شود تا توزیع فضایی کامل سفرها در منطقه مرکزی. این منطقه اصلی (نگاه کنید به شکل 2 ب) بر اساس تقسیمات اداری نیست، بلکه بر اساس خصوصیات عملکردی و گونه‌شناختی تعریف شده توسط جاده‌های کمربندی اصلی شهر (یعنی Ronda Dalt و Ronda Litoral،از این رو نام آن، Rondes است). این شامل منطقه ساخته شده از شهر بارسلون و بخش هایی از چند شهرداری اطراف آن (l’Hospitalet de Llobregat، Cornellà de Llobregat، Esplugues de Llobregat، el Prat de Llobregat، Sant Adrià de Besòs، Santa Coloma de Gramenet، و مونکادا و ریکساک). این سازش بین واقع‌گرایی و ساده‌سازی، امکان حفظ یک نمایش واقعی از کل تقاضای ترافیک یک منطقه شهری بسیار بزرگ را بدون ساده‌سازی فراهم می‌کند و در عین حال پیچیدگی شبکه را تا حد معقولی با تمرکز بر بخشی از منطقه شهری که از بالاترین سطح ازدحام رنج می‌برد، حفظ می‌کند. یعنی Rondes).

2.2. شبکه حمل و نقل

برای ایجاد شبکه شهری، استفاده از پلتفرم های مشارکتی داده های جغرافیایی منبع باز را با درجه بالایی از دقت ارائه می دهد. OpenStreetMap (OSM) [ 52 ] احتمالاً نه تنها شناخته شده ترین نمونه از اطلاعات جغرافیایی داوطلبانه (VGI) [ 53 ] است، بلکه توسط شرکت ها به عنوان یک جایگزین نقشه برداری برای فناوری هایی مانند Google Maps [ 54 ] استفاده می شود. علاوه بر این، SUMO ابزارهای مناسبی را برای تبدیل داده های OSM به شبکه های مناسب برای ریزشبیه سازی فراهم می کند.

با توجه به منطقه بزرگی که باید مدل‌سازی شود، یک اسکریپت مبتنی بر OSMNX [ 55 ] برای بارگیری داده‌های OpenStreetMap [ 56 ] در قالب XML با استفاده از Overpass API [ 57 ] تطبیق داده می‌شود، و تمام ویژگی‌های مربوطه را برای یک ریزشبیه‌سازی، از جمله محدودیت‌های دسترسی و چرخش حفظ می‌کند. محدودیت سرعت، اولویت و طبقه راهها، جهت گردش، علائم راهنمایی و رانندگی و تعداد خطوط. ابزار تبدیل شبکه SUMO [ 58]، اجازه می دهد تا این فایل OSM XML را به یک شبکه جاده هدایت شده مناسب تبدیل کند که تمام ویژگی های مربوطه را در قالب شبکه SUMO رمزگذاری می کند. این فرآیند متکی به تعداد زیادی اکتشافی است که سعی می‌کنند ویژگی‌های اصلی OSM را به ویژگی‌های اتصال ترجمه کنند، به ویژه در مورد طرح تقاطع‌ها، حقوق دسترسی، و موقعیت‌یابی و هماهنگی تنظیمات چراغ‌های راهنمایی.

توجه داشته باشید که کیفیت متناقض داده های OSM [ 53 ] مستقیماً بر ایجاد شبکه تأثیر می گذارد [ 59 ]. مشخصات نادرست در ویژگی های نقشه برداری مانند طرح تقاطع ها، تعداد خطوط، محدودیت های سرعت، یا محدودیت های ترافیکی منجر به نتایج شبیه سازی غیرواقعی می شود که می تواند عملکرد مدل را به طور قابل توجهی تحت تاثیر قرار دهد، به عنوان مثال، کاهش تردد ترافیک ( شکل 3 را ببینید ).

برای اولویت‌بندی کار گسترده اصلاح شبکه بزرگ جاده‌ای، چه به دلیل خطاهای ناشی از مشخصات نادرست نقشه‌برداری، نتایج نادرست اکتشافی تبدیل SUMO یا ترکیبی از هر دو، دو رویکرد مکمل اعمال می‌شوند:

اجراهای شبیه‌سازی کوتاه با استفاده از تخصیص مستقیم تقاضای ترافیک برای شناسایی خطاهای اصلی که مانع عملکرد ترافیک می‌شوند، استفاده می‌شوند.
تصاویر ماهواره ای [ 60 ، 61 ، 62 ، 63 ] و سطح خیابان [ 64 ، 65 ] به عنوان مرجع مستقل شخص ثالث (حقیقت زمینی) برای اصلاح استفاده می شوند.

اکثر اصلاحات مورد نیاز مستقیماً روی سرورهای OSM انجام شد و با بهبود و به روز رسانی کیفیت نقشه در منطقه، به هدف مشترک پلت فرم کمک کرد. برخی از تنظیمات دقیق مستقیماً در فایل نهایی SUMO net، با استفاده از ابزار netdit SUMO [ 66 ] انجام شده است، و خطاهای ناشی از اکتشافی تبدیل netconvert ، به ویژه در مورد تقاطع ها و چراغ های راهنمایی را تصحیح می کند. طرح های چراغ راهنمایی یک ویژگی بسیار مرتبط هستند. در مدل فعلی، سیستم چراغ راهنمایی واقعی مورد استفاده شهر در دسترس ما نبود و از این رو از آن استفاده نمی شد. برای شبیه سازی یک مدیریت واقعی، ساده و کارآمد تقاطع های تنظیم شده، فعال می شودگزینه SUMO برای همه طرح های چراغ راهنمایی انتخاب شده است [ 67 ]. در نتیجه، شبکه در منطقه شبیه‌سازی شده گسترده (RMB) ترکیبی از مناطق شهری، حومه‌ای و روستایی را پوشش می‌دهد. به طور متفاوت، منطقه هسته (Rondes) دارای ویژگی شهری و متراکم است ( شکل 4 و جدول 2 برای جزئیات شبکه).

2.3. ایجاد تقاضا

هدف رویکردی که در تولید تقاضا دنبال می شود، جلوگیری از دست کم گرفتن جریان ترافیک واقعی است، همانطور که به نظر می رسد در بسیاری از ریزشبیه سازی ها اتفاق می افتد. به طور کلی، انتظار می رود که ترافیک در یک منطقه ناشی از سفرهایی باشد که مبدأ یا مقصد خود را در آن منطقه دارند و همچنین از طریق ترافیکی که مبدأ و به جای دیگری ختم می شود. برای مقابله با این وضعیت، یک توزیع مکانی و زمانی اولیه از ترافیک برای منطقه شبیه‌سازی گسترده (RMB) ایجاد می‌شود تا بخشی از ترافیک را که مستقیماً بر منطقه مرکزی شهری (Rondes) تأثیر می‌گذارد، شناسایی کند، که نتایج واقعی‌تری نسبت به نادیده گرفتن مستقیم از آن ارائه می‌کند. ترافیک (به بخش 3 برای مقایسه نتایج بدون در نظر گرفتن ترافیک مراجعه کنید).

دو منبع به طور مکمل برای تولید تقاضای ترافیک استفاده می شود:

در اصل، الگوهای ترافیک از ماتریس های مبدا/مقصد (O/D) تخمین زده شده از داده های تلفن همراه استخراج می شوند [ 68 ، 69 ]. این روش تخمین مستقیم جریان‌ها را بین مناطق کوچک‌تر ارائه می‌کند (در اینجا نواحی به مناطق آماری مورد استفاده توسط موسسه آمار کاتالان ( IDESCAT) اشاره دارد . دانه بندی و نمونه برداری بزرگتر، غلبه بر محدودیت های تخمین ها از نظرسنجی های خود گزارش شده [ 70]. با توجه به تمرکز بر ترافیک وسایل نقلیه، تنها ماتریس O/D خاص برای سفرهای روزانه وسایل نقلیه شخصی در طول یک روز کاری در نظر گرفته می‌شود، که حاصل از داده‌های خام تلفن همراه پردازش شده بر اساس تقسیم مودال از نظرسنجی‌های تحرک و داده‌های حمل و نقل عمومی سواری است.
سپس، بررسی‌های متعارف تحرک [ 49 ، 71 ] به طور مکمل برای گسترش و تصحیح ماتریس O/D، به‌ویژه، برای پر کردن برخی از شکاف‌ها مانند توزیع واقعی ساعتی سفرها استفاده می‌شوند. مشاهده شده است که روش استنباط الگوهای تحرک بر اساس سوابق مکان تلفن همراه تمایل به تخمین بیش از حد سفرها دارد [ 68 ].

بنابراین، (1) داده‌های تلفن همراه، نسبت‌های دقیق جریان‌ها را بین نواحی با دانه‌بندی غیرممکن برای داده‌های نظرسنجی تعیین می‌کنند، در حالی که (2) داده‌های بررسی تعداد کلی سفرها را تعیین می‌کنند (که سفرهای جزئی را به‌عنوان سلول به حساب نمی‌آیند. داده های تلفن اغلب انجام می شود).

این جریان های O/D از نظر فضایی در سطح مناطق IDESCAT جمع می شوند ( شکل 2 را ببینید ). این مناطق به عنوان مناطق حمل و نقل یا تجزیه و تحلیل ترافیک (TAZ) در نظر گرفته می شوند برای ارجاع جغرافیایی سفرها استفاده می شوند. SUMO اسکریپت edgesInDistricts [ 72 ] را برای ارجاع لبه های شبکه به TAZ ها ارائه می کند، به گونه ای که مبدا و مقصد سفرها به موقعیت های تعریف شده در شبکه حمل و نقل مرتبط می شوند.

در ابتدا، تقاضای ترافیک برای کل منطقه گسترده (RMB) با استفاده از پارامترهای پیش‌فرض در SUMO مدل‌سازی می‌شود. بعداً، تمام جریان‌های O/D، که به طور بالقوه ممکن است بر ناحیه شبیه‌سازی هسته (Rondes) تأثیر بگذارند، حفظ می‌شوند، اما جریان‌های ترافیک محیطی بین AMB بیرونی و RMB بیرونی نادیده گرفته می‌شوند. این برای عملکرد محاسباتی نیز مفید است.

همانطور که اشاره شد، مسائل اصلی ماتریس های O/D این وسایل نقلیه خصوصی از داده های تلفن همراه، برآورد بیش از حد سفرهای اندازه گیری شده و عدم توزیع تفکیک شده ساعتی است. از این رو، با الهام از رویکردهای ترکیب داده ها، که داده های تلفن همراه را با منابع دیگر ترکیب می کند [ 73 ]، این مدل از بررسی های تحرک برای تکمیل داده های O/D استفاده می کند. به ویژه، این بررسی‌ها هیستوگرام‌های ساعتی سفرها را به تفکیک زیرمناطق حمل‌ونقل RMB و نحوه حمل و نقل ارائه می‌کنند [ 49 ]. این روش جدید پیاده سازی شده برای تصحیح و گسترش داده های O/D در دو مرحله انجام می شود:

TAZ ها بر اساس زیرمنطقه RMB حمل و نقل گروه بندی می شوند. سپس، به دنبال نشانه‌های محققان مسئول تجزیه و تحلیل اصلی داده‌های تلفن همراه، جریان‌های O/D به‌طور خطی مقیاس‌بندی می‌شوند به طوری که تعداد سفرها برای هر یک از این زیرمنطقه‌ها اندازه‌گیری شده توسط بررسی‌های تحرک سالانه [ 49 ، 71 ] مطابقت دارد. ] که به عنوان مراجع دقیق در مدلسازی و برنامه ریزی حمل و نقل به شمار می روند [ 73 ]. هر زیر منطقه به مقیاس متفاوتی نیاز دارد، زیرا خطاها در تخمین سفرها از داده های تلفن همراه با طول سفر، تراکم جمعیت و غلظت آنتن ها متفاوت است [ 68 ، 70 ].
داده‌های O/D با مقیاس تصحیح شده و تفکیک شده ساعتی به‌دست‌آمده در مرحله اول، تعداد متقارن سفرها بین مناطق مختلف را فرض می‌کنند (یعنی، سفرهای خروجی و ورودی در هر ساعت از روز برابر فرض می‌شوند). البته این غیر واقعی است (به عنوان مثال، مناطق مسکونی تمایل دارند سفرهای خروجی بیشتری را در صبح به سمت مناطق کاری ارسال کنند، در حالی که آنها تمایل دارند سفرهای ورودی بیشتری در بعد از ظهر و عصر برای مسافران بازگشتی داشته باشند). برای محاسبه جریان‌های نامتعادل بین مناطق، هیستوگرام ساعتی سفرها توسط عاملی بر اساس توزیع‌های نرمال کج برای ساعات اوج سفرهای ورودی و خروجی در صبح و بعدازظهر/عصر [ 74 ] تصحیح می‌شود که با استفاده از نسبت جذب و انتشار ( Ràtio d’atracció i Emissió، RAE) [ 49 ]. به دلیل فقدان داده‌های تفکیک‌شده‌تر، سفرهایی که در همان زیرمنطقه حمل‌ونقل باقی می‌مانند به طور متقارن در طول روز در نظر گرفته می‌شوند.

