مدل‌سازی تنگناهای سفر مشترک دوچرخه با استفاده از تمایز بین تقاضای درون‌زا و برون‌زا: مطالعه موردی در پکن

هدف این مقاله بررسی مکانیسم‌های داخلی تنگناها در سفرهای دوچرخه‌سواری است. ما تجزیه و تحلیل چگالی هسته را برای به دست آوردن نقاط تحلیل و مناطق تعیین شده توسط مناطق بافر انجام می دهیم. علاوه بر این، ما مدل تاخیر فضایی را از طریق رگرسیون توبیت بهبود می‌دهیم تا از تداخل خودهمبستگی جلوگیری کنیم و محدودیت‌های منطقی را برای متغیرهای وابسته تعیین کنیم. مدل پیشنهادی بین تقاضای اشتراک دوچرخه تعیین شده توسط کاربری زمین و سایر عوامل محیطی ساخته شده تمایز قائل می‌شود که به تعریف و شناسایی تنگناها در سفرهای اشتراک‌گذاری دوچرخه کمک می‌کند. بر اساس درخت خطای شبکه بیزی، ما حالت تشخیص گره های شواهد را برای محاسبه احتمالات پسین و تعیین حساس ترین عوامل برای تنگناها تعریف می کنیم. ما از شهر پکن به عنوان مطالعه موردی استفاده می کنیم. نتایج نشان می‌دهد که حساس‌ترین عواملی که باعث ایجاد تنگنا در سفرهای مشترک دوچرخه می‌شوند، تعداد کمی از ایستگاه‌های مترو، ایستگاه‌های اتوبوس کم، خطوط اتوبوس کم، تراکم کم خطوط دوچرخه‌سواری و جدایی جدی‌تر از خانه و کار است. یافته‌های ارائه شده در اینجا می‌تواند تولید سفرهای دوچرخه‌سواری را در پاسخ به توسعه اشتراک دوچرخه افزایش دهد و به تنظیم ساختار شهری و بازسازی طرح زیرساخت سبز کمک کند.

کلید واژه ها:

سفر مشترک دوچرخه ; تنگناها ؛ تقاضای درون زا و برون زا ; شبکه بیزی ؛ درخت گسل

1. مقدمه

حالت ترکیبی سفر با اشتراک دوچرخه به عنوان بخش مهمی، عنصر کلیدی سیستم های ترافیکی در شهرهای بزرگ است، به ویژه در توسعه تحرک به عنوان یک سرویس (MaaS) [ 1 ]]. در واقع، ظهور اشتراک دوچرخه باعث کاهش بیشتر هزینه های زمانی و مکانی فعالیت ها و حل مشکل اتصال در کیلومتر آخر شده است. جای تعجب نیست که در چند سال گذشته، جذابیت سایر روش های حمل و نقل عمومی مانند مترو را نیز افزایش داده است که برای کاهش تراکم ترافیک شهری مفید است. با این حال، در چین، رواج اشتراک دوچرخه وارد دوره سختی شده است. در حال حاضر، طرح توزیع و مدیریت برای اشتراک دوچرخه عمدتاً ترکیبی ساده با سایر حالت‌های سفر در سطح سیستم است و ویژگی‌های مکانی-زمانی رفتار سفر شهری و سایر عوامل تأثیرگذار در سطح خرد را نادیده می‌گیرد. استراتژی های برنامه ریزی و کنترل نامعقول تنها باعث افزایش بار بر دوش شهرها می شود. جدا از مسائل مدیریتی، اشتراک دوچرخه همچنین باعث ایجاد برخی تنگناهای فضایی شده است که می تواند از طریق محیط شهری به زیرساخت های حمل و نقل دیگر سرایت کند. بدیهی است که استفاده از دوچرخه اشتراکی در برخی مناطق و شهرها کمتر است. این تنگناها مانع بزرگی برای مزایای اشتراک دوچرخه هستند، اما درک این مانع بسیار دشوار است، زیرا به کاربری زمین و عناصر برونزا مرتبط با عوامل طبیعی، اجتماعی و محیطی ساخته شده بستگی دارد. این امر نیاز به در نظر گرفتن این اثرات پیچیده را هنگام توسعه تکنیک‌های شناسایی و حذف برای تنگناها افزایش می‌دهد. این تنگناها مانع بزرگی برای مزایای اشتراک دوچرخه هستند، اما درک این مانع بسیار دشوار است، زیرا به کاربری زمین و عناصر برونزا مرتبط با عوامل طبیعی، اجتماعی و محیطی ساخته شده بستگی دارد. این امر نیاز به در نظر گرفتن این اثرات پیچیده را هنگام توسعه تکنیک‌های شناسایی و حذف برای تنگناها افزایش می‌دهد. این تنگناها مانع بزرگی برای مزایای اشتراک دوچرخه هستند، اما درک این مانع بسیار دشوار است، زیرا به کاربری زمین و عناصر برونزا مرتبط با عوامل طبیعی، اجتماعی و محیطی ساخته شده بستگی دارد. این امر نیاز به در نظر گرفتن این اثرات پیچیده را هنگام توسعه تکنیک‌های شناسایی و حذف برای تنگناها افزایش می‌دهد.

به طور کلی، گلوگاه به عنوان عامل محدود کننده کلیدی کل فرآیند تعریف می شود که در زمینه های مختلف معانی مختلفی دارد. گلوگاه تولید به یک یا چند عامل اشاره دارد که سطح کلی گردش کار را محدود می کند، از جمله زمان تکمیل گردش کار، کیفیت گردش کار و غیره [ 2 ]. به طور کلی، به اصطلاح تنگناها در واقع عوامل مختلفی هستند که خروجی را در کل فرآیند محدود می کنند. از نظر مهندسی ترافیک، پیوندی با کمترین راندمان ترافیک در یک شبکه ترافیکی را می‌توان «گلوگاه» نامید، مانند تقاطع‌ها و بخش‌های جاده با تغییر خط [ 3 ].]. بسیاری از مطالعات جامع در مورد تنگناهای ترافیکی نقاط ضعف را در بهبود تسلط حمل و نقل و سطح خدمات مطرح کرده است. بنابراین، به منظور افزایش جذابیت و استفاده از دوچرخه اشتراکی، تنگناهای سفر مشترک دوچرخه را به عنوان مناطق شهری تعریف می کنیم که به دلیل تفاوت در محیط ساخته شده، برای تسلط اشتراک دوچرخه مناسب نیستند.

در حال حاضر، گسترش سریع دانش در خصوص ویژگی‌های مکانی و زمانی دوچرخه‌های عمومی، عوامل مؤثر بر رفتار اشتراک‌گذاری دوچرخه، عوامل تأثیرگذار بر رفتار اتصال حمل‌ونقل دوچرخه به ریل، و عوامل تأثیرگذار بر رفتار رفت‌وآمد دوچرخه- مترو وجود دارد. . در مهندسی ترافیک، داده‌های مقیاس بزرگ به کاوش ویژگی‌های رفتار مکانی و زمانی ترافیک مشترک و کنترل و مدیریت اشتراک‌گذاری دوچرخه اختصاص داده می‌شوند. در این میان، می توان از خوشه بندی، رگرسیون و غیره برای توصیف حالت های سفر برای اشتراک دوچرخه در کاربری های مختلف زمین [ 4 ] و شرایط آب و هوایی [ 5 ] استفاده کرد.]. علاوه بر این، برنامه ریزان شهری و حمل و نقل با تکیه بر منابع پرسشنامه برای به دست آوردن گزینه های سفر به عوامل محیطی مربوط به اشتراک دوچرخه و حمل و نقل دوچرخه-راه آهن روی می آورند [ 6 ]]. این وضعیت گامی رو به جلو در تبیین راهبردهای دیسپاچینگ است که مستقیماً بر عملکرد سیستم ترافیک تأثیر می گذارد. در زمینه انفجار داده ها، همه مطالعات در مورد ویژگی های سفر و عوامل مؤثر بر دوچرخه های مشترک، که به روز می مانند و از محبوبیت بالایی برخوردار هستند، سهم مهمی در توسعه حمل و نقل داشته اند. با این حال، یک محدودیت عمده در ادبیات مربوط به مدل‌های اشتراک دوچرخه این است که محققان بر روی یک جنبه مبتنی بر تجزیه و تحلیل همبستگی تمرکز می‌کنند، در حالی که توجه جامع به محیط را نادیده می‌گیرند. مهمتر از آن، اگرچه تئوری خطا معمولاً برای تشخیص مشکلات در سیستم ترافیک به کار گرفته شده است، اطلاعات کمی در مورد مکانیسم ایجاد گلوگاه و انتشار در سفرهای اشتراکی دوچرخه وجود دارد. از این رو،

①: گلوگاه های سفر مشترک دوچرخه در یک شهر کجاست؟ چگونه می توان آنها را با تمایز بین تقاضای درون زا و برون زا پیدا کرد؟
②: دلایل ایجاد گلوگاه در سفرهای اشتراکی دوچرخه چیست؟ چگونه می توان کلیدی ترین عناصر را تعیین کرد؟

این مقاله به شرح زیر سازماندهی شده است. ابتدا، ما کارهای مرتبط را در مورد عوامل مؤثر بر سفرهای اشتراکی دوچرخه، و همچنین توسعه و کاربرد تنگناهای ترافیکی، در بخش 2 خلاصه می‌کنیم ، که بر اساس آن برای مطالعه خود الهام گرفتیم. بخش 3روش‌های دنبال شده برای مدل‌سازی تنگناهای سفر مشترک دوچرخه را مورد بحث قرار می‌دهد. در میان آنها، ما از تشخیص هات اسپات با تجزیه و تحلیل تراکم هسته برای ایجاد مناطق تجزیه و تحلیل برای رسیدن به اهداف خود استفاده می کنیم و توضیح می دهیم که کاربری زمینی که برای تولید تقاضای سفر در نظر گرفته شده است با سایر عناصر محیطی متفاوت است. علاوه بر این، ما در مورد چارچوب استفاده از شبکه علی بیزی با یک مدل درخت خطا برای تجزیه و تحلیل مکانیسم تولید و عوامل کلیدی محرک تنگناهای سفر اشتراک‌گذاری دوچرخه توضیح می‌دهیم. در مرحله بعد، بخش 4 شرح منطقه و داده های مورد مطالعه را ارائه می دهد. در نهایت، نتایج برازش مدل تنگناها را در بخش 5 نشان می‌دهیم . این مقاله با بحث و نتیجه گیری در بخش 6 به پایان می رسد .