در نتیجه، 16 ماتریس O/D مختلف برای روابط زوجی بین چهار زیرمنطقه RMB حمل‌ونقل ایجاد می‌شود که سفرهای داخلی، ورودی و خروجی را با توزیع‌های ساعتی متمایزشان محاسبه می‌کند. به عنوان مثال، مناطقی که مکان‌های کاری زیادی دارند معمولاً اوج صبح ورودی و اوج خروجی بعد از ظهر یا عصر دارند.

در مرحله بعدی، تمام این اطلاعات سری زمانی در SUMO با استفاده از od2trips [ 75 ] با آرگومان خط زمانی برای تبدیل ماتریس‌های O/D خام به فایل‌های سفر ارجاع‌شده به شبکه حمل‌ونقل با توزیع ساعتی مناسب، ادغام می‌شوند. تقاضای سفر اولیه ایجاد شده توسط ماتریس های O/D با زمان و لبه حرکت و لبه مقصد در شبکه برای هر وسیله نقلیه یا سفر تعریف می شود. متأسفانه، این کل مسیر مورد نیاز برای شناسایی سفرهایی که از منطقه اصلی عبور می کنند را ارائه نمی دهد. بنابراین، duarouter برای مسیریابی همه سفرها با روش انتساب مستقیم کاربر (DUA) استفاده می شود [ 76 ]]. اگرچه این رویکرد انتساب ساده تنها زمانی که شبکه خالی است (یعنی بدون در نظر گرفتن تغییر شرایط ترافیک و زمان سفر در طول روز) مسیر بهینه را فراهم می کند، اما به عنوان مرجعی برای ایجاد توزیع اولیه استفاده می شود که بعداً تطبیق و بهینه می شود.

هنگامی که مسیریابی DUA برای ناحیه گسترده (RMB) انجام می شود، ابزار cutRoutes SUMO [ 77 ] برای برش مسیرهای به دست آمده، که از شبکه کوچکتر اما بسیار متراکم ناحیه هسته (Rondes) عبور می کنند، استفاده می شود. این سناریویی است که برای تحلیل ها و شبیه سازی های دقیق استفاده می شود. از 3,185,185 سفر با وسایل نقلیه شخصی که در ابتدا برای کل منطقه توسعه یافته RMB محاسبه شده بود، 2,063,177 سفر برای عبور از بخشی از منطقه اصلی شهری بارسلون (روندز) مشخص شد ( جدول 2 را ببینید ). اینها در مدل نهایی تقاضای سفر گنجانده شده است.

2.4. کالیبراسیون پارامترهای شبیه سازی

پارامترهای متعدد درگیر در مدل‌های میکروسکوپی و زمان‌های اجرای طولانی آن‌ها (حدود 30 ساعت در این مورد) برای کالیبراسیون [ 26 ] مشکل‌ساز هستند و استفاده از بهینه‌سازی مبتنی بر شبیه‌سازی مرسوم [ 78 ] را غیرقابل حل می‌کنند [ 79 ]. این منجر به سازش در واقع گرایی می شود. آزمایش‌های اولیه مشخص کردند که جنبه‌هایی که بیشترین تأثیر را بر عملکرد شبیه‌سازی دارند، مرحله زمانی تعیین کننده وضوح زمانی، مدل انتخاب شده توسط خودرو و روند مسیریابی مجدد است:

مرحله زمانی شبیه سازی باید از 1 به 0.25 ثانیه کاهش یابد تا تغییر مداوم وضعیت ترافیک به اندازه کافی خوب تولید شود [ 80 ].
در غیر این صورت، پارامترهای پیش‌فرض مدل‌های دنبال کردن خودرو کراوس [ 81 ] و تغییر خط Erdmann [ 82 ] در SUMO استفاده می‌شوند و طول خودرو را تا 4 متر تنظیم می‌کنند. این به میانگین اندازه وسایل نقلیه در اسپانیا نزدیک‌تر است [ 83 ] و همچنین سهم فوق‌العاده بالایی از موتورسیکلت‌ها در بارسلونا را به خود اختصاص می‌دهد [ 49 ، 84 ].
دو پارامتر مرتبط با مسیریابی تجزیه و تحلیل می‌شوند: احتمال یک وسیله نقلیه برای به‌روزرسانی مسیر خود در طول شبیه‌سازی ( device.rerouting. probability ) [ 85 ] و اولویت تعیین‌شده جاده‌ها (weights.priority -factor ) همانطور که در داده‌های OSM کدگذاری می‌شود. برای یافتن بهترین مقادیر، ترکیب‌های پارامترهای مختلف توسط الگوریتمی بررسی می‌شوند که به‌طور مکرر شبیه‌سازی‌هایی را برای device.rerouting.probability با مقادیر بین 0.6 و 1.0 در مراحل 0.1 و وزن‌ها.priority -factor اجرا می‌کند.با مقادیر بین 0 تا 110 در مراحل 10. سپس نتایج بر اساس معیارهای مورد استفاده برای ارزیابی کلی مدل مقایسه می‌شوند: تعداد تله‌پورت‌ها (“Teleporting” مکانیزمی است که SUMO برای اجتناب از عوامل، به عنوان مثال، وسایل نقلیه یا وسایل نقلیه استفاده می‌کند. عابران پیاده، برای گیر افتادن نامحدود در شبیه سازی، با حرکت دادن آنها به لبه مسیر زیر، در صورت برخورد یا توقف برای مدت طولانی تر از یک دوره زمانی تعریف شده [ 86 ]. ) ضریب رگرسیون ، ^R2 ، RMSE، NRMSE، GEH برای تعداد ترافیک، و DTW برای سری زمانی تقاضا، برای توضیح معیارها به بخش 3 مراجعه کنید. در نتیجه، روش حداقل مقدار خطاها را به دست می آورد ( RNMSE_{تعداد ترافیک} ~ 0.385،_{تقاضای ساعتی} DTW ~ 3.5) و حداکثر ضریب همبستگی برای رگرسیون خطی ( ضریب ~ 0.91، R ² ~ 0.81) برای دستگاه. مسیریابی مجدد. احتمال = 1 و وزن ها . ضریب اولویت = 100 (نگاه کنید به ) .

2.5. انطباق تقاضا

جفت‌های O/D تنها منبع ایجاد تقاضای ترافیک هستند. این بدان معناست که هیچ حقیقت اساسی در مورد تعداد ترافیک، نسبت چرخش یا سایر داده های مشابه برای تحمیل تقاضا به گونه ای استفاده نمی شود که با واقعیت مطابقت داشته باشد. در عوض، نتایج انطباق بدون قید و شرط با «حقیقت پایه» تجربی برای اندازه‌گیری کیفیت مدل مقایسه می‌شود (به بخش 3 مراجعه کنید ).

ایجاد تقاضای اولیه بر اساس تخصیص مستقیم کاربر (DUA) ساده است زیرا: (1) تغییر شرایط ترافیکی در طول روز را در نظر نمی‌گیرد (یعنی سریع‌ترین مسیرها بسته به سطوح ازدحام ناشی از سایر وسایل نقلیه در مسیر تغییر می‌کند. شبکه)، و در غیر این صورت (ii) برای سناریوهای ترافیکی پیچیده تا حدودی ناکافی است. فرآیند انطباق تقاضا سعی می کند ترافیک را به طور واقعی و کارآمد به روشی وابسته به زمان بازتوزیع کند. اغلب، در شبیه‌سازی ترافیک، این فرآیند توسط الگوریتم‌های تعادل کاربر پویا (DUE) انجام می‌شود [ 45 ]، که اصل تعادل کاربر Wardrop را با این فرض گسترش می‌دهد که ترافیک تمایل به توزیع فضایی دارد به طوری که هیچ کاربری نمی‌تواند زمان سفر را با تغییر دادن بهبود بخشد. مسیر [87 ]. با این حال، انتخاب مسیر عمدتاً یک فرآیند احتمالی در نظر گرفته می‌شود، که این فرض را رد می‌کند که رانندگان دانش کامل و کاملی از شبکه برای بهینه‌سازی هزینه سفر خود دارند [ 88 ].

SUMO ابزار duIterate را برای تقریب DUE [ 45 ] از طریق یک فرآیند بهینه‌سازی تکراری که زمان کلی سفر (یا هر تابع هزینه معین دیگری را به حداقل می‌رساند) فراهم می‌کند. در هر اجرا، یک DUA برای انجام یک شبیه‌سازی کامل استفاده می‌شود که امکان محاسبه هزینه‌های سفر لبه‌ها را با در نظر گرفتن ازدحام متغیر شبکه بارگیری شده با ترافیک فراهم می‌کند. سپس، این برای محاسبه مسیرهای کم‌هزینه، که مبنای DUA در تکرار بعدی است، استفاده می‌شود. با تکرار چندین بار این فرآیند، الگوریتم تمایل دارد به راه حل تعادل نزدیک شود، که تصور می شود بهترین است. بنابراین، این مقاله برای سناریوهای بزرگتر از رویکردهای قبلی در تخصیص دینامیکی اکتشافی برای دستیابی به تعادل کاربر تصادفی [ 89 ] گسترش می‌یابد.] با پیشنهاد دو رویکرد بهینه سازی تکراری با استفاده از duIterate :

مسیریابی تطبیقی درون شبیه‌سازی (iSAR) از قابلیت‌های SUMO استفاده می‌کند تا به وسایل نقلیه اجازه دهد مسیرهای خود را در طول شبیه‌سازی به‌طور خودکار به‌روزرسانی کنند تا مسیری سریع‌تر بر اساس شرایط ترافیکی موجود پیدا کنند. این رویکرد مستقیماً به دنبال DUE نیست، بلکه سعی می‌کند با استفاده از یک استراتژی تطبیقی بسیار سریع، ترافیک را به طور کارآمد تطبیق دهد. علاوه بر این، ادغام این روش در روال duIterate امکان بررسی پایداری نتایج را فراهم می کند. ممکن است با شناسایی ساختارهای زیربنایی در تکامل هزینه‌های سفر شبکه، عملکرد تخصیص ترافیک را حتی بیشتر بهبود بخشید، اگرچه انتظار می‌رود که مسیریابی مجدد واکنشی در طول شبیه‌سازی بتواند بسیاری از این اثرات را برطرف کند.
تعادل کاربر پویا افزایشی تکراری (IIDUE) منحصراً به duIterate بستگی داردبرای اجرای مکرر شبیه سازی و DUA و انطباق توزیع ترافیک بر اساس هزینه های سفر بهینه جدید در هر تکرار. با این حال، به دلیل ازدحام بالا در این سناریو، نمی توان کل تقاضای ترافیک را از ابتدا شبیه سازی کرد. اشباع بیش از حد و گره گشایی ناشی از DUA اولیه و بی اهمیت، مقادیر هزینه سفر را برای لبه های مناسب برای فرآیند بهینه سازی ایجاد نمی کند. برای غلبه بر این محدودیت، این رویکرد یک استراتژی تخصیص افزایشی را اجرا می کند. با شروع 2٪ از تقاضای کلی ترافیک، 2٪ سفرهای اضافی در هر تکرار اضافه می شود تا به الگوریتم اجازه دهد تا قبل از رسیدن به ازدحام غیرقابل جبران و غیر اطلاعاتی، به تدریج هزینه های سفر را تغییر دهد. از سوی دیگر، این فرآیند زمان بر است، یعنی

برای محاسبه احتمال انتخاب یک مسیر جدید بر اساس بهینه سازی هزینه در هر تکرار، duIterate دو روش مختلف را ارائه می دهد که با هم مقایسه می شوند: Gawron و Logit . هر دو رویکرد یک تابع وزن یا هزینه w برای یال‌ها، مجموعه‌ای از مسیرهای R، و برای هر یک از این مسیرها r، یک هزینه قدیمی cr ، یک احتمال قدیمی pr _، و یک هزینه جدید _cr و احتمال به عنوان ورودی _{می‌گیرند} . p _r ‘ [ 45]. دو روش در نحوه به روز رسانی این مقادیر جدید در هر تکرار شبیه سازی متفاوت است:

لاجیت ساده تر است. از یک فرمول تحلیلی صریح برای محاسبه مستقیم احتمال جدید فقط با در نظر گرفتن مجموع هزینه‌های تمام یال‌های e که بخشی از مسیر r در آخرین تکرار هستند، استفاده می‌کند:

(1)

سپس، احتمالات با استفاده از یک توزیع نمایی حاوی پارامتر ϴ به روز می شوند و با مجموع تمام مسیرهای s در مجموعه R نرمال می شوند :

(2)

با این حال، در این مقاله از تعمیم مدل لاجیت به نام c -Logit [ 90 ] استفاده شده است که توسط

(3)

این احتمالات انتخاب مسیر واقع بینانه تری را می دهد که یک اصطلاح مشترک را در نظر می گیرد که به دلیل همپوشانی مسیرهای جایگزین است (این امر به ویژه با توجه به شبکه منظم بارسلونا که ممکن است منجر به بسیاری از جایگزین های مشابه مشابه شود) مرتبط است.