2. بررسی ادبیات

در این بخش، کار تحقیقاتی را ارائه می‌کنیم که به عنوان پایه و الهام‌بخش توسعه مدل گلوگاه، مکانیسم انجام‌شده در مدل و مطالعه عوامل تأثیرگذار پنهان پیچیده است.

2.1. عوامل موثر در سفر مشترک با دوچرخه

عوامل موثر بر اشتراک دوچرخه را می توان به دو دسته زمان و مکان تقسیم کرد. با در نظر گرفتن زمان به عنوان متغیر کنترل، روی حالت‌های معمولی سفر مشترک تمرکز می‌کنیم [ 7 ]. به عنوان مثال، اگرچه توزیع سیستم های اشتراک دوچرخه کوچکتر نامشخص است، ثابت شده است که مدت زمان آن به طور معمول در سیستم های اشتراک دوچرخه بزرگ توزیع می شود [ 8 ]. این به این دلیل است که اشتراک دوچرخه، به عنوان یک وسیله حمل و نقل کمکی، همبستگی بالایی با زمان دارد [ 9 ]. این نمایش نوسانات زمانی، تمایز تقاضای سفر مشترک دوچرخه را بین روزهای کاری و روزهای غیر کاری، بین تعطیلات و غیر تعطیلات، و بین ساعات اوج صبح و عصر تحلیل می‌کند [ 10 ].]. در مقایسه با تعطیلات آخر هفته، سفرهای مشترک دوچرخه در روزهای کاری بیشتر است، به خصوص در ساعات اوج صبح و عصر [ 11 ، 12 ]. از نظر یک روز، بیشترین سهم از سفرهای مشترک دوچرخه اغلب در ساعات اوج بعدازظهر رخ می دهد [ 13 ]. علاوه بر این، آب و هوا مربوط به عوامل زمان در واقع نقش اساسی در دوچرخه سواری به اشتراک گذاری دارد [ 14 ]. به عنوان مثال، دما معمولاً در طول دوره های زمانی مختلف در یک روز تأثیر متفاوتی دارد که منجر به یک رابطه غیر خطی بین آن و استفاده روزانه از دوچرخه مشترک می شود [ 15 ].]. سپس، استفاده روزانه نیز ممکن است با توجه به میزان بارندگی، بارش برف و سرعت باد متفاوت باشد، اما این قوانین ممکن است در مناطق نزدیک به کالج ها و دانشگاه ها اعمال نشود [ 16 ]. گاهی اوقات، هنگام انتخاب سفر مشترک دوچرخه، دوچرخه سواران تمایل دارند بر خطر بالقوه آب و هوا تمرکز کنند، مانند قرار گرفتن در معرض PM 2.5 دوچرخه سواران مشترک دوچرخه [ 17 ].

در طول فرآیند مدل‌سازی اشتراک دوچرخه، از انواع کاربری‌های ساخته‌شده معمولاً برای متعادل کردن تقاضا و عرضه مورد نیاز استفاده می‌شود. نوع کاربری زمین ساخته شده نشان دهنده رابطه بین تقاضای سفر بالقوه و مکان برای اعزام مشترک دوچرخه است. این سیستم مدیریت اشتراک دوچرخه (BSMS) و دیسپاچینگ را قادر می سازد تا هدف بهینه از نظر زمانی را به یک توزیع فضایی بهینه تبدیل کند. به این ترتیب، ما مکانیسم تعامل بین استفاده از زمین و تقاضای سفر مشترک دوچرخه را در نظر می گیریم. اگرچه شناسایی خصوصیات کاربری زمین با استفاده از اشتراک دوچرخه نیز یک کاربرد بسیار مهم است [ 18]، در حال حاضر، بیشتر تحقیقات عمدتاً بر توصیف تقاضای سفر مشترک دوچرخه بر اساس کاربری زمین متمرکز شده است. به طور کلی، از آنجایی که ما از CBD (منطقه تجاری مرکزی) دورتر هستیم، انتظار می رود جریان دوچرخه کاهش یابد، که نشان می دهد به نظر می رسد اقدامات دسترسی با استفاده از دوچرخه اشتراک گذاری در هر مکان مرتبط باشد [ 19 ]. شبکه‌های دوچرخه‌های خارج از خیابان تنگ‌تر، متراکم‌تر، مسطح‌تر، پیوسته‌تر و تفریحی‌تر در CBD نیز بخشی از دلیل مسافت پیموده شده بیشتر سفر با دوچرخه (MBT) است [ 20 ]. مهمتر از آن، شبکه دوچرخه ضعیف در حومه شهر، کاربران آسیب پذیر جاده (مانند دوچرخه سواران) را در معرض خطر بالای آسیب قرار می دهد، که باعث می شود بسیاری از کاربران جاده تمایلی به دوچرخه سواری نداشته باشند [ 21 ]]. بنابراین، در مقایسه با کاربری زمین، تصور محیط ساخته شده (BUE) ممکن است دقیق تر باشد، که مستلزم در نظر گرفتن عوامل فیزیکی، جغرافیایی و اجتماعی-اقتصادی جامع در طول مراحل تحلیل فضایی مدل های مختلف به عنوان یک استراتژی مدیریت اشتراک دوچرخه است [ 22 , 23 ]. هدف آنها اثبات این است که آیا استفاده از اشتراک دوچرخه توسط زیرساخت های حمل و نقل [ 24 ]، تعداد شاخه ها [ 19 ]، طول و تراکم خطوط دوچرخه [ 22 ، 25 ]، طیف اجتماعی [ 26 ] و غیره تعیین می شود یا خیر.

اتصال دوچرخه- مترو با موفقیت در حمل و نقل شهری برای در نظر گرفتن جنبه های دسترسی فضایی، به عنوان مثال، طراحی زنجیره سفر استفاده شده است [ 27 ، 28 ]. این پروژه‌های تحقیقاتی معمولاً با کاوش عوامل تأثیرگذار برای پیوند رفتار از منظر احساسات ذهنی شروع می‌شوند [ 29 ]. کاربران دوچرخه-مترو-ترانزیت بیشتر به ایمنی پارک دوچرخه توجه می کنند، در حالی که کاربران دوچرخه-مترو-پیاده روی به فضاهای پارک در اطراف ایستگاه های مترو اهمیت می دهند [ 30 ]. مطالعات دیگر توسط یانگ و همکاران. [ 31] نشان می دهد که عوامل کلیدی در ارتباط بین انتخاب های سفر، جنسیت، وضعیت شغلی و سطح راحتی مرتبط با تجربه سفر است. برای مثال، دوچرخه سواری با مترو برای رانندگان مرد با نمرات پایین تر یا رفت و آمدهای ناخوشایند جذاب تر است. علاوه بر این، سایر عوامل تعیین کننده نیز نقش مهمی در ارتباط بین دوچرخه سواری و حمل و نقل ریلی ایفا می کنند، از جمله مسافت سفر، سن، درآمد، نگرش شخصی، هدف سفر و غیره [ 32 ].

2.2. مدلسازی گلوگاه ترافیک

به دلیل افزایش جمعیت وسایل نقلیه و پیامدهای زیست‌محیطی و اجتماعی-اقتصادی آن، مانند دشواری پارک، افزایش ازدحام شهری، و کمک به آلودگی هوا و صوتی، در سال‌های اخیر تمایل قابل‌توجهی برای تغییر برنامه‌ریزی و مدیریت ترافیک به سمت بیشتر وجود داشته است. مدل های مشکل گرا برای تنگناهای ترافیکی [ 33 ]. اگرچه تعریف گلوگاه ترافیک نامشخص است، گلوگاه ترافیکی عموماً به بخش‌های جاده یا امکاناتی با ظرفیت ترافیک محدود به عوامل عینی اشاره دارد [ 34 ].]. ظرفیت تردد مقاطع گلوگاه که عمدتاً در پیچ‌ها، رمپ‌ها، تقاطع‌ها و غیره وجود دارد، آشکارا کمتر از سایر نقاط است. در نتیجه، الگوریتمی که به شناسایی گلوگاه ترافیک (TBI) پرداخته است به عنوان راه حل آینده برای بهبود جریان ترافیک و کاهش تراکم ترافیک در نظر گرفته می شود [ 35 ]. بسیاری از توسعه‌دهندگان فناوری مدیریت و کنترل، مدل‌های شبکه را برای بهبود دقت شناسایی و ارتقای کارایی که بر حسب سایر پارامترهای ترافیکی مانند تأخیرها، ظرفیت‌ها و غیره تعیین می‌شود، به پیش می‌برند [ 36 ، 37 ، 38 ]. لازم به ذکر است که شناسایی گلوگاه ترافیک موضوع شبکه عمدتاً بر مشکلات ترافیکی میکروسکوپی متمرکز شده است [ 39 ]، 40 ]، به جای درگیر کردن حوزه منطقه ای از منظر فضایی. با این حال، برای اشتراک دوچرخه با درجه بالایی از آزادی مکانی-زمانی، این مدل ها پایه نظری خوبی برای شناسایی و حتی توضیح مکانیسم تنگناهای سفر ارائه می دهند.