(4)

در اینجا، طول یال های مشترک مسیرهای r و s به ترتیب با طول کل است و . β و پارامترها هستند (زمانی که ، c -logit به مدل لاجیت ساده تر تبدیل می شود). مدل‌های این مقاله از مقدار استفاده می‌کنند و (پیش فرض در SUMO).

Gawron بر اساس زمان سفر (یا هر تابع هزینه دیگر) مسیر انتخاب شده در تکرار قبلی، احتمال انتخاب یک مسیر جدید را از مجموعه ای از گزینه ها محاسبه می کند. علاوه بر این، مجموع زمان‌های سفر این گزینه‌ها و احتمال قبلی انتخاب مسیر را در نظر می‌گیرد [ 91 ]. پس از هر تکرار شبیه سازی، زمان سفر بر اساس به روز رسانی می شود

(5)

در اینجا، برای یک مسیر معین x ، زمان سفر شبیه سازی شده است، زمان سفر تخمینی از شبیه سازی برای مسیرهای دیگر است که در تکرار استفاده نشده اند، و یک عامل به خاطر سپردن برای مقیاس گذاری تأثیر هزینه های مسیرهای استفاده نشده گذشته است. سپس احتمالات بر اساس آن به روز می شوند

(6)

(7)

جایی که و احتمالات قبلی و جدید برای استفاده از مسیر x هستند، r مسیری است که در تکرار شبیه‌سازی قبلی استفاده می‌شود، مسیر دیگری در مجموعه جایگزین‌های R است، و تفاوت هزینه نسبی بین مسیرهای r و s است که توسط آن تعریف شده است

(8)

نشان دهنده زمان سفر راننده d برای تکمیل مسیر x است. در این سناریو، مقادیر پیش‌فرض SUMO برای پارامترهای Gawron، یعنی و .

3. اعتبار سنجی نتایج

اثبات رسمی همگرایی رویکردهای تخصیص ترافیک دینامیکی اکتشافی پیشنهادی ممکن نیست زیرا هیچ راه حل تحلیلی برای فرآیند بارگذاری در میکرو شبیه‌سازی‌ها وجود ندارد [ 89 ، 92 ]. بنابراین، یک ارزیابی چند متغیره گسترده در 24 ساعت از یک روز هفته عمومی اجازه می دهد تا به صورت تجربی بسیاری از جنبه های مختلف تناسب بین شبیه سازی و واقعیت را در سطوح و مقیاس های مختلف آزمایش کنید. بر اساس ادبیات بررسی شده در مورد ارزیابی شبیه سازی ترافیک، معیارهای عملکرد انتخاب شده را می توان بر اساس سطوح مختلف تجمع مکانی و زمانی طبقه بندی کرد ( شکل 6).). با این حال، همانطور که قبلاً در تحقیقات قبلی اشاره شد، احتمالات ارزیابی با در دسترس بودن داده‌های واقعی که به عنوان حقیقت اصلی عمل می‌کنند و با داده‌هایی که برای تولید تقاضا استفاده می‌شوند، محدود می‌شوند.

3.1. معیارهای انباشته در مقیاس بزرگ: حمل و نقل از راه دور و میانگین زمان سفر

اجازه دهید با بررسی مجموع ترین معیارها شروع کنیم: “Teleporting” هیچ مطابقتی با اندازه گیری واقعی ندارد، اما اولین بررسی عقلانی شبیه سازی را تشکیل می دهد، زیرا بخش بزرگی از وسایل نقلیه از راه دور به معنای عملکرد ضعیف مدل است. به طور کلی، iSAR تعداد معقولی از تله پورت ها را نشان می دهد (حدود 5%)، با تنوع کمتری نسبت به تله پورت های حاصل از روش IIDUE (به شکل 7 a,b مراجعه کنید).

در بالاترین سطح تجمیع، میانگین زمان سفر بین شبیه سازی و واقعیت مقایسه می شود. بررسی‌های تحرک اطلاعاتی را در رابطه با میانگین مدت سفرها برای زیرمناطق مختلف RMB و به تفکیک روش حمل و نقل ارائه می‌کند. منطقه شهری داخلی، که تقریباً با منطقه اصلی شبیه‌سازی (Rondes) مطابقت دارد، میانگین زمان سفر برای وسایل نقلیه شخصی 23.5 دقیقه (یا 1410 ثانیه) است [ 49 ]. این مقدار بسیار شبیه به نتایج شبیه‌سازی‌های مبتنی بر رویکرد iSAR است (حدود 1400 ثانیه). در حالی که میانگین زمان سفر ناشی از روش IIDUE به طور قابل توجهی انحراف دارد ( شکل 7 ج را ببینید).

3.2. معیارهای تفکیک زمانی: توزیع ساعتی سفرها

با سطح بالاتری از تفکیک زمانی، توزیع ساعتی سفرها در طول روز نیز مقایسه می‌شود ( شکل 8 را ببینید ). برای حقیقت زمین، بررسی‌های تحرک، هیستوگرام‌های زمانی 24 ساعته از زمان شروع سفرها را ارائه می‌دهند، که بر اساس زیرمنطقه‌های RMB و نحوه حمل‌ونقل متمایز می‌شوند [ 49 ] (ص. 59).

هنگامی که سناریوها نزدیک به شلوغی هستند، سفرهای برنامه ریزی شده ممکن است فضای کافی را در شبکه حمل و نقل برای درج پیدا نکنند، به طوری که به تأخیر بیفتند یا در نهایت حتی نادیده گرفته شوند. این به طور بالقوه می تواند منجر به منحنی های تقاضای متفاوت یا تقاضای پردازش شده کمتر شود (تقاضای شبیه سازی نشده کالیبره شده در شکل 7 را ببینید). تاب خوردگی زمان پویا (DTW) [ 94 ] با اجرای FastDTW [ 95 ]] برای مقایسه توزیع های زمانی واقعی و شبیه سازی شده استفاده می شود. این تکنیک امکان یافتن شباهت‌های بین دو سری زمانی را با تحریف غیرخطی محور زمانی فراهم می‌کند، که وقتی واگرایی‌ها توسط سرعت‌ها، فرکانس‌ها و فازبندی متفاوت ایجاد می‌شوند، بسیار مفید می‌شود، زیرا ممکن است به ویژه در مورد اشباع (بیش از حد) شبکه رخ دهد. به طور کلی، تطابق خوبی بین شبیه‌سازی و حقیقت زمینی، با تغییرپذیری کم، وجود دارد که اوج صبح و اوایل عصر را به وضوح نشان می‌دهد. مقدار فاصله DTW در طول تکرارهای متوالی با مقدار حدود 19000 بسیار پایدار می ماند. با این حال، به طور کلی، ما می توانیم به طور مداوم تقاضای شبیه سازی شده کمی کمتر را مشاهده کنیم، به ویژه در ساعات اوج مصرف، به احتمال زیاد به دلیل سطوح بالای ازدحام که مانع از ورود برخی وسایل نقلیه به شبکه در زمان مورد انتظار می شود.

3.3. معیارهای تفکیک فضایی: شمارش ترافیک

شمارش ترافیک یک ارزیابی تفکیک مکانی ارائه می دهد. شهر بارسلون دارای 488 ایستگاه دائمی شمارش ترافیک است ( شکل 9 الف را ببینید). با این حال، تنها شمارش میانگین ترافیک روزانه ماهانه (MADT) به صورت عمومی در دسترس است [ 96 ]. معیارهای دیگر مانند توزیع زمانی سفرها برای هر آشکارساز [ 85 ] و سرعت‌های متوسط [ 29 ، 97 ]، که به طور موثر برای ارزیابی‌های دقیق‌تر در سناریوهای دیگر استفاده شده‌اند، در دسترس نبودند.

تنوع زیاد میانگین‌های ماهانه مشاهده‌شده در طول سال در برخی از نقاط کنترل (نگاه کنید به شکل 10 ) طیف گسترده‌ای از تطابق‌های صحیح احتمالی را با حقیقت زمین ایجاد می‌کند، به‌ویژه از آنجایی که مُهرهای زمانی مسیرهای تلفن همراه مورد استفاده برای ایجاد تقاضای ترافیک هستند. ناشناخته. برای رفع این محدودیت، میانگین‌های ماهانه به میانگین‌های سالانه (AADT) تجمیع می‌شوند. مقادیر درون 1 انحراف استاندارد از این میانگین به عنوان تناسب مناسب در نظر گرفته می شوند.

رگرسیون خطی برای ارزیابی تناسب عمومی بین اندازه‌گیری‌های شبیه‌سازی شده و واقعی تعداد ترافیک استفاده می‌شود ( شکل 9 ب را ببینید). نتایج شبیه‌سازی iSAR شیب 0.91 و مقدار ^R2 0.81 را نشان می‌دهد ( شکل 7 d,e را ببینید)، که می‌تواند یک تطابق خوب در نظر گرفته شود [ 98 ]. باز هم، نتایج حاصل از روش IIDUE برای هر دو معیار به مقادیر بدتری می رسد.

مجموعه دوم معیارهای مربوط به تعداد ترافیک ارزیابی دقیق تری ارائه می دهد. از میان بسیاری از آمارهای عملکرد مدل موجود که جنبه‌های مختلف اختلاف بین پیش‌بینی‌ها و حقیقت پایه را منعکس می‌کنند، سه مورد از رایج‌ترین آنها در ادبیات اخیر انتخاب شده‌اند [ 26 ، 97 ] (به جدول A1 مراجعه کنید ): خطای میانگین مربعات ریشه عمومی (RMSE) ، یک خطای میانگین مربعی ریشه نرمال شده (NRMSE) و آمار جفری ای هارورز (GEH).

RMSE و NRMSE a مشخص می شوند

(9)

(10)

که در آن n تعداد نقاط مشاهده و و به ترتیب مقادیر واقعی مشاهده شده و شبیه سازی شده تعداد ترافیک در مکان i هستند. RMSE به مقیاس حساس است، بنابراین امکان مقایسه هر دو روش تخصیص برای دو روش انتخاب مسیر را فراهم می کند زیرا از تقاضای ترافیک یکسانی استفاده می کنند. روش iSAR مقادیر RMSE پایین‌تر و پایدارتری را نشان می‌دهد، که بهتر از رویکرد IIDUE است، بدون هیچ تفاوتی بین روش‌های c -Logit و Gawron ( شکل 7 را ببینید ).

عادی سازی RMSE امکان مقایسه کلی تر و مستقل از مقیاس (یعنی مستقل از داده) بین مدل ها را فراهم می کند. میانگین مشاهدات واقعی به عنوان معیار عادی سازی برای رویکرد NRMSE انتخاب شده است. مقادیری را در محدوده [0،1] گزارش می دهد، بنابراین ضرب آن در 100 امتیازی شبیه درصد ایجاد می کند (معروف به NRMSE یا %RMSE). با توجه به ادبیات تثبیت شده [ 98 ، 99 ، 100 ]، هر مقدار کمتر از 0.3 (یا 30٪) را می توان خوب در نظر گرفت. در مورد مدل های ارائه شده، شبیه سازی iSAR دوباره از نتایج روش IIDUE بهتر عمل می کند ( شکل 7 g را ببینید) اما حتی در بهترین سناریو، مقادیر بالای 0.3 هستند، بنابراین عملکرد مدل محدود است.

معیارهای قبلاً در نظر گرفته شده (یعنی ضریب رگرسیون، مقادیر ^R2 ، RMSE و NRMSE)، که معمولاً برای ارزیابی عملکرد مدل‌های (شبیه‌سازی و پیش‌بینی) در بسیاری از زمینه‌ها استفاده می‌شوند، به‌ویژه برای موارد حمل‌ونقل پیچیده خوب کار نمی‌کنند. شبکه هایی با عناصر شبکه بسیار متغیر [ 26 ]. برای غلبه بر این مشکل، آمار Geoffrey E. Harvers (GEH)، که یک متریک مجذور کای اصلاح شده است، اغلب در مطالعات ترافیک استفاده می شود. از تفاوت های نسبی و مطلق برای محاسبه درصد خطاهای مربوط به مقدار میانگین تعداد ترافیک مشاهده شده و شبیه سازی شده استفاده می کند. آمار GEH توسط

(11)

که در آن S تعداد ترافیک شبیه سازی شده است، و O تعداد ترافیک مشاهده شده واقعی است [ 101 ، 102 ]. مقادیر GEH زیر 5 تناسب خوبی در نظر گرفته می شوند، مقادیر بین 5 و 10 خوب هستند، اما نیاز به بررسی بیشتر دارند و مقادیر GEH بالای 10 مطابقت بدی دارند. در حالت ایده آل، 85 درصد یا بیشتر از پیوندهای مشاهده شده باید دارای مقدار GEH زیر 5 باشند. با این حال، iSAR با داشتن 38 درصد از پیوندهای تجزیه و تحلیل شده با GEH کوچکتر از 5، عملکرد بهتری دارد، که در آن تفاوت بین رویکردهای Gawron و c -Logit ناچیز است ( شکل 7 h,i را ببینید).

3.4. معیارهای ماکروسکوپی: MFD

در نهایت، نمودارهای اساسی ماکروسکوپی (MFD) [ 103 ] یک چشم انداز اضافی برای ارزیابی مدل های تولید شده ارائه می دهد. با این حال، بر خلاف آزمون های کمی قبلی، این بررسی کیفی است. فقدان داده‌های تجربی و اختلاف در تخمین‌ها برای سناریوهای واقعی [ 104 ] هنوز یک چالش برای استفاده از آنها است. با این حال، می توان با آنها یک ارزیابی اضافی انجام داد. MFD به‌دست‌آمده ( شکل 11 ) دارای فرم معکوس λ [ 19 ] است، با مقادیر ظرفیت سازگار با ظرفیت‌های اندازه‌گیری شده برای گونه‌شناسی جاده‌های مختلف [ 105 ].

4. بحث و چشم انداز

در این مقاله، یک میکرو شبیه‌سازی ترافیک در مقیاس بزرگ جدید برای منطقه شهری بارسلون با استفاده از نرم‌افزار SUMO ارائه شده است. این ماتریس‌های جدید و دقیق‌تر مبدا-مقصد برآورد شده از سوابق تلفن همراه ناشناس را با نظرسنجی‌های متحرک سنتی در شبکه استخراج شده از OpenStreetMap ترکیب می‌کند. مدل به دست آمده سطح خوبی از مطابقت با واقعیت را نشان می دهد ( شکل 12 را ببینید) پس از تایید گسترده توسط معیارها در مقیاس های مختلف، از نمونه های قبلی بهتر عمل کرد. این فناوری پیشرفته‌ترین شبیه‌سازی ترافیک را با فشار دادن رویکردهای میکروسکوپی به سناریوهای مقیاس بزرگ که توسط داده‌های واقعی پشتیبانی می‌شوند، گسترش می‌دهد تا یک مدل واقعی و کارآمد از نظر عملیاتی به دست آورد که می‌تواند اثرات کل شهر را با جزئیات دقیق تصمیم‌گیری‌های سیاستی ارزیابی کند. به طور همزمان، زمانی که در مفهوم “دوقلوهای دیجیتال شهری” در نظر گرفته می شود، محدودیت های این رویکردهای مدل سازی را شناسایی می کند.

کالیبراسیون مدل، گام زمانی شبیه‌سازی، احتمال تغییر مسیر خودروها در طول شبیه‌سازی، و تأثیر اولویت لبه را به‌عنوان مرتبط‌ترین عوامل بدون نیاز به انجام یک کاوش جامع در فضای پارامتر بزرگ شناسایی کرد، که اغلب باعث می‌شود کالیبراسیون و استفاده از این مدل ها غیر عملی است.

دو رویکرد (مسیریابی مجدد تطبیقی درون شبیه سازی، iSAR، و تعادل کاربر افزایشی تکرار شونده، IIDUE)، تحت دو الگوریتم انتخاب مسیر (Gawron و c -Logit)، برای مقابله با چالش توزیع تقاضای ترافیک بالا در متراکم و متراکم مقایسه شدند. شبکه بزرگ شهری پیچیده فقدان شکل تحلیلی در این رویکرد ریزشبیه‌سازی نیازمند یک ارزیابی تجربی چند متغیره گسترده برای بررسی عملکرد آنها با مقایسه داده‌های واقعی و شبیه‌سازی در مقیاس‌های مکانی و زمانی مختلف است. این معیارهای کمی متفاوت شامل میانگین مدت سفر، شباهت توزیع‌های زمانی سفرها با استفاده از DTW، و مقایسه تعداد ترافیک شبیه‌سازی‌شده و واقعی بر اساس ضریب رگرسیون خطی، R2 بود ^.آمار RMSE، NRMSE و GEH. علاوه بر این، دو آزمون کیفی مبتنی بر شبیه‌سازی “تلپورت” و MFD گنجانده شده است.

iSAR در تمام معیارها بدون تفاوت های مرتبط بین رویکردهای c -Logit و Gawron از IIDUE بهتر عمل می کند. از نظر محاسباتی، iSAR از IIDUE در تقریب حالت تعادل آینده کارآمدتر است. بهترین نتایج به‌دست‌آمده با رویکرد iSAR با میانگین اندازه‌گیری شده واقعی مدت سفر حدود 23.5 دقیقه مطابقت دارد. عملکرد این مدل ها از نظر برازش تعداد ترافیک نیز خوب است و مقادیر بالای 0.9 (و کمتر از 1.1) برای ضریب رگرسیون و R2 دارد ^.مقدار بالای 0.8 با این حال، معیارهای خطا نشان داده شده توسط آمار NRMSE و GEH کمتر چشمگیر هستند، به ترتیب با مقادیر 0.38 و 38٪. این نشان می دهد که بازتولید دقیق توزیع های سفر چالش برانگیز است. در توافق با انتشارات قبلی، شبیه‌سازی‌های ارائه‌شده نیز تمایل دارند جریان‌های اندازه‌گیری‌شده تجربی را دست‌کم بگیرند، اما در مقایسه با سایر مطالعات به طور قابل‌توجهی کمتر. یک توضیح احتمالی برای مشکل باقی مانده این است که ریزشبیه‌سازی‌ها حجم بیشتری از ترافیک را در خیابان‌های فرعی بیشتری توزیع می‌کنند، به طوری که نقاط شمارش در جاده‌های اصلی دور زده می‌شوند.

4.1. مشارکت ها

نتایج کلی منطبق بر تناسب، عملکرد نسبتاً معدودی از مطالعات ریزشبیه‌سازی پیوسته در زمان معتبر منتشر شده در سناریوهای جریان ترافیک شهری در مقیاس بزرگ را دارد، حتی با توجه به اینکه مدل ارائه‌شده تعداد بیشتری از معیارها را نسبت به این سناریوهای قبلی بررسی می‌کند. علاوه بر این، در مقایسه، محدوده جغرافیایی، اندازه و پیچیدگی این مدل برای بارسلونا این سناریوی بزرگ را به ویژه چالش برانگیز می کند ( جدول 3)). این تحقیق با یک خط لوله پردازش داده و رویکرد مدل‌سازی تسلط یافت، که امکان مدیریت سناریوهای شهری ریزشبیه‌سازی بزرگ و پیچیده را آسان‌تر می‌کند (به عنوان مثال، شبیه‌سازی یک منطقه فضایی گسترده‌تر امکان بازتولید از طریق ترافیک را با دقت بیشتری نسبت به ساده‌سازی مستقیم ممکن می‌سازد). بدین ترتیب، رویکرد شبیه‌سازی پیشنهادی به واقعیت نزدیک‌تر شد. همچنین می‌تواند جریان‌های اشباع را حتی در محیط‌های بزرگ، پیچیده و اشباع شده بسیار بهتر مدیریت کند.

از منظر تحقیق در مورد مدل‌سازی با وفاداری بالا، این مقاله به چالش ارائه یک رویکرد عملیاتی و مؤثر برای ساختن یک میکروشبیه‌سازی ترافیک در مقیاس بزرگ از داده‌های تحرک جدید، دانه‌دارتر و تجربی می‌پردازد که با مشاهدات واقعی در فضاهای مختلف اعتبارسنجی شده است. – مقیاس های زمانی تعداد کمی از ریزشبیه‌سازی‌های شهری در مقیاس بزرگ معتبر واقع‌بینانه وجود دارد ( جدول A1 را ببینید). نشان داده شده است که چگونه داده‌های ردیابی تلفن همراه و یک رویکرد تصادفی تطبیقی سریع‌تر واقع‌گرایی بیشتری را ارائه می‌کنند. از این نظر، پژوهش بیشتر بر روی پیوند رویکردهای مدل‌سازی نوآورانه با داده‌های واقعی برای مراحل تغذیه و ارزیابی تمرکز دارد. به عنوان یک شبیه سازی که تا حد امکان به سیستم واقعی نزدیک می شود، یک جزء اساسی برای ساخت یک دوقلو دیجیتال ترافیکی است. در واقع، با تعاریف اولیه دوقلوهای دیجیتال مطابقت دارد [ 4 ، 106 ، 107 ] و به مفهوم سایه دیجیتال [ 108 ] نزدیکتر است . به طور کلی، شبیه‌سازی جزء اساسی دوقلوهای دیجیتال است زیرا تعامل دوسویه بین محیط فیزیکی و مدل مجازی را امکان‌پذیر می‌سازد [ 109 ، 110 ]].

4.2. محدودیت ها

علی‌رغم حجم چشمگیر کار قبلی، نتیجه‌گیری می‌شود که توسعه مدل‌های بسیار دقیق و واقعی از دینامیک مربوط به شهر در مقیاس میکروسکوپی همچنان یک چالش کلیدی است. برای جمع‌آوری داده‌های دانه‌دار بیشتر برای مدل‌سازی و اعتبارسنجی، فضایی برای بهبود وجود دارد. امکان افزودن جزئیات به محیط مجازی وجود دارد. اسکن کامل فضای پارامترها برای کالیبراسیون به دلیل قدرت محاسباتی محدود غیرممکن است. به عنوان مثال، مفروضات نظری مورد استفاده برای توضیح اینکه مردم چگونه مسیرهای خود را انتخاب می‌کنند و چگونه سفرهای خود را برنامه‌ریزی می‌کنند، برای درک کامل وابستگی‌های متقابل و پیچیدگی‌های زیربنایی زمانی که ما به یک سیستم بزرگ ارتقا می‌دهیم، ناکافی به نظر می‌رسد. بنابراین، این فرض سودگرایانه یک بعدی که مردم تمایل دارند زمان سفر را به حداقل برسانند،111 ، 112 ، 113 ]. این تحقیق نشان می دهد که استفاده از حسابداری ضریب وزنی برای سلسله مراتب جاده ها بر مسیریابی تاثیر می گذارد و عملکرد مدل را بهبود می بخشد. این نشان دهنده وجود عوامل زمینه‌ای اضافی مؤثر بر انتخاب مسیر است که احتمالاً با چالش‌های مشاهده‌شده توزیع واقعی جریان ترافیک و اجتناب از دست کم‌گرفتن شمارش‌ها مرتبط است.

به طور کلی تر، می توان به برخی از چالش ها و محدودیت های موجود در دوقلوهای دیجیتال اشاره کرد [ 108 ]:

تعریف مبهم و غیر توافقی.
نمونه های کاربردی در مقیاس کامل وجود ندارد از دوقلوهای دیجیتال.
فقدان مدل های داده رایج [ 114 ].
محیط‌های دوقلوهای دیجیتال ناهمگن، انواع داده‌ها و منابع [ 115 ].
استفاده بالقوه از هوش مصنوعی برای بهبود عملکرد و برنامه های کاربردی دوقلوهای دیجیتال (تاکنون فقط در مقیاس کوچک استفاده می شود).
نیاز به افزایش امنیت، تمرکززدایی، و قابلیت‌های اشتراک در میان سهامداران [ 116 ]، برای جلوگیری از سوء استفاده، موضوعات سایبری و مسائل مربوط به حریم خصوصی [ 117 ].
نیاز به روش های مشترک برای به اشتراک گذاری داده ها بین دستگاه ها، ذینفعان و محیط ها.
نیاز به تقویت طرح های توزیع شده برای افزایش قابلیت اطمینان، دقت و عملکرد.

4.3. تحقیقات آینده

با وجود این محدودیت ها، این کار به طور قابل توجهی به پیشرفت و واقع گرایی ریزشبیه سازی های بزرگ کمک کرده است، همانطور که در بالا نشان داده شده است. بنابراین، همراستا با دیگران قبل از این مقاله، این تحقیق از این ایده حمایت می‌کند که ریزشبیه‌سازی‌ها می‌توانند ابزار قدرتمندی برای اطلاع‌رسانی به محققان، برنامه‌ریزان شهری، سیاست‌گذاران و شهروندان باشند و به آنها اجازه می‌دهد تا سناریوهای جایگزینی را که در زندگی واقعی آزمایش نمی‌شوند، کشف کنند. از این نظر، شبیه‌سازی‌ها به دلیل قدرت آینده‌نگرشان ارزشمند هستند و جایگزین‌هایی را معرفی می‌کنند که چگونه چیزها می‌توانند بیش از توصیف سیستم‌های موجود باشند. با این حال، این تنها در صورتی امکان‌پذیر است که از واقع‌گرایی آنها از طریق توسعه روش‌های ارزیابی قوی و چند متغیره اطمینان حاصل کنیم و اگر فرضیات مدل‌سازی خود را فراتر از رویکردهای تعادل جویانه تحلیل کنیم.