چندین پروژه تحقیقاتی برای درک مکانیسم تراکم ترافیک، عوامل مؤثر بر گلوگاه های ترافیکی را مدل می کنند [ 41 ]. برخی از این مطالعات بر مدل‌سازی مبتنی بر جریان ترافیک انواع مختلف اطلاعات، مانند عوامل راننده-وسیله نقلیه-جاده و عوامل محیطی و تأثیر آن‌ها بر سیستم حمل‌ونقل تمرکز داشتند [ 42 ، 43 ]. تغییر در زیرساخت های ترافیکی به عنوان یکی از عوامل کلیدی تعیین کننده کارایی یک شبکه ترافیک شناسایی شده و نقش اقدامات مدیریتی برای آنها تحلیل می شود [ 44 , 45 ].]. به طور کلی، توسعه اقتصادی منطقه ای و شرایط ساخت و ساز محدود است، که منجر به زیرساخت های ناقص، ظرفیت جاده محدود و کارایی پایین ترافیک می شود [ 46 ]. در عین حال، برنامه ریزی و طراحی غیر منطقی شبکه حمل و نقل و همچنین محیط ضعیف ساخته شده منجر به بهره وری پایین از زیرساخت های حمل و نقل می شود. تعداد زیادی از عوامل و مدل‌های موجود به‌ویژه برای شناسایی علل تنگناهای سفر مشترک دوچرخه در این مقاله ارزشمند هستند.

3. روش

3.1. ایجاد مناطق تحلیلی

در این بخش، ما تلاش می‌کنیم تا تحلیلی از نواحی تنگناها را بر اساس تشخیص نقاط مهم سفر با دوچرخه به اشتراک بگذاریم [ 47 ، 48 ، 49 ، 50 ]. در سال‌های اخیر، تخمین چگالی هسته به طور گسترده در تحلیل‌های مکانی استفاده شده است و برای تخمین چگالی داده‌های نقطه‌ای مکانی در مقیاس بزرگ بسیار مناسب است [ 51 ]. شکل 1 اصل تخمین چگالی هسته را نشان می دهد. در منطقه مورد مطالعه R ، مدل تخمین چگالی هسته هر نقطه را به عنوان مرکز در نظر می گیرد (یعنی هسته k ) و مقدار چگالی نقاط هدف را در پهنای باند r محاسبه می کند.، که با تعداد و فاصله نقاط مادی در پهنای باند تعیین می شود.

شکل 2 جریان الگوریتم تشخیص هات اسپات را بر اساس میدان چگالی نشان می دهد. در مرحله اول، پیش پردازش داده ها انجام می شود، مانند حذف داده های غیرعادی، پر کردن داده های از دست رفته، و استخراج مبدا-مقصد از مسیر اشتراک دوچرخه. سپس «تجزیه و تحلیل پنجره»، «منهای»، «تجدید طبقه بندی»، «راستر به چندضلعی» و … انجام می شود. در نهایت، نقاط داغ سفر مشترک دوچرخه به دست آمده است. مهمتر از آن، ما می توانیم نقاط حساس سفر مشترک دوچرخه را بر اساس “مقدار حرارت اسکن” تعیین کنیم.

نقاط مسافرتی اشتراک دوچرخه به عنوان نقاط تحلیلی تعریف می‌شوند که به یک پایگاه داده جغرافیایی وارد می‌شوند تا با استفاده از سیستم اطلاعات جغرافیایی مناطق بافر اطراف نقاط مهم را ایجاد کنند تا مناطق تجزیه و تحلیل را ایجاد کنند، همانطور که در شکل 3 نشان داده شده است . (Sun C، Quan W. ارزیابی دسترسی گذرگاه بر اساس تشخیص نقطه اتصال و تجزیه و تحلیل عنصر ماده [J]. دسترسی IEEE، 2020، PP(99):1-1).

3.2. شناسایی تنگناهای سفر مشترک دوچرخه

برای شناسایی تنگناهای سفر مشترک دوچرخه، روش تحلیل باقیمانده را معرفی می‌کنیم و نسل سفر اشتراک دوچرخه ( TGB ) را برای نشان دادن تقاضای اشتراک دوچرخه به کار می‌بریم. در اینجا، تقاضای اشتراک دوچرخه تعیین شده توسط عوامل درون زا به عنوان تقاضای درون زا تعریف می شود، در حالی که تقاضای اشتراک دوچرخه تعیین شده توسط عوامل برون زا به عنوان تقاضای برون زا تعریف می شود. کاربری زمین یکی از عوامل درون زا موثر بر TGB است، در حالی که سایر متغیرهای محیطی عوامل خارجی هستند. با مدل‌سازی روابط بین کاربری زمین و TGB ، می‌توانیم TGB ایده‌آل تعیین‌شده توسط کاربری زمین را پیش‌بینی کنیم. تأثیر سایر عوامل محیطی بر TGBهمانطور که در فرمول (1) نشان داده شده است، می توان با تغییر در مقدار باقیمانده، که تفاوت بین مقدار TGB مشاهده شده و مقدار TGB پیش بینی شده است، نشان داد. این روش به طور موثر اثر مربوطه استفاده از زمین و سایر عوامل محیطی را بر TGB بررسی می کندبه طوری که بین تقاضای درون زا و برون زا تمایز قائل شود. در این مقاله، ما مناطق تحلیلی با باقیمانده منفی را به عنوان تنگناهای سفر مشترک دوچرخه تعریف می‌کنیم که می‌تواند برای بررسی عوامل رانندگی داخلی استفاده شود. به طور خلاصه، به دلیل تأثیر سایر عوامل محیطی برون زا، تقاضای ایده آل برای اشتراک دوچرخه که باید بر اساس عوامل درون زا در این مناطق گلوگاه ایجاد می شد، ضعیف شده و حتی نزدیک به 0 می شود. تعریف فوق بر اساس عوامل زیر است. : هر سفری هدف و مقصد خاصی دارد و مسافران بنا به هدف خود از یک نقطه خاص به نقاط دیدنی دیگر می روند. به عبارت دیگر، نقطه مورد علاقه منطبق با کاربری زمین، منبع وقوع و جاذبه سفر است، در حالی که سایر محیط های ساخته شده،

تی جی ب اچ آ = تی جی ب o b s - تی جی ب سی سی

(1)

T G B_{o b s}

ارزش مشاهده شده واقعی نسل سفر اشتراک دوچرخه است.

T G B_{C C}

ارزش پیش‌بینی‌شده نسل سفر اشتراک دوچرخه است.

T G B_{H A}

باقیمانده نسل سفر اشتراک دوچرخه است. و مناطق تجزیه و تحلیل با باقیمانده منفی (

T G B_{H A}

< 0) به عنوان تنگناهای سفر مشترک دوچرخه در این مقاله تعریف شده است.

به طور کلی، در نظر گرفتن ناکافی متغیرها و خود همبستگی از مشکلات در مدل‌سازی آماری فضایی است. اولی عمدتاً به تفاوت غیرقابل اندازه گیری در تصادفی بودن محیطی اشاره دارد که توسط باقیمانده ها توصیف می شود. $T G B_{H A}$ ) در این صفحه. با این حال، ممکن است خودهمبستگی فضایی TGB نیز وجود داشته باشد ، که می تواند منجر به تنظیم نادرست و نتایج مغرضانه در مدل رگرسیون رایج شود. علاوه بر این، از آنجایی که تقاضای سفر نمی تواند کمتر از صفر باشد، این مقاله مدل تاخیر فضایی (SL) را معرفی و بهبود می بخشد و مدل Tobit-SL را بر اساس رگرسیون توبیت ایجاد می کند. این مدل نه تنها بر اهمیت اثر همسایه تاکید می کند، بلکه با وضعیت واقعی همخوانی بهتری دارد. علاوه بر این، به عنوان یک روش عملی و ساده، بیان عناصر زمین از طریق نقاط جغرافیایی مورد علاقه (POI) منطقی است. در مدل رگرسیون Tobit-SL، نقاط بهره به چند دسته تقسیم می شوند و برای نمایش ساختارهای کاربری مختلف استفاده می شوند. TGB درون زاناشی از کاربری زمین و اثر همسایگی به صورت زیر مدل‌سازی می‌شود:

y من = ρ \sum j = 1 n دبلیو من ج y j + \sum q = 1 س پ من من ق β q + سی

(2)

تی جی ب سی سی (من) = {y 0 اگر y > 0 اگر y \leq 0

(3)

جایی که $T G B_{C C} (i)$ نسل سفر مشترک دوچرخه تحت تأثیر عوامل درون زا (استفاده از زمین + اثر همسایه) در منطقه تجزیه و تحلیل یکم است. y _i نتیجه رگرسیون فضایی، یک متغیر پنهان است. $W_{i j}$ عنصر ( i , j )امین ماتریس وزن فضایی مرتبه n × n است. Q تعداد انواع نقاط علاقه است که در این مقاله 12 است. PI ₁ – PI ₁₂ به ترتیب امکانات ناهار خوری، مناظر، امکانات عمومی، شرکت ها، امکانات آموزشی، امکانات بیمه مالی، امکانات هتل، امکانات زندگی، امکانات ورزشی، امکانات پزشکی، ادارات دولتی و امکانات مسکونی هستند. و C یک جمله ثابت است.

3.3. بررسی علل تنگناها

در این مقاله، تنگناهای سفر مشترک دوچرخه توسط مناطق تجزیه و تحلیل با باقیمانده منفی نشان داده شده است. $T G B_{H A}$ ). بنابراین، بر اساس نتایج شناسایی گلوگاه در بخش 3.2 ، درخت خطای سفر مشترک دوچرخه را مدل‌سازی می‌کنیم، که در آن علت اصلی گلوگاه سفر (رویداد سطح بالا) از طریق تجزیه گام به گام یافت می‌شود [ 52 ] . رابطه منطقی بین رویدادها در هر لایه از دروازه AND و دروازه OR برای توصیف عملکرد ساختاری درخت خطای سفر اشتراک دوچرخه، به دنبال فرمول (4) استفاده می کند.