مشخص شد که یک “دوقلو دیجیتال” که دقیقاً ترافیک یک شهر را بازتولید می کند، هنوز راه درازی در پیش است. احتمالاً هرگز ممکن نخواهد بود مگر اینکه تمام درجات آزادی از سیستم حذف شود، که البته مطلوب نخواهد بود. برخلاف مدل‌سازی زیرساخت‌ها در یک شهر، که می‌توان آن را به صورت دیجیتالی با درجه بالایی از دقت نشان داد، دینامیک جریان ترافیک در یک شهر یک مشکل “شرور” و پیچیده است. توسط دینامیک غیر خطی و تعاملات شبکه، اثرات خودسازماندهی (مانند ترافیک اضطراری)، و تنوع زیاد تعیین می شود. این حاکی از سطح قابل توجهی از عدم قطعیت است که تا حدی به دلیل تصادفی بودن و بازخوردهای غیرخطی و همچنین به دلیل عنصر انسانی است. در واقع، مورد دوم اغلب در دوقلوهای دیجیتال نادیده گرفته شده است، حتی اگر در شهرها وجود داشته باشد. به عنوان مثال، از طریق تصمیم گیری، تعاملات اجتماعی و پویایی، فرهنگ، سیاست و بازار. مسئله اینجا فقط کمبود داده نیست. ویژگی‌های مهم مربوط به انسان‌ها، مانند آگاهی، کرامت، خلاقیت، آزادی، معنا، ارزش‌ها و اجتماعی بودن به سختی قابل اندازه‌گیری هستند، اگر اصلاً [118 ].

محدودیت‌های شناسایی‌شده نشان می‌دهد که لازم است تحقیقات در مورد جریان داده‌های بی‌درنگ بین دوقلو دیجیتال و سیستم واقعی [ 110 ]، به ویژه در شهرها اعمال شود [ 108 ] و رفتار انسان را در برگیرد [ 114 ]. جهت‌های تحقیقاتی زیر نه تنها به بهبود نتایج شبیه‌سازی‌ها، بلکه به طور گسترده‌تر به تحقق مفهوم دوقلوهای دیجیتال کمک می‌کند. آنها جنبه های تعامل (1)، داده (2-4) و همکاری (5-6) را پوشش می دهند:

مفهوم دوقلوی دیجیتالی از انعکاس ساده تا حد امکان دقیق یک سیستم فیزیکی [ 4 ] به ترکیب یک تعامل زمان واقعی دو جهته بین جنبه‌های مجازی و فیزیکی که بر یکدیگر تأثیر می‌گذارد و به یکدیگر اطلاع می‌دهد، تکامل یافته است [ 109 ، 110 ]. چگونه می توان این تعامل مجازی-فیزیکی را پیاده سازی کرد؟ [ 116 ].
دوقلوهای دیجیتال به مقادیر زیادی داده با تأخیر کم نیاز دارند [ 108 ]. چگونه می‌توان با در نظر گرفتن مسائل حقوقی، اخلاقی و حریم خصوصی، داده‌های بی‌درنگ شهری را جمع‌آوری کرد؟
دوقلوهای دیجیتال از حجم عظیمی از داده ها برای نزدیک شدن هرچه بیشتر به سیستم واقعی استفاده می کنند. با این حال، تصادفی بودن، شاید با اثرات پیچیدگی، همراه با عدم ارتباط بین فرآیندهای عملکردی و فیزیکی با سیستم های اجتماعی-اقتصادی، و حتی دشواری کمی کردن بسیاری از جنبه های زندگی شهری، پیش بینی پذیری آنها را محدود می کند. آیا داده های بیشتر آینه های دیجیتالی دقیق تری ارائه می دهند؟ [ 3 ، 117 ]. داده های بزرگ چگونه می توانند به ارائه مدل های رفتاری بهتر انسانی کمک کنند؟
برای انجام دقیق، دوقلوهای دیجیتال نیاز به ادغام شبیه سازی و بهینه سازی در زمان واقعی بر اساس مقادیر زیاد داده با فرکانس بالا و تأخیر پایین دارند [ 108 ، 119 ، 120 ]. چگونه می توان آن را بهینه کرد؟ چقدر می تواند مقیاس پذیر، کارآمد و از نظر زیست محیطی پایدار باشد؟
دوقلوهای دیجیتالی می‌توانند هماهنگی فرآیندهای پایین خود سازماندهی شده و حکمرانی از بالا به پایین را تسهیل کنند که مشارکت، خودمختاری و دموکراسی را ممکن می‌سازد [ 117 ]. چگونه می توان از دوقلوهای دیجیتال برای افزایش همکاری بین ذینفعان مختلف، از جمله تنظیمات ترکیبی (به عنوان مثال، انسان-انسان، انسان- ماشین و ماشین- ماشین) استفاده کرد؟ چگونه می توان اطلاعات را به طور ایمن و موثر در بین ذینفعان به اشتراک گذاشت؟ [ 116 ].

5. نتیجه گیری ها

در حالی که همه اینها هنگام درک و مدل‌سازی زندگی شهری اهمیت دارند، مدل‌سازی ترافیک با میزان قابل‌توجهی از دقت و واقع‌گرایی، کم‌تر و امکان‌پذیر است. با این حال، طبیعت انسان هنوز هم می درخشد. دقیقاً، استفاده از داده‌های بزرگ تجربی در مورد جابه‌جایی افراد و کالاها امکان توسعه، آزمایش و اعتبارسنجی رویکردهای مدل‌سازی جدید را فراهم می‌کند که در نهایت منجر به ثبت بهتر واقعیت می‌شود.

به طور کلی، یک رویکرد صرفاً مبتنی بر داده ممکن است نیاز داشته باشد که با دیدگاه علم داده و پیچیدگی تکمیل شود تا پیش‌بینی‌های بهتری ارائه شود. اگرچه این مقاله بر شبیه‌سازی ترافیک تمرکز دارد، اما اصول یکسانی برای حوزه‌های مرتبط به هم مختلف در محیط ساخته‌شده مانند کاربری زمین، آب و هوا، انرژی یا فعالیت اقتصادی اعمال می‌شود. قدرت آینده‌نگر و اکتشافی دوقلوهای دیجیتال در ترکیب با گنجاندن ارزش‌های اجتماعی و رفتاری می‌تواند تسهیل‌کننده حکمرانی و هم‌آفرینی شهرها باشد و با استفاده از محاسبات، توانایی‌های تصمیم‌گیری انسانی را گسترش دهد.