φ (X) = \sum p = 1 2 n φ (X) \prod n i = 1 ایکس Y من من (1-_ایکس من) 1-_Y من

(4)

که در آن p شماره سریال ترکیبی حالت عوامل محیطی (رویدادهای اساسی) است. $X_{i}$ اولین عامل محیطی (رویداد اساسی) است . Y _i یک متغیر حالت است. و $φ (X)$ مقدار حالت گلوگاه سفر (رویداد سطح بالا) مربوط به ترکیب حالت رویداد p است که به ترتیب 1 یا 0 می گیرد و نشان می دهد که آیا گلوگاه اشتراک دوچرخه رخ می دهد یا نه. ساختار مدل درخت خطا در شکل 4 نشان داده شده است [ 53 ].

خدمات اشتراک دوچرخه در یک منطقه باید به عنوان یک سیستم در نظر گرفته شود. چه زمانی $T G B_{H A}$ کمتر از 0 باشد، به این معنی است که متغیرهای محیطی ناشناخته دیگری وجود دارد که بر سطح خدمات سیستم در منطقه تأثیر می گذارد و در نتیجه جذابیت سفر مشترک در منطقه را تضعیف می کند. بنابراین، با محاسبه اهمیت احتمال و اهمیت حیاتی درخت خطا، می‌توان به این عوامل اساسی که باعث گلوگاه سیستم خدمات اشتراک دوچرخه می‌شوند و سپس نرخ اشتراک‌گذاری سفر اشتراک‌گذاری دوچرخه در سیستم حمل‌ونقل را بهبود بخشید، پی برد. در میان آنها، درجه اهمیت احتمال برای تعیین اینکه کدام احتمال رویداد اساسی به سرعت احتمال وقوع رویداد برتر را کاهش می دهد استفاده می شود. بر اساس اهمیت احتمال، بحرانی بودن حساسیت رویدادهای اساسی را نسبت به رویدادهای برتر در نظر می گیرد.54 ]. برای روش محاسبه احتمال به فرمول (5) و برای روش محاسبه اهمیت حیاتی به فرمول (6) مراجعه کنید.

من p (i) = \partial P ( تی ) \partial پ من

(5)

سی من = \partial ln P ( تی ) \partial ln پ من = پ من پ ( تی ) من p (i)

(6)

جایی که $I_{p (i)}$ اهمیت احتمال رویداد i است . $P (T)$ احتمال وقوع یک رویداد برتر است. $p_{i}$ احتمال I امین رویداد اساسی است. و $C_{i}$ اهمیت حیاتی رویداد i است.

گره ها در شبکه بیزی به موارد زیر تقسیم می شوند: ① گره های شواهد، یعنی متغیرهایی با مقادیر معین. ② گره هدف، یعنی هدف استنتاج نهایی یک شبکه بیزی. و ③ گره های میانی، یعنی گره های اتصال بین گره شواهد و گره هدف. فرآیند مدلسازی شبکه بیزی بر اساس مدل درخت خطا به شرح زیر است [ 55 ، 56 ].

مرحله 1 . تعیین گره ها: رویدادهای اساسی، گیت های منطقی و رویدادهای بالای درخت خطا به ترتیب با گره های شواهد، گره های میانی و گره های هدف در شبکه های بیزی مطابقت دارند.

مرحله 2 . ایجاد یک گراف غیر چرخه جهت دار: پیوندهای بین رویدادها در درخت خطا با گره های شبکه بیزی مطابقت دارد، بنابراین یک گراف غیر چرخه جهت دار را تشکیل می دهد.

مرحله 3 . جدول احتمال شرطی را ایجاد کنید: احتمالات اصلی رویداد و گیت های منطقی در درخت خطا به ترتیب با احتمالات قبلی گره های شواهد در شبکه بیزی و جداول احتمال شرطی گره های مربوطه مطابقت دارند.

مرحله 4 . محاسبه احتمال خلفی گره هدف:

برای احتمال خطا در این مطالعه، اینکه آیا گلوگاه اتفاق می‌افتد یا نه، P ( T = 1) و P ( T = 0) تنظیم می‌شود که هر دو مقادیر ثابت هستند. توزیع احتمال مشترک هر گره در شبکه بیزی به شرح زیر است [ 57 ]:

پ (تی 1 ، تی 2, \dots, تی n) = \prod i = 1 n پ (تی من | p a r e n t s (تی من))

(7)

پ (X = ایکس من ، تی = تی من) = پ (تی = تی من) \times پ (X = ایکس من ∣ تی = تی من)

(8)

علاوه بر این، فرمول بیزی به صورت زیر نشان داده شده است:

پ (تی = تی من ∣ X = ایکس من) = پ ( تی = تی من ) \times پ ( X = ایکس من ∣ تی = تی من ) \sum i = 1 n پ ( X = ایکس من ) پ ( تی = تی من ∣ X = ایکس من )

(9)

با فرض اینکه گلوگاه باعث می شود x _i و T مستقل از یکدیگر باشند، فرمول (9) را می توان به صورت زیر ساده کرد:

پ (تی ∣ X = ایکس من) = پ ( تی ) \times پ ( X = ایکس من ∣ تی ) \prod i = 1 n پ ( ایکس من )

(10)

در شبکه بیزی بر اساس درخت خطا، احتمال قبلی هر گره میانی با توجه به احتمال رویداد اصلی و گیت منطقی در درخت خطا تعیین می شود. با توجه به گیت منطقی درخت خطا، حالت های تشخیص چندگانه در بین هر گره شواهد وجود دارد، بنابراین احتمال قبلی گره میانی به صورت زیر تعریف می شود:

پ (م ک) = \prod د w \in تی ل پ (د متر ∣ تی)

(11)

جایی که

پ (د متر ∣ تی) = \prod ایکس من = t r u e پ (ایکس من) \prod ایکس j = f a l s e (1 - P (ایکس j))

(12)

جایی که $P (M_{k})$ احتمال قبلی گره میانی است. $d_{m}$ حالت تشخیص هر گره شواهد زمانی است که T رخ می دهد. و احتمال درستی d _m با توجه به T است.

با استفاده از شبکه بیزی بر اساس درخت خطا برای تجزیه و تحلیل، می توان به اهداف زیر دست یافت [ 58 ]: ① استدلال تشخیصی. متغیر نهایی به عنوان شکست تعریف می شود و گره های ریشه با مقایسه تغییرات احتمال مرتب می شوند. ② استدلال علّی. گره شواهد به عنوان یک خطا تعریف می شود و گره اصلی که بیشترین تأثیر را بر گره هدف دارد، متمایز می شود. ③ تجزیه و تحلیل حساسیت گره های میانی با کاهش واریانس انجام می شود. با فرض اینکه متغیر Y گره هدف با حالت های a و متغیر X گره ریشه با حالت های b است، زمانی که مقدار ورودی X تغییر می کند، کاهش واریانس ( VR ) ازY همانطور که در فرمول (13) نشان داده شده است.

V R = V (Y) - V (Y ∣ X)

(13)

جایی که

V (Y) = \sum آ p (a) [ن آ - E (Y)] 2

(14)

V (Y ∣ X) = \sum آ p (a ∣ b) [ن آ - E (Y ∣ ب)] 2

(15)

E (Y) = \sum آ p (a)

(16)

جایی که $N_{a}$ مقدار حالت a است . $E (Y)$ احتمال خلفی اولیه متغیر Y است . $E (Y ∣ b)$ مقدار مورد انتظار متغیر Y پس از برآورده شدن شواهد متغیر X است. $V (Y)$ مربع اولیه متغیر Y است . و $V (Y ∣ X)$ واریانس متغیر Y پس از برآورده شدن شواهد متغیر X است. هر چه مقدار VR بزرگتر باشد، تأثیر این متغیر بر گره هدف بیشتر و حساس تر است.

4. مطالعه موردی

4.1. منطقه مطالعه

این مقاله از پکن به عنوان یک شهر مورد مطالعه استفاده می کند. سفرهای اشتراکی دوچرخه در شهر پکن محبوب است. این به این دلیل است که پکن در سال‌های اخیر پول زیادی را برای اشتراک دوچرخه سرمایه‌گذاری کرده است، با نرخ پوشش و میزان استفاده بالا، که از بالاترین‌ها در چین است. بنابراین، با استفاده از شبکه‌های درخت گسل گلوگاه-شبکه‌های بیزی، هدف این مقاله بررسی مکانیسم‌های داخلی تنگناها در سفرهای اشتراک‌گذاری دوچرخه برای شهر پکن است. یافته های ارائه شده در اینجا می تواند به تنظیم ساختار شهری و بازسازی طرح زیرساخت سبز کمک کند. موقعیت و مورفولوژی شهری شهر پکن در شکل 5 نشان داده شده است .

4.2. توضیحات داده ها

این مقاله داده‌های اشتراک‌گذاری دوچرخه پکن ارائه‌شده توسط منابع داده باز را به‌عنوان داده‌های تحقیقاتی ( https://www.biendata.xyz/competition/mobike/data/ ، دسترسی به 30 اوت 2022) می‌گیرد. فیلدهای اصلی مجموعه داده شامل orderID، bikeID و غیره است. پس از پیش پردازش داده ها (شامل حذف داده های نامعتبر، زائد و غیرعادی)، آنها به نرم افزار ArcGIS وارد می شوند. با استفاده از ابزار کلیپ، داده های OD سفر اشتراکی دوچرخه در منطقه مورد مطالعه به دست می آید. به منظور تعیین میزان TGBالقا شده توسط عناصر زمین، تمام داده های POI در پکن با استفاده از ابزارهای خزنده به دست می آیند که به 12 دسته تقسیم می شوند، که عمدتاً شامل امکانات پذیرایی، مناظر و غیره است، همانطور که در فرمول (2) بیان شد. همزمان داده های شبکه راه های شهری، ایستگاه های اتوبوس، ایستگاه های مترو و تقاطع ها خزیده می شوند. ثانیاً، از داده‌های نمای خیابان نقشه بایدو برای به دست آوردن منطقه سبز، طول پیاده‌رو و طول خط دوچرخه جاده استفاده می‌شود. در نهایت، توزیع فضایی توپوگرافی، ارتفاع، کیفیت هوا و بارش در پکن با استفاده از روش ادبیات به دست آمد.

5. نتایج و بحث

5.1. نمایش شناسایی گلوگاه

بر اساس الگوریتم تجزیه و تحلیل چگالی هسته، داده‌های OD برای به دست آوردن میدان چگالی سفرهای اشتراک‌گذاری دوچرخه در پکن استفاده می‌شوند. سپس، با توجه به مدل در بخش 3.1 ، جریان تشخیص نقاط داغ در ArcGIS برای محاسبه تمام نقاط مهم سفر برای اشتراک دوچرخه استفاده می شود. متعاقبا، با تمام نقاط مهم سفر (نقاط تجزیه و تحلیل) اشتراک دوچرخه به عنوان مرکز، مناطق تجزیه و تحلیل به عنوان منطقه حائل با شعاع جستجوی 500 متر ساخته شده و به پایگاه داده جغرافیایی صادر می شود، همانطور که در شکل 6 نشان داده شده است.

به منظور اطمینان از دقت شناسایی، ابتدا از شاخص موران I [ 59 ، 60 ] و نیمه متغیرها [ 61 ، 62 ] برای آزمایش همبستگی فضایی و ناهمگونی تقاضای اشتراک دوچرخه استفاده می‌کنیم. نتایج موارد زیر را نشان می‌دهد: جهانی موران I = 0.406954، آماره استاندارد Z = 535.810289، سطح معنی‌داری P ₁ = 0، و ضریب اطمینان CC = 99%. بعلاوه، برد نیمه واریوگرام 1860 متر است که به صورت شکل S1 در فایل های تکمیلی نشان داده شده است . سپس، مقادیر گرما، یعنی مقادیر میدان چگالی در ناحیه تجزیه و تحلیل، به عنوان نمایشی ازTGB و به عنوان متغیر وابسته تنظیم کنید. تعداد POI در ناحیه تجزیه و تحلیل به عنوان یک متغیر مستقل برای مطابقت با فرمول های (2) و (3) به شرح زیر استفاده می شود. نتایج موارد زیر را نشان می‌دهد: معنی‌داری کلی P <0.01 و همچنین با R2 ⁼ 0.678، به این معنی که فرضیه اصلی رد شده است، یعنی متغیرهای توضیحی استفاده شده از این مدل معتبر هستند، و ایجاد تقاضای سفر مشترک دوچرخه مدل از اهمیت بالایی برخوردار است نتایج نهایی به صورت جدول S1 در فایل های تکمیلی نشان داده شده است. (سان سی، لو جی. سفرهای به اشتراک گذاری دوچرخه ناهمگونی فضایی و عوامل رانندگی. مجله مهندسی سیستم های حمل و نقل و فناوری اطلاعات، 2022، 22 (03): 198-206).

این مدل Tobit-SL برای پیش‌بینی TGB نظری در تمام حوزه‌های تحلیلی استفاده می‌شود که تقاضای ناشی از استفاده از زمین و اثر همسایه را ارائه می‌کند. تأثیر سایر عوامل محیطی بر TGB با تغییر در مقادیر باقیمانده مطابق با فرمول (1) توصیف می‌شود، و مناطق تجزیه و تحلیل با مقادیر باقی‌مانده کمتر از 0 به عنوان تنگناهای سفر برای اشتراک دوچرخه تعریف می‌شوند. به منظور کاهش دشواری ناشی از داده های بیش از حد، باقیمانده ها بر اساس روش شکست های طبیعی جنک به چندین بازه تقسیم می شوند [ 63 ، 64 ]، و 155 منطقه تجزیه و تحلیل برتر با بزرگترین باقیمانده برای مدل سازی شبکه بیزی استخراج می شوند، همانطور که نشان داده شده است. در شکل 6 .

5.2. نمایش شبکه درخت گسل – بیزی

هنگام ترسیم درخت خطای سفر مشترک دوچرخه، رویداد برتر تنگناها و به دنبال آن عناصر جغرافیایی طبیعی، محیط ساخته شده منطقه ترافیکی و عناصر اجتماعی-اقتصادی است. بیشتر عوامل تأثیرگذار مانند تعداد ایستگاه های اتوبوس، طول خطوط اتوبوس و غیره متغیرهای پیوسته هستند که شبکه های بیزی نمی توانند با آنها مقابله کنند. بنابراین، برای تبدیل فرمت داده های اصلی به قالب مدل سازی مناسب، لازم است داده ها گسسته شوند. الگوریتم گسسته استفاده شده در اینجا یک الگوریتم خوشه بندی غیر سلسله مراتبی بر اساس فاصله است که K-means نیز نامیده می شود. اصل اصلی آن تقسیم داده ها به کلاس های از پیش تعیین شده بر اساس تابع خطای حداقل و استفاده از فاصله به عنوان استاندارد ارزیابی شباهت است. این به سادگی به این معنی است که هر چه فاصله بین دو جسم نزدیکتر باشد، شباهت آنها بیشتر است. با خوشه‌بندی و گسسته‌سازی تمام عناصر محیطی در حوزه‌های تحلیل، همه عوامل تأثیرگذار به پنج درجه تقسیم می‌شوند. نامطلوب ترین سطح برای سفر مشترک دوچرخه به عنوان رویداد اصلی این مدل تعیین شده است، مانند هوای ضعیف (بدترین)، باران شدید (بدترین)، تراکم ترافیک جدی (بدترین) و غیره. بنابراین، مدل درخت خطا برای تنگناهای سفر مشترک دوچرخه، همانطور که در نشان داده شده است ترافیک جدی (بدترین) و غیره. بنابراین، مدل درخت خطا برای تنگناهای سفر مشترک دوچرخه، همانطور که در نشان داده شده است ترافیک جدی (بدترین) و غیره. بنابراین، مدل درخت خطا برای تنگناهای سفر مشترک دوچرخه، همانطور که در نشان داده شده استشکل 7 .

شکل 7. مدل درخت خطا برای تنگناهای سفر مشترک دوچرخه.

X ₁ : ارتفاع زیاد	X ₂ : زمین با ارتفاع زیاد	X ₃ : باران شدید
X ₄ : هوای ضعیف	X ₅ : درآمد بالا	X ₆ : ازدحام شدید ترافیک
X ₇ : جدایی جدی خانه از محل کار	X ₈ : چند ایستگاه اتوبوس	X ₉ : چند خط اتوبوس
X ₁₀ : تراکم کم خط اتوبوس	X ₁₁ : چند ایستگاه مترو	X ₁₂ : تراکم جاده کم
X ₁₃ : چند جاده شعبه	X ₁₄ : تعداد کمی پارکینگ ماشین	X ₁₅ : تراکم کم پیاده رو
X ₁₆ : تراکم کم خطوط دوچرخه	X ₁₇ : نسبت مساحت سبز کم	X ₁₈ : تقاطع های بیش از حد

شبکه بیزی عمدتاً از گره ها و جداول احتمال شرطی تشکیل شده است که به هر رویداد و گیت منطقی درخت خطا نگاشت می شوند. شکل 8 جدول احتمال شرطی دروازه OR و گیت AND را نشان می دهد ( به عنوان مثال گره T _{1 را در نظر می گیریم).}شبکه بیزی توسط پارامترهای توپولوژی و مدل تعیین می شود و توپولوژی آن در شکل 8 نشان داده شده است.. پارامترهای مدل به احتمال قبلی هر گره شواهد و احتمال شرطی گره میانی و گره هدف اشاره دارد. در میان آنها، احتمال قبلی گره شواهد با احتمال رویداد اصلی درخت خطا تعیین می شود. جداول احتمال شرطی گره میانی و گره هدف با ورودی احتمال مستقل تعیین می شود. مدل نهایی شبکه بیزی از تنگناهای سفر مشترک دوچرخه در شکل 9 نشان داده شده است .

5.3. تفسیر علل گلوگاه

(1) ارزیابی کمی درخت خطا

طبق فرمول (4)، عملکرد ساختاری درخت خطا به شرح زیر است:

φ (X) = ایکس 1 + ایکس 2 + ایکس 3 + ایکس 4 + ایکس 5 + ایکس 6 + ایکس 7 + ایکس 8 + ایکس 9 + ایکس 10 + ایکس 11 + ایکس 12 ایکس 13 ایکس 14 ایکس 15 + ایکس 16 + ایکس 17 + ایکس 18

(17)

با استفاده از فرمول (5)، اهمیت احتمال رویدادهای اساسی همانطور که در جدول 1 نشان داده شده است محاسبه می شود .

ترکیب با نتایج اهمیت احتمال، ترتیب اهمیت بحرانی رویدادهای اساسی محاسبه شده بر اساس فرمول (6) به شرح زیر است:

سی 11 > سی 8 > سی 9 > سی 16 > سی 7 > سی 5 > سی 6 > سی 4 > سی 3 > سی 17 > سی 1 > سی 18 > سی 2 > سی 10 > سی 12 > سی 15 > سی 14 > سی 13

(18)

از نابرابری فوق، می‌توانیم درجه تأثیرگذاری هر رویداد اساسی را بر گلوگاه سفر در اشتراک دوچرخه بدانیم. در این میان، ایستگاه‌های مترو کم، خطوط کم دوچرخه، جدایی جدی شغل و محل سکونت، تقاطع‌های زیاد، و تعداد کم جاده‌های شاخه‌ای از عوامل اصلی گلوگاه سفرهای مشترک دوچرخه هستند. هنگامی که احتمالات این پنج رویداد تغییر می کند، احتمال رویداد برتر به شدت تغییر می کند، یعنی اگر بتوان احتمالات این پنج رویداد را به طور موثر کاهش داد، احتمال تنگناهای سفر مشترک دوچرخه در شهر را می توان به بیشترین میزان کاهش داد. می توان میزان یا نرخ اشتراک گذاری سفر با دوچرخه را افزایش داد که در نهایت منجر به کاهش تراکم ترافیک و کاهش آلودگی شهری می شود.