منابع

پرتغالي، ج. خودسازماني و شهر . Springer: برلین/هایدلبرگ، آلمان، 2000; ISBN 9783642084812. [ Google Scholar ]
گرشنسون، سی. زندگی در شهرهای زنده. آرتیف. زندگی 2013 ، 19 ، 401-420. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باتی، ام. دوقلوهای دیجیتال. محیط زیست طرح. ب مقعد شهری. علوم شهر 2018 ، 45 ، 817-820. [ Google Scholar ] [ CrossRef ]
Grieves, M. Digital Twin: Manufacturing Excellence from Virtual Factory Replication. پاپ سفید 2014 ، 1 ، 1-7. [ Google Scholar ]
سفید، جی. زینک، ا. کدکا، ال. Clarke، S. یک شهر هوشمند دیجیتال دوقلو برای بازخورد شهروندان. Cities 2021 , 110 , 103064. [ Google Scholar ] [ CrossRef ]
شروتر، جی. Hürzeler, C. دوقلو دیجیتال شهر زوریخ برای برنامه ریزی شهری. PFG-J. فتوگرام سنسور از راه دور Geoinf. علمی 2020 ، 88 ، 99-112. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آیونتامینتو مادرید مادرید Actualiza su Simulador de Movilidad e Incluye Todos los Sistemas de Transporte para Reducir las Afecciones al Tráfico. در دیاریو مادرید ؛ Ayuntamiento de Madrid: مادرید، 2021; در دسترس آنلاین: https://diario.madrid.es/blog/notas-de-prensa/madrid-actualiza-su-simulador-de-movilidad-e-incluye-todos-los-sistemas-de-transporte-para-reducir -las-afecciones-al-trafico/ (دسترسی در 17 مارس 2021).
دولت سنگاپور سنگاپور مجازی ؛ دیجیتال دوقلو، نرم افزار کامپیوتری; دولت سنگاپور: سنگاپور، 2018.
کمیسیون اروپایی. دوقلوی دیجیتال روتردام جهان فیزیکی، دیجیتالی و اجتماعی ما را دوباره تعریف می کند. در دسترس آنلاین: https://smart-cities-marketplace.ec.europa.eu/news-and-events/news/2019/rotterdams-digital-twin-redefines-our-physical-digital-social-worlds (دسترسی در 4 آگوست 2021).
ایراکسینن، ای. برگستروم، ام. هاینونن، اچ. کایسلا، ک. لاهتی، ک. Suomisto، J. پروژه دوقلوهای دیجیتال کالاساتاما . شهر هلسینکی: هلسینکی، فنلاند، 2019. [ Google Scholar ]
هوردوس، جی. Michalopoulos, P. Twin Cities Traffic Micro-Simulation Feasibility Investigation ; وزارت حمل و نقل مینه سوتا: سنت پل، MN، ایالات متحده آمریکا، 2008. [ Google Scholar ]
لوری، مدل کلان شهر است . RAND Corporation: سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا، 1964. [ Google Scholar ]
Forrester، JW Urban Dynamics ; چاپ بهره وری: پورتلند، OR، ایالات متحده آمریکا، 1969; ISBN 1883823390. [ Google Scholar ]
Acheampong، RA; سیلوا، EA مدل‌سازی تعامل کاربری-حمل و نقل زمین: مروری بر ادبیات و جهت‌های تحقیقاتی آینده. J. Transp. کاربری زمین 2015 ، 8 ، 11-38. [ Google Scholar ] [ CrossRef ]
مدل‌های تعامل حمل‌ونقل با کاربری زمین وگنر، ام. در کتابچه راهنمای علوم منطقه ای ; Fischer, MM, Nijkamp, P., Eds. Springer: برلین/هایدلبرگ، آلمان، 2014; صص 741-758. ISBN 9783642234309. [ Google Scholar ]
تومکو، م. Winter, S. Beyond Digital Twins—A comment. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 395-399. [ Google Scholar ] [ CrossRef ]
باتی، ام. نقشه قلمرو نیست، یا اینطور است؟ محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 599-602. [ Google Scholar ] [ CrossRef ]
Wilfire, C. چگونه می توانیم دوقلوهای دیجیتالی در مقیاس شهر را سر نیزه کنیم؟ اطلاعات زیرساخت. 9 مه 2018. در دسترس آنلاین: https://www.infrastructure-intelligence.com/article/may-2018/how-can-we-spearhead-city-scale-digital-twins (در 3 مارس 2021 قابل دسترسی است).
تریبر، م. کستینگ، الف. دینامیک جریان ترافیک: داده ها، مدل ها و شبیه سازی . Springer: برلین/هایدلبرگ، آلمان، 2013; ISBN 9783642324604. [ Google Scholar ]
ماتیاس، جی دی. دبلژاک، م. نافرمانی، جی. دیمر، ا. Dierickx، F. Donges, JF; گلادکیخ، جی. هایتسیگ، جی. هولتز، جی. اوبرگسل، دبلیو. و همکاران مبانی اجتماعی پایه برای مدل های ارزیابی یکپارچه تغییرات آب و هوا. آینده زمین. 2020 ، 8 ، e2020EF001573. [ Google Scholar ] [ CrossRef ]
لوپز، PA; بهریش، م. بیکر-والز، ال. اردمن، جی. Flotterod، YP; هیلبریچ، آر. لوکن، ال. رامل، جی. واگنر، پ. Wiebner, E. شبیه سازی ترافیک میکروسکوپی با استفاده از SUMO. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی 2018 در سیستم های حمل و نقل هوشمند (ITSC)، مائوئی، HI، ایالات متحده آمریکا، 4 تا 7 نوامبر 2011؛ صص 2575-2582. [ Google Scholar ]
هلبینگ ، دی. جامعه پویایی کمی: روش‌های تصادفی و مدل‌های فرآیندهای تعامل اجتماعی ، ویرایش دوم. Springer: برلین/هایدلبرگ، آلمان، 2010; ISBN 9783642115455. [ Google Scholar ]
هپنستال، ای جی; کروکس، AT; ببینید، LM. Batty، M. مدل های مبتنی بر عامل سیستم های جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2012; ISBN 9789048189274. [ Google Scholar ]
کاستنر، KH; کبر، آر. پائو، پی. Samal, M. شرایط ترافیک بی‌درنگ با SUMO برای ITS Austria West. در مجموعه مقالات شبیه سازی تحرک شهری، کنفرانس SUMO 2013، برلین، آلمان، 15-17 می 2013 . یادداشت های سخنرانی در علوم کامپیوتر; Behrisch, M., Krajzewicz, D., Weber, M., Eds. Springer: برلین/هایدلبرگ، آلمان، 2014; جلد 8594، صص 146–159. ISBN 9783662450796. [ Google Scholar ] [ CrossRef ]
Urquiza-Aguiar، LF; Bautista، PB; گومز، WC; Calderón, X. مقایسه ابزارهای تولید تقاضای ترافیک در SUMO. مطالعه موردی: دسترسی به بزرگراه‌ها به کیتو. در مجموعه مقالات PE-WASUN 2019— شانزدهمین سمپوزیوم بین المللی ACM در مورد ارزیابی عملکرد شبکه های بی سیم موقت، حسگر و همه جا حاضر، نیویورک، نیویورک، ایالات متحده آمریکا، 25 نوامبر 2019؛ جلد 19، ص 15-22. [ Google Scholar ]
بالاکریشنا، ر. آنتونیو، سی. بن آکیوا، م. کوتسوپولوس، HN; Wen, Y. کالیبراسیون مدل‌های شبیه‌سازی ترافیک میکروسکوپی: روش‌ها و کاربرد. ترانسپ Res. ضبط 2007 ، 198-207. [ Google Scholar ] [ CrossRef ]
اوکچ، تی. Carrick, M. کالیبراسیون و اعتبار یک مدل شبیه سازی میکرو در تحلیل شبکه. در مجموعه مقالات هشتاد و چهارمین نشست سالانه TRB، واشنگتن دی سی، ایالات متحده آمریکا، 9 تا 13 ژانویه 2005. [ Google Scholar ]
بارتین، بی. اوزبای، ک. گائو، جی. Kurkcu، A. کالیبراسیون و اعتبار سنجی شبکه های شبیه سازی ترافیک در مقیاس بزرگ: مطالعه موردی. Procedia Comput. علمی 2018 ، 130 ، 844-849. [ Google Scholar ] [ CrossRef ]
رودریگز-ری، دی. چه گوارا، م. Linares، MP; کازانواس، جی. سالمرون، جی. سورت، آ. جربا، او. تنا، سی. پرز گارسیا-پاندو، سی. یک سیستم مدل‌سازی ترافیک ماکروسکوپی و انتشار آلاینده برای بارسلونا. ترانسپ Res. قسمت D Transp. محیط زیست 2021 ، 92 ، 102725. [ Google Scholar ] [ CrossRef ]
باسولاس، ا. راماسکو، جی جی. هرانز، ر. سوابق Cantú-Ros، OG تلفن همراه برای تغذیه مدل‌های تقاضای سفر مبتنی بر فعالیت: MATSim برای مطالعه خط مشی عوارض محدودیت در بارسلونا. ترانسپ Res. بخش A سیاست سیاست. 2019 ، 121 ، 56-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سعیدالله، م. ال فرگوگی، ا. Elalaoui، AE مطالعه تطبیقی شبیه سازهای ترافیک جاده شهری. در مجموعه مقالات وب کنفرانس های MATEC، ICTTE 2016 2016 پنجمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، لوسرن، سوئیس، 6 تا 10 ژوئیه 2016 . Figueira, M., Guo, Z., Eds. EDP Sciences: Les Ulis، فرانسه، 2016; جلد 81، ص. 05002. [ Google Scholar ]
هاردی، ام. دوج، ال. اسمیت، تی. واسکونز، کی سی. Wunderlich، K. ارزیابی مدل‌سازی عملیات مدیریت تخلیه: فهرست مدل‌سازی حمل‌ونقل. در مجموعه مقالات پانزدهمین کنگره جهانی سیستم های حمل و نقل هوشمند و ITS آمریکا در سال 2008 نشست سالانه، واشنگتن، دی سی، ایالات متحده آمریکا، 16-20 نوامبر 2008. جلد 4، ص 2648–2664. [ Google Scholar ]
مک‌کنی، دی. White, T. کنترل سیگنال ترافیکی توزیع شده و تطبیقی در یک شبیه سازی ترافیک واقعی. مهندس Appl. آرتیف. هوشمند 2013 ، 26 ، 574-583. [ Google Scholar ] [ CrossRef ]
سوآرس، جی. لوبو، سی. واله، ز. De Moura Oliveira، PB سناریوهای ترافیک واقعی با استفاده از روش سرشماری: مطالعه موردی واقعی ویلا. در مجموعه مقالات نشست عمومی انجمن انرژی و انرژی IEEE، بندر ملی، MD، ایالات متحده آمریکا، 27 تا 31 ژوئیه 2014. [ Google Scholar ]
بیکر، ال. کرایزویچ، دی. مورا، AP; میکلاچی، سی. Cartolano، F. شبیه سازی ترافیک برای همه: سناریوی ترافیک دنیای واقعی از شهر بولونیا. در مجموعه مقالات دومین کنفرانس SUMO 2014، برلین، آلمان، 15-16 مه 2014 . مدل سازی تحرک با داده های باز یادداشت های سخنرانی در تحرک. Behrisch, M., Weber, M., Eds. انتشارات بین المللی Springer: چم، سوئیس، 2015; جلد 13، صص 47–60. [ Google Scholar ]
آپپور، اس. Fiore، M. تحرک وسایل نقلیه شهری در مقیاس بزرگ برای تحقیقات شبکه. IEEE Veh. شبکه Conf. VNC 2011 ، 62-69. [ Google Scholar ] [ CrossRef ]
کدکا، ال. Härri, J. Monaco SUMO Traffic (MoST) سناریوی: یک سناریوی تحرک سه بعدی برای تعاونی ITS. حماسه سر. مهندس 2018 ، 2 ، 43-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
راپلی، م. کازتی، سی. Gagliardi، G. TuST: از داده های خام تا شبیه سازی ترافیک وسایل نقلیه در تورین. در مجموعه مقالات بیست و سومین سمپوزیوم بین المللی IEEE/ACM 2019 در مورد شبیه سازی توزیع شده و کاربردهای زمان واقعی (DS-RT)، کوزنزا، ایتالیا، 7 تا 9 اکتبر 2019. [ Google Scholar ] [ CrossRef ]
Behrisch, M. اتصال ماکروسکوپی و میکروسکوپی ترافیک ; Springer: برلین/هایدلبرگ، آلمان، 2019؛ صص 47-54. [ Google Scholar ]
گوئریو، م. Dusparic، I. کمی کردن تأثیر وسایل نقلیه متصل و خودران بر کارایی و ایمنی ترافیک در ترافیک مختلط. در مجموعه مقالات بیست و سومین کنفرانس بین المللی IEEE 2020 در مورد سیستم های حمل و نقل هوشمند، ITS، رودس، یونان، 20 تا 23 سپتامبر 2020. [ Google Scholar ]
Pereira Machado، D. تخصیص ترافیک میکروسکوپی تحت تقاضای دینامیک. پایان نامه کارشناسی ارشد، Facultade de Engenharia، Universidade do Porto، پورتو، پرتغال، 2020. [ Google Scholar ]
Diallo، AO; لوزنگز، جی. دونیک، ا. Mandiau, R. ارزیابی مقایسه ای شبیه سازهای ترافیک جاده ای بر اساس مشخصات مدل ساز: یک کاربرد برای رفتارهای تحرک بین وجهی. در مجموعه مقالات ICAART 2021 – سیزدهمین کنفرانس بین المللی عوامل و هوش مصنوعی، آنلاین، 4 تا 6 فوریه 2021؛ جلد 1، ص 265–272. [ Google Scholar ]
Urquiza-Aguiar، L. کولوما-گومز، دبلیو. باربیچو باتیستا، پ. Calderón-Hinojosa، X. مقایسه مولدهای تقاضای وسیله نقلیه SUMO در ارتباطات خودرویی از طریق معیارهای تئوری گراف. Ad Hoc Netw. 2020 , 106 , 102217. [ Google Scholar ] [ CrossRef ]
Gawron, C. یک الگوریتم تکرار شونده برای تعیین تعادل کاربر پویا در یک مدل شبیه سازی ترافیک. بین المللی J. Mod. فیزیک C 1998 ، 9 ، 393-407. [ Google Scholar ] [ CrossRef ]
مرکز هوافضای آلمان (DLR) و سایرین تخصیص پویا کاربر – اسناد SUMO. در دسترس آنلاین: https://sumo.dlr.de/docs/Demand/Dynamic_User_Assignment.html (در 2 مه 2021 قابل دسترسی است).
Dijkstra، EW یادداشتی در مورد دو مشکل در ارتباط با نمودارها. عدد. ریاضی. 1959 ، 1 ، 269-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هارت، PE; نیلسون، نیوجرسی؛ رافائل، بی. مبنای رسمی برای تعیین اکتشافی مسیرهای حداقل هزینه. IEEE Trans. سیستم علمی سایبرن. 1968 ، 4 ، 100-107. [ Google Scholar ] [ CrossRef ]
گیزبرگر، آر. سندرز، پی. شوتس، دی. Delling، D. سلسله مراتب انقباض: مسیریابی سلسله مراتبی سریعتر و ساده تر در شبکه های جاده ای. در مجموعه مقالات هفتمین کارگاه بین‌المللی الگوریتم‌های تجربی (WEA 2008)، Provincetown، MA، ایالات متحده آمریکا، 30 مه تا 2 ژوئن 2008. یادداشت های سخنرانی در علوم کامپیوتر. McGeoch، CC، Ed. Springer: برلین/هایدلبرگ، آلمان، 2008; جلد 5038، ص 319–333. [ Google Scholar ] [ CrossRef ]
Institut d’Estudis Regionals i Metropolitans de Barcelona (IERMB). Enquesta de Mobilitat en Dia Feiner 2019 (EMEF 2019). در La mobilitat a l’àmbit del Sistema Integrat de Mobilitat Metropolitana de Barcelona ; IERMB: بلاترا، اسپانیا، 2020؛ در دسترس آنلاین: https://web.archive.org/web/20210922230839/https://observatorimobilitat.atm.cat/docs-observatori/enquestes-de-mobilitat/Enquestes_ambit_ATM/EMEF/2019/EMEFIMBedS2019 سپتامبر 2021).
تیلگ، جی. بوگنبرگر، ک. آمبول، ال. منندز، ام. ایجاد و کالیبره کردن شبکه SUMO در مقیاس بزرگ. در مجموعه مقالات کنفرانس کاربر SUMO، آنلاین، 26 تا 28 اکتبر 2020. [ Google Scholar ]
شوایزر، جی. پولیزیانی، سی. روپی، اف. مورگانو، دی. Magi، M. ساخت یک سناریوی حمل و نقل میکرو شبیه سازی در مقیاس بزرگ با استفاده از داده های بزرگ. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 165. [ Google Scholar ] [ CrossRef ]
هاکلی، م. Weber, P. OpenStreet map: نقشه های خیابانی تولید شده توسط کاربر. محاسبات فراگیر IEEE 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده های نظرسنجی OpenStreetMap و مهمات. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اندرسون، جی. سرکار، دی. Palen, L. ویراستاران شرکتی در چشم انداز در حال تحول OpenStreetMap. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 232. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بوئینگ، G. OSMnx: روش‌های جدید برای دستیابی، ساخت، تجزیه و تحلیل و تجسم شبکه‌های خیابانی پیچیده. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 126-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مشارکت کنندگان OpenStreetMap. تخلیه سیاره برای منطقه شهری بارسلون (RMB). در دسترس آنلاین: https://planet.osm.org (در 25 مارس 2021 قابل دسترسی است).
مشارکت کنندگان OpenStreetMap. Wiki OpenStreetMap Overpass API/Overpass QL [نرم افزار رایانه ای]—OpenStreetMap Wiki. 2021. در دسترس آنلاین: https://wiki.openstreetmap.org/w/index.php?title=Overpass_API/Overpass_QL&oldid=2180487 (در 3 اوت 2021 قابل دسترسی است).
مرکز هوافضای آلمان (DLR) و سایرین Netconvert—SUMO Documentation. در دسترس آنلاین: https://sumo.dlr.de/docs/netconvert.html (در 5 اوت 2021 قابل دسترسی است).
دینگیل، AE; شوایزر، جی. روپی، اف. Stasiskiene، Z. استخراج شبکه جاده با OSMNx و SUMOPy. EPIC Ser. مهندس 2018 ، 2 ، 111-117. [ Google Scholar ]
ماکسار. Maxar (c) تصاویر برتر برای منطقه بارسلونا. لایه پس زمینه برای OpenStreetMap، 2021 در دسترس است. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