(2) ارزیابی کمی شبکه بیزی مبتنی بر درخت خطا

برای تحلیل کمی شبکه بیزی بر اساس درخت خطا، حداکثر احتمال خلفی هر گره میانی T ₁ ، T ₂ و T ₃ بر اساس فرمول (10) محاسبه می شود. به عنوان مثال، برای T ₁ ، حداکثر احتمال خلفی آن به صورت زیر نشان داده شده است:

پ (تی 1 | م 1 ، م 2) = پ ( تی 1 ) پ ( م 1 ، م 2 | تی 1 ) پ ( م 1 ) پ ( م 2 )

(19)

در میان آنها، برای گره های M ₁ و M ₂ ، لازم است که حالت تشخیص را با توجه به گره های شواهد زیربنایی قضاوت کنیم. به عنوان مثال، برای گره M _{1 ، گره}_های شواهد پایین تر آن ( _X1، X2 ) حالت تشخیص آن را به صورت زیر تعیین می کنند:

د 1 : (ایکس 1 ، ایکس 2 ¯¯¯¯) ؛ د 1 : (ایکس 2 ، ایکس 1 ¯¯¯¯) ؛ د 1 : (ایکس 1 ، ایکس 2)

(20)

طبق فرمول (11)، حداکثر احتمالات خلفی گره های میانی T ₁ ، T ₂ و T ₃به ترتیب 0.650، 0.614 و 0.998 است، یعنی میزان مشارکت محیط طبیعی، محیط اجتماعی و محیط ساخته شده در بروز گلوگاه سفر در اشتراک دوچرخه به ترتیب 48.7، 37.5 و 89.1 درصد است. درصد سهم کل بیشتر از 100 درصد است که نشان می دهد گلوگاه ناشی از عوامل مختلفی است. علاوه بر این، تعاملات پویا و پیچیده ای بین عوامل مختلف وجود دارد. محیط ساخته شده بیشترین نسبت را به خود اختصاص می دهد که ممکن است به دلیل حساسیت بیشتر کاربران به تغییرات زیرساخت های حمل و نقل و سایر عوامل و همچنین ارتباط زیاد بین اشتراک دوچرخه و سایر روش های سفر باشد. برای محیط طبیعی، “کیفیت هوای ضعیف” مهمترین دلیل برای گلوگاه سفر در اشتراک دوچرخه است. بنابراین هنگام پیکربندی و ارسال اشتراک دوچرخه در یک منطقه باید به چنین عواملی توجه ویژه ای شود. در نهایت عوامل اجتماعی و اقتصادی نسبت معینی را به خود اختصاص می دهند. دلیل آن این است که برای گروه های پردرآمد، هزینه زمان مهم تر است و بدیهی است که اشتراک دوچرخه پاسخگوی تقاضا نیست. علاوه بر این، در مناطقی با ازدحام شدید ترافیک، محیط سواری حتی بدتر خواهد بود که بر ارزیابی ایمنی سواری تأثیر می گذارد.

با این فرض که گلوگاه سفر در اشتراک دوچرخه رخ می دهد، احتمال وقوع گره هدف به عنوان “1” تعریف می شود. با استفاده از استدلال تشخیص شبکه بیزی، عواملی که تأثیر زیادی بر گلوگاه سفر دارند، با مقایسه تغییرات احتمال گره‌های شواهد تشخیص داده می‌شوند. نتایج استدلال تشخیصی در جدول 2 نشان داده شده است.

از جدول 2 می توان دریافت که ترتیب اهمیت عوامل موثر بر گلوگاه های سفر در هر اشتراک دوچرخه به شرح زیر است:

ایکس 11 > ایکس 8 > ایکس 9 > ایکس 15 > ایکس 16 > ایکس 13 > ایکس 7 > ایکس 5 > ایکس 12 > ایکس 6 > ایکس 4 > ایکس 3 > ایکس 17 > ایکس 1 > ایکس 14 > ایکس 18 > ایکس 2 > ایکس 10

(21)

علاوه بر این، حساسیت کل شبکه تحلیل می‌شود. با استفاده از فرمول (14)، با کمک نرم‌افزار شبیه‌سازی نتیکا، کاهش واریانس هر گره شواهد را در شبکه بیزی تنگنای سفر اشتراک‌گذاری دوچرخه با T به عنوان گره هدف محاسبه می‌کنیم. در میان آنها، a ” X _i = 1 یا 0 ( i = 1،2،…، n )” است و ” b T = 1 یا 0 است”. بنابراین، بیان محاسباتی آن طبق فرمول (22) ساده شده است. علاوه بر این، نتایج تجزیه و تحلیل حساسیت در جدول 3 ارائه شده است.

V آر ایکس من = \sum آ p (a) [ن آ - \sum آ p (a) ن آ] 2 - \sum آ p (a | b) [ن آ - E (ایکس من - ب)]

(22)

با توجه به جدول 3 ، مشخص شده است که حساس ترین گره های شواهد (عوامل اساسی) در شبکه بیزی، تعداد کمی از ایستگاه های مترو، چند ایستگاه اتوبوس، خطوط اتوبوس کم، تراکم کم خطوط دوچرخه و جدایی جدی خانه و کار است. بنابراین، هنگام ایجاد استراتژی‌های توزیع اشتراک دوچرخه یا برنامه‌ریزی MaaS و سیستم‌های ترافیکی با حرکت آهسته، باید بیشتر بر روی عوامل تأثیرگذار بالا در تنگناهای سفر اشتراک‌گذاری دوچرخه تمرکز کنیم تا با عرضه و تقاضا مطابقت داشته باشیم و جذابیت سفر مشترک را افزایش دهیم. همراه با ویژگی‌های سفر شهری اشتراکی دوچرخه در مطالعات قبلی، می‌توان دریافت که این نتیجه‌گیری با وضعیت واقعی مطابقت دارد [ 22 ، 25 ]]. مهمتر از آن، تجزیه و تحلیل جامع و دقیق عوامل محیطی طبیعی، عوامل محیطی اجتماعی و عوامل محیطی ساخته شده به تنظیم ساختار شهری و بازسازی طرح زیرساخت کمک خواهد کرد. این بدان معنی است که ما می‌توانیم گلوگاه را از منظر عوامل خارجی حذف کنیم تا تولید سفرهای دوچرخه‌سواری را در کل منطقه افزایش دهیم و بیشترین سهم را در توسعه حمل‌ونقل سبز و کاهش تراکم ترافیک داشته باشیم. علاوه بر این، با مقایسه و تجزیه و تحلیل نتایج استدلال تشخیصی شبکه بیزی تنگنای سفر اشتراک‌گذاری دوچرخه برای نتایج تحلیل کمی درخت خطا، نتیجه می‌گیریم که نتایج خروجی دو مدل تقریباً یکسان است. با این حال، فرآیند محاسبه شبکه بیزی تنگنای سفر اشتراکی دوچرخه بر اساس درخت خطا ساده تر و سریعتر است و مهمترین چیز این است که تمام اطلاعات عوامل محیطی را می توان برای محاسبات موازی استفاده کرد. علاوه بر این، این مدل بر اساس احتمال شرطی، اهمیت عوامل مختلف محیطی اساسی را با توجه به کاهش واریانس تحلیل می‌کند، در واقع یک منطق چندشکلی را درک می‌کند و می‌تواند به تحقیق در سایر گلوگاه‌های ترافیکی بسط داده شود.

6. نتیجه گیری

ما بر مشکل مدل‌سازی گلوگاه‌های سفر اشتراک‌گذاری دوچرخه در مناطق کانونی با همبستگی فضایی تعمیم یافته بین تقاضاها تمرکز می‌کنیم. یک مدل تحلیل SL-Tobit پیشنهاد شده است که می تواند برای تمایز بین نیازهای درون زا و برون زا و در نظر گرفتن اثرات همسایگی تنظیم شود. علاوه بر این، یک روش راه حل مبتنی بر “شبکه بیزی مبتنی بر درخت خطا” برای گرفتن حساسیت گلوگاه عوامل مختلف محیطی مناسب است.

اگرچه علل پیچیده‌تر هستند، ارزیابی حساسیت مکانیسم‌های گلوگاه نتایج جالبی را نشان داد. ما درخت خطای سفر مشترک دوچرخه را مدل‌سازی کردیم، که در آن علل ریشه‌ای (عوامل محیطی) تنگناها (رویداد سطح بالا) از طریق تجزیه گام به گام پیدا شد. با تمرکز بر بهبود دقت، شبکه بیزی درخت خطا بر تأثیر کمبود متغیرها غلبه می کند. علاوه بر این، یک نتیجه قابل اعتماد کاهش واریانس از 155 منطقه تجزیه و تحلیل با بزرگترین باقیمانده این است که تنگناهای سفر مشترک دوچرخه با تعداد کمی از ایستگاه های مترو، چند ایستگاه اتوبوس، خطوط اتوبوس کم، تراکم کم خطوط دوچرخه، و جدایی جدی خانه و کار، که نقش نسبتاً تعیین کننده ای در تضعیف تقاضای درون زا از کاربری زمین دارد. حتی جالب تر، به نظر می رسد که معرفی این مکانیزم ارزیابی ارزش برنامه را برای پروژه افزایش داد: ① عرضه و تقاضا مطابقت داده و جذابیت سفرهای مشترک را افزایش داد. ② ساختار شهری را تنظیم کرد و طرح زیرساخت را بازسازی کرد. و ③ افزایش یافته استTGB و ازدحام ترافیک را کاهش داد.