Instituto Geográfico Nacional de España (IGN); مرکز ملی اطلاعات جغرافیایی (CNIG). Plan Nacional de Ortofotografia Aérea (PNOA)؛ لایه پس زمینه برای OpenStreetMap، 2018 در دسترس است. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
اسری. Esri (ج) تصاویر جهانی برای منطقه بارسلونا. منابع: اسری; DigitalGlobe; GeoEye; I-cubed; USDA FSA؛ USGS; AEX; نقشه برداری؛ هواگرید؛ IGN; IGP، swisstopo، و جامعه کاربران GIS. لایه پس زمینه برای OpenStreetMap، 2021 در دسترس است. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
Mapbox. جعبه نقشه (ج) تصاویر ماهواره ای برای منطقه بارسلون. منابع: ناسا; USGS; سایر ارائه دهندگان تجاری لایه پس زمینه برای OpenStreetMap، 2021 در دسترس است. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
چنگ زدن به هلدینگ. OpenStreetCam (KartaView) برای منطقه بارسلونا. داده‌های پوشش عکس موجود برای OpenStreetMap، 2021. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
Mapillary و همکاران. نقشه نقشه (ج) تصاویر برای منطقه بارسلون. داده‌های پوشش عکس موجود برای OpenStreetMap، 2021. در دسترس آنلاین: https://www.openstreetmap.org/edit (در 25 مارس 2021 قابل دسترسی است).
مرکز هوافضای آلمان (DLR) و سایرین Netedit—SUMO Documentation. در دسترس آنلاین: https://sumo.dlr.de/docs/Netedit/index.html (در 5 اوت 2021 قابل دسترسی است).
کونسه، پ. Rodegerdts, L. Traffic Signal Timeming Manual ; وزارت حمل و نقل ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2008.
کالوت، اف. Torre, M. Obtenció De Matrius Origen-Destinació (OD) a Partir de Dades de Telefonia Mòbil. M2019 ; Generalitat de Catalunya: بارسلونا، اسپانیا، 2020. [ Google Scholar ]
کاسرس، ن. وایدبرگ، جی پی؛ Benitez، FG استخراج داده مبدا-مقصد از شبکه تلفن همراه. IET Intel. ترانسپ سیستم 2007 ، 1 ، 15-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاسرس، ن. رومرو، LM؛ بنیتز، FG بررسی نقاط قوت و ضعف استنتاج تحرک از داده‌های تلفن همراه در مقابل نظرسنجی‌های سفر. ترانسپ ترانسپ. علمی 2020 ، 16 ، 574-601. [ Google Scholar ] [ CrossRef ]
Institut d’Estudis Regionals i Metropolitans de Barcelona (IERMB). Enquesta de Mobilitat en Dia Feiner 2019 (EMEF 2019). La mobilitat a Barcelona ; IERMB: بلاترا، اسپانیا، 2020؛ در دسترس آنلاین: https://web.archive.org/web/20210923095118/https://observatorimobilitat.atm.cat/docs-observatori/enquestes-de-mobilitat/Enquestes_ambit_ATM/EMEF/2019/EMEFInform_2019 . سپتامبر 2021).
مرکز هوافضای آلمان (DLR) و سایر مناطق – اسناد SUMO. در دسترس آنلاین: https://sumo.dlr.de/docs/Tools/District.html (در 5 اوت 2021 قابل دسترسی است).
مونترو، ال. Ros-Roca، X. هرانز، ر. Barceló, J. ترکیب داده های تلفن همراه با سایر منابع داده برای تولید ماتریس های OD ورودی برای مدل های حمل و نقل. ترانسپ Res. Procedia 2019 ، 37 ، 417-424. [ Google Scholar ] [ CrossRef ]
ملاکسو، اف. درمن، تی. انگل، تی. تحلیل عدم تقارن توزیع بار ترافیکی ورودی/خروجی خودرو در لوکزامبورگ. در مجموعه مقالات MobiWac 2015 – سیزدهمین سمپوزیوم بین المللی ACM در مدیریت تحرک و دسترسی بی سیم، کانکون، مکزیک، 2 تا 6 نوامبر 2015. صص 5-12. [ Google Scholar ]
مرکز هوافضای آلمان (DLR) و سایر موارد Od2trips — مستندات SUMO. در دسترس آنلاین: https://sumo.dlr.de/docs/od2trips.html (در 6 اوت 2021 قابل دسترسی است).
مرکز هوافضای آلمان (DLR) و سایرین Duarouter-SUMO Documentation. در دسترس آنلاین: https://sumo.dlr.de/docs/duarouter.html (در 6 اوت 2021 قابل دسترسی است).
مرکز هوافضای آلمان (DLR) و مسیرهای دیگر – اسناد SUMO. در دسترس آنلاین: https://sumo.dlr.de/docs/Tools/Routes.html (در 6 اوت 2021 قابل دسترسی است).
سیوفو، بی. پونزو، وی. توریری، وی. مقایسه کالیبراسیون‌های مبتنی بر شبیه‌سازی و مدل‌محور مدل‌های میکروشبیه‌سازی جریان ترافیک. ترانسپ Res. ضبط 2008 ، 36-44. [ Google Scholar ] [ CrossRef ]
Vavasis، SA بهینه سازی غیر خطی: مسائل پیچیدگی ; مجموعه بین‌المللی مونوگراف‌های علوم کامپیوتر 8; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1991; ISBN 0195072081. [ Google Scholar ]
لیبرمن، ای. راثی، شبیه سازی ترافیک AK. در نظریه جریان ترافیک ; اداره بزرگراه فدرال ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1996. [ Google Scholar ]
کراوس، اس. واگنر، پ. گاورون، سی. حالت های فراپایدار در یک مدل میکروسکوپی از جریان ترافیک. فیزیک کشیش E-Stat. فیزیک پلاسما سیالات مرتبط. بین رشته ای. بالا. 1997 ، 55 ، 5597-5602. [ Google Scholar ] [ CrossRef ]
Erdmann, J. SUMO’s Lane-changing model. در مجموعه مقالات دومین کنفرانس SUMO 2014، برلین، آلمان، 15-16 مه 2014 . مدل سازی تحرک با داده های باز یادداشت های سخنرانی در تحرک. Behrisch, M., Weber, M., Eds. انتشارات بین المللی Springer: چم، سوئیس، 2015; جلد 13، ص 105–123. [ Google Scholar ]
ماک، پ. دیاز، اس. (ویرایشگران) آمار بازار خودرو اروپا. در کتاب جیبی 2020/21 ; شورای بین المللی حمل و نقل پاک اروپا: برلین، آلمان، 2020. [ Google Scholar ]
مارکت، او. Miralles-Guasch، C. شهر موتور سیکلت. در مورد اینکه چگونه عوامل عینی و ذهنی پشت افزایش تحرک دو چرخ در بارسلونا هستند. ترانسپ سیاست 2016 ، 52 ، 37-45. [ Google Scholar ] [ CrossRef ]
لوبو، SC; نویمایر، اس. فرناندز، EMG؛ Facchi، C. InTAS – سناریوی ترافیک اینگولشتات برای SUMO. arXiv 2020 ، arXiv:2011.11995. [ Google Scholar ]
مرکز هوافضای آلمان (DLR) و سایرین چرا وسایل نقلیه از راه دور منتقل می‌شوند — مستندات SUMO. در دسترس آنلاین: https://sumo.dlr.de/docs/Simulation/Why_Vehicles_are_teleporting.html (در 6 اوت 2021 قابل دسترسی است).
Wardrop، JG برخی از جنبه های نظری ترافیک جاده ای. Proc. Inst. مهندس 1952 ، 1 ، 325-362. [ Google Scholar ]
داگانزو، سی اف. Sheffi, Y. در مورد مدل های تصادفی از انتساب ترافیک. ترانسپ علمی 1977 ، 11 ، 253-274. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بارسلو، جی. Casas، J. تکلیف دینامیکی اکتشافی تصادفی بر اساس شبیه‌ساز ترافیک میکروسکوپی AIMSUN. ترانسپ Res. ضبط J. Transp. Res. هیئت 2006 ، 1964 ، 70-80. [ Google Scholar ] [ CrossRef ]
کاسکتا، ای. نوزولو، ا. روسو، اف. Vitetta، A. یک مدل انتخاب مسیر لاجیت اصلاح شده برای غلبه بر مشکلات همپوشانی مسیر. مشخصات و برخی از نتایج کالیبراسیون. در مجموعه مقالات تئوری حمل و نقل و ترافیک: سیزدهمین سمپوزیوم بین المللی در تئوری حمل و نقل و ترافیک، لیون، فرانسه، 24 تا 26 ژوئیه 1996. [ Google Scholar ]
گاورون، سی. تخصیص ترافیک مبتنی بر شبیه سازی: محاسبه تعادل کاربر در شبکه های خیابانی بزرگ. Ph.D. پایان نامه، Matheatisch-Naturwissenschaftlichen Fakultät، Universität zu Köln، کلن، آلمان، 1999. [ Google Scholar ]
Batty, M. The New Science of Cities ; مطبوعات MIT: کمبریج، MA، ایالات متحده; لندن، انگلستان، 2013; ISBN 9780262019521. [ Google Scholar ]
کانگ، جی. Aldstadt, J. استفاده از الگوهای فضایی-زمانی مقیاس چندگانه برای اعتبارسنجی مدل‌های مبتنی بر عامل صریح فضایی. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 193-213. [ Google Scholar ] [ CrossRef ]
بلمن، آر. کالابا، R. در مورد فرآیندهای کنترل تطبیقی. IRE Trans. خودکار Control 1958 ، 4 ، 1-9. [ Google Scholar ] [ CrossRef ]
سالوادور، اس. چان، پی. به سوی تاب برداشتن زمانی دینامیکی دقیق در زمان و مکان خطی. هوشمند داده آنال. 2007 ، 11 ، 561-580. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ajuntament de Barcelona Mobility Gauging جزئیات شهر بارسلونا – مجموعه داده ها. در دسترس آنلاین: https://opendata-ajuntament.barcelona.cat/data/en/dataset/aforaments-detall (در 16 مه 2021 قابل دسترسی است).
یو، م. Fan, W. کالیبراسیون مدل‌های شبیه‌سازی ترافیک میکروسکوپی با استفاده از الگوریتم‌های فراابتکاری. بین المللی J. Transp. علمی تکنولوژی 2017 ، 6 ، 63-77. [ Google Scholar ] [ CrossRef ]
وزیریو د فومنتو NS 5/2.014. Prescripciones Y Recomendaciones Técnicas Para La Realización De Estudios De Tráfico De Los Estudios Informativos، Anteproyectos Y Proyectos De Carreteras ; وزیریو د فومنتو: مادرید، اسپانیا، 2014. [ Google Scholar ]
او، دبلیو. یانگ، جی. Drury، CF; اسمیت، WN; گرانت، بی بی؛ او، پ. کیان، بی. ژو، دبلیو. Hoogenboom, G. برآورد اثرات تغییر آب و هوا بر عملکرد محصول و انتشار N2O برای خاک‌ورزی معمولی و بدون خاک‌ورزی در جنوب غربی انتاریو، کانادا. کشاورزی سیستم 2018 ، 159 ، 187-198. [ Google Scholar ] [ CrossRef ]
Li، ZT; یانگ، جی. اسمیت، WN; Drury، CF; Lemke، RL; گرانت، بی. او، WT; Li، XG شبیه سازی عملکرد بلندمدت گندم بهاره، خاک آلی C، N و دینامیک آب با استفاده از DSSAT-CSM در یک منطقه نیمه خشک از چمنزارهای کانادا. Nutr. چرخه آگرواکوسیست. 2015 ، 101 ، 401-419. [ Google Scholar ] [ CrossRef ]
وزارت حمل و نقل (دولت انگلستان). TAG UNIT M3.1: مدلسازی تخصیص بزرگراه ; وزارت حمل و نقل: لندن، بریتانیا، 2020. [ Google Scholar ]
داولینگ، آر. اسکاباردونیس، ا. Alexiadis, V. Traffic Analysis Toolbox Volume III: Guidelines for Applying Traffic Microsimulation Modeling Software ; اداره بزرگراه فدرال ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2004.
جرولیمینیس، ن. داگانزو، CF وجود نمودارهای اساسی ماکروسکوپی در مقیاس شهری: برخی از یافته های تجربی. ترانسپ Res. روش قسمت B. 2008 ، 42 ، 759-770. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آمبول، ال. لودر، ا. منندز، م. نمودارهای بنیادی ماکروسکوپی تجربی Axhausen، KW بینش جدید از آشکارساز حلقه و داده های شناور خودرو. در مجموعه مقالات نشست سالانه TRB 96 ; هیئت تحقیقات حمل و نقل: واشنگتن، دی سی، ایالات متحده آمریکا، 2017. [ Google Scholar ] [ CrossRef ]
هال، ویژگی های جریان ترافیک FL. در نظریه جریان ترافیک ; اداره بزرگراه فدرال ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1996. [ Google Scholar ]
شفتو، م. کانروی، ام. دویل، آر. گلسگن، ای. کمپ، سی. لوموین، جی. Wang, L. DRAFT مدل‌سازی، شبیه‌سازی، فناوری اطلاعات و نقشه راه پردازش — حوزه فناوری 11 ; سازمان ملی هوانوردی و فضایی (ناسا): واشنگتن، دی سی، ایالات متحده آمریکا، 2012.
روزن، آر. فون ویچرت، جی. لو، جی. Bettenhausen، KD درباره اهمیت استقلال و دوقلوهای دیجیتال برای آینده تولید. IFAC-PapersOnLine 2015 ، 48 ، 567-572. [ Google Scholar ] [ CrossRef ]
فولر، آ. فن، ز. دی، سی. بارلو، سی. دوقلو دیجیتال: فناوری‌های توانمند، چالش‌ها و تحقیقات باز. دسترسی IEEE 2020 ، 8 ، 108952–108971. [ Google Scholar ] [ CrossRef ]
وانگ، پی. یانگ، م. پنگ، ی. ژو، جی. جو، آر. یین، کیو. کنترل سنسور در جنگ ضد زیردریایی-رویکرد مبتنی بر مجموعه‌های محدود تصادفی و دوقلوی دیجیتال. Entropy 2019 ، 21 ، 767. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لیو، ام. دندان های نیش.؛ دونگ، اچ. Xu, C. بررسی دوقلوهای دیجیتال در مورد مفاهیم، فناوری ها و کاربردهای صنعتی. J. Manuf. سیستم 2021 ، 58 ، 346-361. [ Google Scholar ] [ CrossRef ]
لیما، ا. استانوجویچ، آر. پاپاگیانکی، دی. رودریگز، پی. گونزالس، MC درک رفتار مسیریابی فردی. JR Soc. رابط 2016 ، 13 ، 20160021. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Alessandretti، L. یک مدل محاسباتی جدید برای ناوبری انسان. نات. محاسبه کنید. علمی 2021 ، 1 ، 642-643. [ Google Scholar ] [ CrossRef ]
بونجورنو، سی. ژو، ی. کریون، ام. تورل، دی. ریزو، ا. سانتی، پی. تننباوم، جی. Ratti, C. ناوبری عابر پیاده مبتنی بر برداری در شهرها. نات. محاسبه کنید. علمی 2021 ، 1 ، 678-685. [ Google Scholar ] [ CrossRef ]
هادسون اسمیت، ا. سیگنورلی، وی. داوکینز، او. باتی، ام. بیش از یک دوقلو: بوم شناسی کاربردهای مدل در شرق لندن. در کتاب دوقلوهای دیجیتال برای شهرهای هوشمند-مفهوم‌سازی، چالش‌ها و تمرین‌ها ؛ Wan, L., Nochta, T., Tang, J., Schooling, J., Eds.; موسسه مهندسین عمران: لندن، بریتانیا، 2022. [ Google Scholar ]
تائو، اف. Qi، Q. دوقلوهای دیجیتالی بیشتری بسازید. Nature 2019 ، 573 ، 490–491. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سپاسگزار، SME تمایز دوقلوی دیجیتال از سایه دیجیتال: توضیح یک تغییر پارادایم برای تسریع یک محیط ساخته شده هوشمند و پایدار. Buildings 2021 , 11 , 151. [ Google Scholar ] [ CrossRef ]
Arcaute، E. بارتلمی، ام. باتی، م. کالدارلی، جی. گرشنسون، سی. هلبینگ، دی. مورنو، ی. راماسکو، جی جی. روزنبلات، سی. سانچز، الف. شهرهای آینده: چرا دوقلوهای دیجیتال باید علم پیچیدگی را به کار گیرند [پیش چاپ]. 2021. در دسترس آنلاین: https://www.researchgate.net/publication/354446988_Future_Cities_Why_Digital_Twins_Need_to_Take_Complexity_Science_on_Board (در 10 دسامبر 2021 قابل دسترسی است).
هلبینگ، دی. فن طبسی، ف. جیانوتی، اف. هانگلی، آر. هاوسلادن، CI; ون دن هوون، جی. ماهاجان، س. پدرشی، دی. پورنارس، ای. اخلاق شهرهای هوشمند: به سوی طراحی حساس به ارزش و زندگی شهری در حال تکامل. Sustainability 2021 , 13 , 11162. [ Google Scholar ] [ CrossRef ]
فرانسیسکو، ا. Asce, SM; محمدی، ن. Asce, AM; تیلور، جی. Asce، M. Smart City Digital Twin-Enabled Management Energy: Toward Time Real Urban Building Energy Benchmarking. جی. مناگ. مهندس 2019 , 36 , 04019045. [ Google Scholar ] [ CrossRef ]
روحومکی، تی. ایراکسینن، ای. هووسکا، پی. کسانیمی، او. مارتیککا، م. Suomisto، J. پلتفرم شهر هوشمند فعال دیجیتال دوقلو. در مجموعه مقالات نهمین کنفرانس بین المللی سیستم های هوشمند 2018: نظریه، تحقیق و نوآوری در کاربردها، فونچال، پرتغال، 25 تا 27 سپتامبر 2018؛ صص 155-161. [ Google Scholar ]
وارشن، سی. Wagner, P. Mikroskopische Modellierung der Personenverkehrsnachfrage auf Basis von Zeitverwendungstagebüchern. در مجموعه مقالات 7. Aachener Kolloqium “Mobilität und Stadt” (AMUS 2006)، آخن، آلمان، 7-9 سپتامبر 2006; Integrierte Mikro-Simulation von Raum-und Verkehrsentwicklung. نظریه، کنزپته، مدل، پراکسیس. Institut für Stadtbauwesen und Stadtverkehr, RWTH Aachen: Aachen, Germany, 2006; جلد 81، ص 63–69. [ Google Scholar ]
کدکا، ال. فرانک، آر. فی، س. سناریوی انگل، تی. لوکزامبورگ SUMO Traffic (LuST): ارزیابی تقاضای ترافیک. IEEE Intell. ترانسپ سیستم Mag. 2017 ، 9 ، 52-63. [ Google Scholar ] [ CrossRef ]