ما چند سوال را مطرح کردیم که باید در کار آینده مورد بحث قرار گیرد. برای درک فرآیند انتشار و اتلاف تنگناهای سفر مشترک دوچرخه، به آزمایش‌های استدلال اضافی نیاز داریم. انگیزه خاصی برای نشان دادن اینکه چگونه تأثیر شاخص های سری زمانی ممکن است توزیع و اهمیت تنگناها را با در نظر گرفتن جاده های شهری با شبکه پیچیده تغییر دهد، وجود دارد. در نهایت، ارزیابی مکانیزم ارائه شده در اینجا ممکن است به منظور به کارگیری برای بهینه‌سازی کارایی اتصالات با سایر حمل‌ونقل عمومی نیاز به ترکیب یک رویکرد دسترسی فضایی برای تخمین مستقیم انسداد زمانی مکانی داشته باشد.

منابع

چو، SH; Shin, D. برآورد رفتار انتخاب مسیر کاربران اشتراک‌گذاری دوچرخه به‌عنوان سفرهای اول و آخر برای معرفی تحرک به‌عنوان سرویس (MaaS). KSCE J. Civ. مهندس 2022 ، 26 ، 3102-3113. [ Google Scholar ] [ CrossRef ]
هافمن، سی. استاهر، ت. کوهن، اس. استریکر، ن. هافنر، بی. Lanza، G. Augmented Go & See: رویکردی برای شناسایی بهتر گلوگاه در خطوط تولید. Procedia Manuf. 2019 ، 31 ، 148-154. [ Google Scholar ] [ CrossRef ]
هیل، دی. کریسیکوپولوس، جی. کندیلی، ع. غیاثی، ع. ارزیابی معیارهای عملکرد مبتنی بر داده برای مقایسه و رتبه بندی تنگناهای ترافیکی. IET Intel. ترانسپ سیستم 2021 ، 15 ، 504-513. [ Google Scholar ] [ CrossRef ]
وانگ، ایکس. چنگ، ز. ترپانیر، ام. Sun، L. مدل‌سازی تقاضای اشتراک دوچرخه با استفاده از مدل رگرسیون با ضرایب متغیر مکانی. J. Transp. Geogr. 2021 ، 93 ، 103059. [ Google Scholar ] [ CrossRef ]
گبهارت، ک. Noland, RB تأثیر شرایط آب و هوایی بر سفرهای اشتراک دوچرخه در واشنگتن دی سی. حمل و نقل 2014 ، 41 ، 1205-1225. [ Google Scholar ] [ CrossRef ]
کیم، ام. چو، جی.-اچ. تجزیه و تحلیل بر روی دوچرخه سواری مشترک برای جفت مبدا-مقصد: اثرات ویژگی های مسیر حمل و نقل عمومی و الگوهای استفاده از زمین. J. Transp. Geogr. 2021 ، 93 ، 103047. [ Google Scholar ] [ CrossRef ]
دو، ی. دنگ، اف. لیائو، اف. چارچوب مدلی برای کشف الگوهای استفاده مکانی-زمانی سیستم اشتراک دوچرخه شناور عمومی. ترانسپ Res. 2019 ، 103 ، 39-55. [ Google Scholar ] [ CrossRef ]
زک، ا. Hua, C. درک الگوهای سفر به اشتراک گذاری دوچرخه: تجزیه و تحلیل داده های سفر از هشت شهر. فیزیک یک آمار مکانیک. برنامه آن است. 2019 ، 515 ، 785–797. [ Google Scholar ]
زی، دبلیو. Xiong، W. چن، اچ. Chen, L. TAGCN: پیش‌بینی تقاضا در سطح ایستگاه برای سیستم اشتراک‌گذاری دوچرخه از طریق یک شبکه پیچیدگی نمودار توجه زمانی. Inf. علمی 2021 ، 561 ، 274-285. [ Google Scholar ] [ CrossRef ]
یو، اس. لیو، جی. یین، سی. درک تقاضای سفر مکانی-زمانی برای اشتراک دوچرخه شناور آزاد که با ایستگاه‌های مترو ارتباط برقرار می‌کند. حفظ کنید. جامعه شهرها 2021 , 74 , 103162. [ Google Scholar ] [ CrossRef ]
ما، ایکس. جی، ی. یوان، ی. ون اورت، ن. جین، ی. Hoogendoorn, S. مقایسه ای در الگوهای سفر و عوامل تعیین کننده تقاضای کاربر بین سیستم های اشتراک دوچرخه متصل و بدون اسکله با استفاده از داده های چند منبعی. ترانسپ Res. بخش A سیاست سیاست. 2020 ، 139 ، 148-173. [ Google Scholar ] [ CrossRef ]
وی، ز. ژن، اف. مو، اچ. وی، اس. پنگ، دی. ژانگ، ی. رفتارهای سفر دوچرخه‌های مشترک در منطقه مرکزی شهری بر اساس رگرسیون وزن‌دار جغرافیایی: مورد گوانگژو، چین. چانه. Geogr. علمی 2021 ، 31 ، 54-69. [ Google Scholar ] [ CrossRef ]
سلطانی، ع. ماترای، تی. Camporeale، R.; آلن، ای. کاوش الگوهای سفر با دوچرخه مشترک با استفاده از داده های بزرگ: شواهد در شیکاگو و بوداپست. در برنامه ریزی و مدیریت شهری محاسباتی برای شهرهای هوشمند ; Springer: Cham, Switzerland, 2019. [ Google Scholar ] [ CrossRef ]
العسی، دبلیو. محمود، ام اس; حبیب، KN اثرات محیط ساخته شده و آب و هوا بر تقاضای اشتراک دوچرخه: تجزیه و تحلیل سطح ایستگاه از اشتراک دوچرخه تجاری در تورنتو. حمل و نقل 2017 ، 44 ، 589-613. [ Google Scholar ] [ CrossRef ]
Kim, K. بررسی تأثیرات آب و هوا و رویدادهای تقویم بر اشتراک دوچرخه با توجه به الگوهای سفر اجاره دوچرخه ایستگاه‌ها. J. Transp. Geogr. 2018 ، 66 ، 309-320. [ Google Scholar ] [ CrossRef ]
لین، پی. ونگ، جی. لیانگ، کیو. علیوانیستوس، دی. Ma, S. تأثیر شرایط آب و هوایی و محیط ساخته شده در سفرهای عمومی دوچرخه در پکن. شبکه تف کردن اقتصاد 2020 ، 20 ، 1-17. [ Google Scholar ] [ CrossRef ]
کائو، ز. گائو، اف. لی، اس. وو، زی. گوان، دبلیو. Ho, HC Ridership بیش از حد قرار گرفتن در معرض خطر: شاخص های جدید برای ارزیابی قرار گرفتن در معرض سلامت PM2.5 دوچرخه سواران اشتراکی. محیط زیست Res. 2021 ، 197 ، 111020. [ Google Scholar ] [ CrossRef ]
ژائو، جی. فن، دبلیو. Zhai، X. شناسایی ویژگی های کاربری زمین با استفاده از داده های به اشتراک گذاری دوچرخه: یک رویکرد یادگیری عمیق. J. Transp. Geogr. 2020 , 82 , 102562. [ Google Scholar ] [ CrossRef ]
فقیه ایمانی، ع. الورو، ن. الجنیدی، AM; رباط، م. Haq, U. نحوه تأثیر کاربری زمین و شکل شهری بر جریان دوچرخه: شواهدی از سیستم اشتراک دوچرخه (BIXI) در مونترال. J. Transp. Geogr. 2014 ، 41 ، 306-314. [ Google Scholar ] [ CrossRef ]
اسامه، ا. سید، ت. مدل‌های Bigazzi، AY برای تخمین کیلومترهای دوچرخه‌سواری در سطح منطقه با استفاده از متغیرهای شبکه دوچرخه، کاربری زمین و تسهیلات جاده‌ای. ترانسپ Res. بخش A سیاست سیاست. 2017 ، 96 ، 14-28. [ Google Scholar ] [ CrossRef ]
اسامه، ا. Sayed, T. ارزیابی تأثیر شاخص‌های شبکه دوچرخه بر ایمنی دوچرخه‌سوار با استفاده از مدل‌های پیش‌بینی برخورد سطح کلان-ScienceDirect. اسید. مقعدی قبلی 2016 ، 97 ، 28-37. [ Google Scholar ] [ CrossRef ]
متئو بابیانو، آی. بین، آر. کورکوران، جی. پوجانی، د. چگونه محیط طبیعی و ساخته شده ما بر استفاده از دوچرخه مشترک تأثیر می گذارد؟ ترانس. Res. بخش A سیاست سیاست. 2016 ، 94 ، 295-307. [ Google Scholar ] [ CrossRef ]
یران، س. امین، م. شوکه، اچ. Weikai, W. بررسی تأثیرات عوامل محیطی بر رفتار دوچرخه‌سواری کاربران اشتراک‌گذاری دو چرخه. پایداری 2017 ، 9 ، 1060. [ Google Scholar ]
یانگ، آر. لانگ، R. تجزیه و تحلیل عوامل مؤثر بر تمایل عمومی برای مشارکت در پروژه‌های دوچرخه عمومی و استراتژی‌های مداخله – مطالعه موردی استان جیانگ سو، چین. پایداری 2016 ، 8 ، 349. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. توماس، تی. بروکسل، ام. ون مارسوین، ام. بررسی تاثیر عوامل محیطی ساخته شده بر استفاده از دوچرخه های عمومی در ایستگاه های دوچرخه: مطالعه موردی در Zhongshan، چین. J. Transp. Geogr. 2017 ، 58 ، 59-70. [ Google Scholar ] [ CrossRef ]