شکل 1. خط لوله داده پیشنهادی برای ساخت سناریوی ریزشبیه سازی. با رنگ آبی، به بخش های این مقاله ارجاع داده شده است.

شکل 2. حوزه های جغرافیایی تحت پوشش ریزشبیه سازی: ( الف ) موقعیت RMB در استان بارسلون، از جمله تقسیمات جغرافیایی مختلف استفاده شده در مدل. ( ب ) ناحیه اصلی میکروشبیه‌سازی دقیق (به رنگ قرمز) که توسط جاده‌های کمربندی شهر (Rondes، به رنگ آبی) و مناطق تخصیص ترافیک مربوطه (TAZs، به رنگ سفید) تعریف شده است.

شکل 3. فرآیند اکتساب و ویرایش داده های OSM برای تولید شبکه: ( الف ) داده های OSM. ( ب ) تصحیح داده‌های OSM بر اساس تصاویر ماهواره‌ای شخص ثالث. ( ج ) شبکه SUMO با خطاهای تبدیل (به عنوان مثال، اشتباه در تعیین شماره خطوط، چراغ راهنمایی و غیره). ( د ) شبکه SUMO تصحیح شده نهایی که برای شبیه سازی از جمله حلقه های القایی مجازی برای اندازه گیری جریان ترافیک استفاده می شود.

شکل 4. شبکه جاده: ( الف ) شبکه منطقه شبیه سازی گسترده (RMB) که محدودیت سرعت را بر حسب کیلومتر در ساعت نشان می دهد. ( ب ) شبکه ناحیه شبیه‌سازی هسته (Rondes) که برای اعتبارسنجی ریزشبیه‌سازی دقیق استفاده می‌شود، جایی که رنگ‌های مختلف تعداد خطوط را نشان می‌دهند.

شکل 5. ارزیابی وزن ها. ضریب اولویت و دستگاه. مسیریابی مجدد . احتمال . مقادیر پایین‌تر برای RMSE، NRMSE و تله‌پورت ترجیح داده می‌شوند، در حالی که مقادیر بالاتر R2 ^، ضریب رگرسیون و GEH نشان‌دهنده عملکرد بهتر است: ( الف ) کل تله‌پورت‌ها برحسب درصد کل وسایل نقلیه بارگیری شده بیان می‌شوند. ( ب ) درصد کل تقاضای بارگذاری شده به طور موثر در شبیه سازی. ( ج ) ضریب ^R2 بین شمارش ترافیک شبیه سازی شده و واقعی. ( د ) ضریب رگرسیون بین شمارش ترافیک شبیه سازی شده و واقعی. ( ه ) RMSE بین تعداد ترافیک شبیه سازی شده و واقعی. ( ف) NRMSE بین تعداد ترافیک شبیه سازی شده و واقعی. ( ز ) فاصله بین منحنی تقاضای ترافیک زمانی نظری و شبیه‌سازی شده بر اساس متریک DTW. ( h ) درصد پیوندهای نظارت شده با آمار GEH زیر 5.

شکل 6. طبقه بندی متغیرها و معیارهای ارزیابی بر اساس تجمع مکانی-زمانی آنها (بر اساس چارچوب پیشنهادی در [ 93 ] ( شکل 1 )).

شکل 7. عملکرد مدل های تحلیل شده (برای ناحیه شبیه سازی هسته، Rondes). iSAR از نتایج IIDUE بهتر عمل می‌کند: نتایج پایدارتر، نزدیک‌تر به میانگین زمان سفر، تناسب بهتر و معیارهای خطای کمتر را نشان می‌دهد. محدوده‌های سایه‌دار عملکرد ضعیف مدل را در صورت عدم توجه به عبور از ترافیک (یعنی عبور از منطقه مرکزی Rondes) نشان می‌دهند: ( الف ) کل تله‌پورت‌ها برحسب درصد کل وسایل نقلیه بارگیری شده بیان می‌شود. ( ب ) تله‌پورت‌های ناشی از گیر کردن، بر حسب درصد کل وسایل نقلیه بارگیری شده بیان می‌شود. ( ج ) میانگین زمان سفر برای همه وسایل نقلیه در ثانیه. ( د ) ضریب ^R2 بین شمارش ترافیک شبیه سازی شده و واقعی. ( ه) ضریب رگرسیون بین تعداد ترافیک شبیه سازی شده و واقعی. ( f ) RMSE بین تعداد ترافیک شبیه سازی شده و واقعی. ( g ) NRMSE بین تعداد ترافیک شبیه سازی شده و واقعی. ( h ) درصد پیوندهای نظارت شده با آمار GEH زیر 5. ( i ) درصد پیوندهای نظارت شده با آمار GEH زیر 10.

شکل 8. توزیع زمانی سفرها که تقاضای اندازه‌گیری‌شده را در بررسی‌ها نشان می‌دهد (“حقیقت زمین”، منحنی آبی نقطه‌دار) در مقایسه با تقاضای شبیه‌سازی‌شده (خط جامد قرمز) پس از کالیبراسیون پارامتر ( بخش 2.4 ) و تطبیق ( بخش 2.5 )، با نمودارهای جعبه‌ای نشان دادن تغییرات در بین تکرارها خط نارنجی نقطه‌دار نتایج شبیه‌سازی را بدون کالیبراسیون نشان می‌دهد.

شکل 9. شمارش ترافیک: ( الف ) مکان 488 آشکارساز AADT که توسط شهر بارسلون مدیریت می شود، که برای ارزیابی کیفیت کالیبراسیون مدل استفاده می شود. ( ب ) نمودار رگرسیون مقایسه تعداد ترافیک واقعی و شبیه سازی شده (میانگین در تمام شبیه سازی های iSAR با استفاده از روش های c-Logit و Gawron). R ² > 0.8 تناسب خوبی در نظر گرفته می شود.

شکل 10. شمارش ترافیک اندازه‌گیری‌شده در مکان‌های انتخاب‌شده که محدوده‌های میانگین شمارش ترافیک روزانه ماهانه (MADT) را با 25 نقطه کنترل نشان می‌دهد که در آن متغیرهای عادی شده ( ) پایین ترین (چپ، آبی) و بالاترین (راست، قرمز) است.

شکل 11. مقادیر نمودارهای بنیادی ماکروسکوپی به دست آمده با ریزشبیه سازی: ( الف ) رنگی بر اساس محدودیت سرعت بخش جاده. ( ب ) رنگ بر اساس تعداد خطوط بخش جاده.

شکل 12. نتایج شبیه‌سازی: ( الف ) سطح ازدحام با اتلاف زمان جمع‌آوری شده بر حسب ثانیه در 3 بازه مربوط (خارج از اوج به علاوه ساعت اوج صبح و عصر) اندازه‌گیری می‌شود. ( ب ) سطح ازدحام اندازه‌گیری شده با شمارش ترافیک جمع‌آوری شده در 3 بازه مربوط (خارج از پیک به علاوه ساعت اوج صبح و عصر). ( ج ) شمارش ترافیک 24 ساعته.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

1.1. سناریوهای ریزشبیه سازی شهری در مقیاس بزرگ موجود