کمپبل، AA; گیلاس، CR; رایرسون، ام اس؛ یانگ، ایکس. عوامل مؤثر بر انتخاب دوچرخه های مشترک و دوچرخه های برقی مشترک در پکن. ترانس. Res. قسمت C Emerg. تکنولوژی 2016 ، 67 ، 399-414. [ Google Scholar ] [ CrossRef ]
ما، ایکس. جی، ی. یانگ، م. جین، ی. Tan, X. درک حالت اشتراک دوچرخه به عنوان تغذیه کننده مترو با جداسازی انتقالات اشتراک دوچرخه مترو از داده های کارت هوشمند. ترانسپ سیاست 2018 ، 71 ، 57-69. [ Google Scholar ] [ CrossRef ]
چن، سی.-ف. چنگ، W.-C. پایداری SI: بررسی ناهمگونی در ترجیحات گردشگران دوچرخه برای یک سرویس حمل و نقل یکپارچه دوچرخه-راه آهن. شبکه تف کردن اقتصاد 2016 ، 16 ، 83-97. [ Google Scholar ] [ CrossRef ]
جی، ی. فن، ی. ارماگون، ا. کائو، ایکس. وانگ، دبلیو. Das, K. دوچرخه عمومی به عنوان یک حالت تغذیه کننده برای حمل و نقل ریلی در چین: نقش جنسیت، سن، درآمد، هدف سفر، و تجربه سرقت دوچرخه. بین المللی J. Sustain. ترانسپ 2017 ، 11 ، 308-317. [ Google Scholar ] [ CrossRef ]
یانگ، م. ژائو، جی. وانگ، دبلیو. لیو، ز. رضایت مسافران مترو لی، زی در گروه‌های انتقال چند نوع دسترسی و خروج. ترانسپ Res. قسمت D Transp. محیط زیست 2015 ، 34 ، 179-194. [ Google Scholar ] [ CrossRef ]
یانگ، م. لیو، ایکس. وانگ، دبلیو. لی، ز. ژائو، جی. تحلیل تجربی تغییر حالت به استفاده از دوچرخه های عمومی برای دسترسی به متروی حومه شهر: بررسی نانجینگ، چین. ج. طرح شهری. توسعه دهنده 2016 , 142 , 05015011. [ Google Scholar ] [ CrossRef ]
ژائو، پی. لی، اس. ادغام دوچرخه و مترو در یک شهر در حال رشد: عوامل تعیین کننده دوچرخه سواری به عنوان یک حالت انتقال در مناطق ایستگاه مترو در پکن. ترانسپ Res. بخش A سیاست سیاست. 2017 ، 99 ، 46-60. [ Google Scholar ] [ CrossRef ]
ژوانگ، ی. لیو، ز. Schadschneider، A. یانگ، ال. Huang, J. بررسی رفتار صف خود سازماندهی شده برای جریان عابر پیاده از طریق یک گلوگاه غیر خدماتی. فیزیک یک آمار مکانیک. برنامه آن است. 2021 ، 562 ، 125186. [ Google Scholar ] [ CrossRef ]
Qu، Q.-K. چن، F.-J. ژو، X.-J. تجزیه و تحلیل گلوگاه ترافیک جاده ای برای بزرگراه برای ایمنی تحت حوادث فاجعه با استفاده از یادگیری ماشین بلاک چین. Saf. علمی 2019 ، 118 ، 925–932. [ Google Scholar ] [ CrossRef ]
لی، سی. یو، دبلیو. مائو، جی. Xu, Z. شناسایی گلوگاه مبتنی بر انتشار تراکم در شبکه‌های جاده‌ای شهری. IEEE Trans. وه تکنولوژی 2020 ، 69 ، 4827-4841. [ Google Scholar ] [ CrossRef ]
چیو، اس.-دبلیو. یک الگوریتم کارآمد دسته‌ای برای طراحی سیگنال دو سطحی چندهدفه مبتنی بر داده برای شبکه‌های ترافیکی با حمل و نقل مواد خطرناک BT—علم داده و تجارت دیجیتال . Márquez, FPG, Lev, B., Eds.; انتشارات بین المللی Springer: چم، سوئیس، 2019; صص 191-220. [ Google Scholar ]
ژانگ، ی. ژو، ی. لو، اچ. فوجیتا، اچ. کنترول منتقد چند عاملی مشارکتی جریان شبکه ترافیک بر اساس محاسبات لبه. آینده. ژنر. محاسبه کنید. سیستم 2021 ، 123 ، 128-141. [ Google Scholar ] [ CrossRef ]
ناگاتانی، T. جریان ترافیک با تطبیق سرعت در شبکه با یک گلوگاه تثبیت شد. فیزیک یک آمار مکانیک. برنامه آن است. 2020 , 538 , 122838. [ Google Scholar ] [ CrossRef ]
موناش، MLD؛ Goatin، P. یک طرح عددی برای جابجایی تنگناها در جریان ترافیک. گاو نر براز ریاضی. Soc. سرور جدید 2016 ، 47 ، 605-617. [ Google Scholar ] [ CrossRef ]
چی، اچ. لیو، ام. وانگ، دی. چن، ام. شناسایی تراکم مکانی-زمانی بر اساس شباهت سری های زمانی با در نظر گرفتن داده های از دست رفته. PLoS ONE 2016 , 11 , e0162043. [ Google Scholar ] [ CrossRef ]
دونگ، اچ. ما، س. گو، ام. لیو، دی. تحقیق در مورد روش تجزیه و تحلیل مکانیزم تراکم ترافیک بر اساس مدل انتقال سلولی بهبود یافته. گسسته. دین نات. Soc. 2012 ، 2012 ، 854654. [ Google Scholar ] [ CrossRef ]
وانگ، W.-X. وانگ، B.-H. ژنگ، W.-C. یین، سی.-ای. ژو، تی. بازخورد اطلاعاتی پیشرفته در سیستم های ترافیکی هوشمند. فیزیک Rev. E 2005 , 72 , 066702. [ Google Scholar ] [ CrossRef ]
تره فرنگی.؛ هوی، PM; وانگ، B.-H. جانسون، اثرات NF از اعلام اطلاعات جهانی در مدل جریان ترافیک دو مسیره. J. Phys. Soc. Jpn. 2001 ، 70 ، 3507-3510. [ Google Scholar ] [ CrossRef ]
لی، ایکس. ژانگ، جی. لی، ز. Han, X. تأثیر اقدامات مدیریتی مختلف بر گلوگاه ترافیک ناشی از کاهش خطوط. Inf. تکنولوژی J. 2012 ، 11 ، 388-391. [ Google Scholar ] [ CrossRef ]
D’Ariano، A. Pacciarelli، D.; پرانزو، ام. ارزیابی جدول‌های زمانی انعطاف‌پذیر در مدیریت ترافیک در زمان واقعی یک گلوگاه راه‌آهن. ترانسپ Res. قسمت C Emerg. تکنولوژی 2007 ، 16 ، 232-245. [ Google Scholar ] [ CrossRef ]
یانگ، اچ. بل، م. منگ، کیو. مدل سازی ظرفیت و سطح خدمات شبکه های حمل و نقل شهری. ترانسپ Res. روش قسمت B. 2000 ، 34 ، 255-275. [ Google Scholar ] [ CrossRef ]
ویلسون، SE; بونکو، ا. جانسون، اس. موری، جی. وانگ، ی. دیکس، اس ال. کراکرافت، NS; فریدمن، ال. لوه، ال سی؛ مک لئود، ام. و همکاران توزیع جغرافیایی کودکان واکسینه نشده در انتاریو، کانادا: تشخیص نقاط داغ با استفاده از تحلیل فضایی بیزی واکسن 2021 ، 39 ، 1349-1357. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژانگ، ی. مین، جی. لیو، سی. Li، Y. تشخیص نقطه کانونی و تکامل مکانی-زمانی درجه خدمات پذیرایی در شهرهای کوهستانی از دیدگاه توپو اطلاعات جغرافیایی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 287. [ Google Scholar ] [ CrossRef ]
Yu, W. کشف مسیرهای حرکت مکرر از داده های مسیر تاکسی با استفاده از شبکه های جاسازی شده فضایی و قوانین انجمن. IEEE Trans. هوشمند ترانسپ سیستم 2019 ، 20 ، 855–866. [ Google Scholar ] [ CrossRef ]
Bandyopadhyaya، R.; میترا، S. روش مبتنی بر خوشه فازی تشخیص هات اسپات با اطلاعات محدود. J. Transp. Saf. امن 2014 ، 7 ، 307-323. [ Google Scholar ] [ CrossRef ]
آیچیسون، جی. Lauder، IJ تخمین چگالی هسته برای داده های ترکیبی. Appl. آمار 2018 ، 34 ، 129-137. [ Google Scholar ] [ CrossRef ]
د اونا، جی. مجللی، RO; Calvo، FJ تجزیه و تحلیل شدت آسیب تصادفات رانندگی در بزرگراه های روستایی اسپانیا با استفاده از شبکه های بیزی. اسید. مقعدی قبلی 2010 ، 43 ، 402-411. [ Google Scholar ] [ CrossRef ]
کومار، م. Kaushik، M. ارزیابی احتمال شکست سیستم با استفاده از تجزیه و تحلیل درخت خطا و نظرات متخصص در محیط فازی شهودی. J. Loss Prev. Process Ind. 2020 , 67 , 104236. [ Google Scholar ] [ CrossRef ]
لیو، پی. یانگ، ال. گائو، ز. لی، اس. Gao, Y. تجزیه و تحلیل درخت گسل همراه با تجزیه و تحلیل کمی برای حوادث راه آهن پرسرعت. Saf. علمی 2015 ، 79 ، 344-357. [ Google Scholar ] [ CrossRef ]
بابیو، ا. پورتیناله، ال. مینیچینو، ام. Ciancamerla، E. بهبود تجزیه و تحلیل سیستم های قابل اعتماد با نگاشت درختان خطا در شبکه های بیزی. Reliab. مهندس سیستم Saf. 2001 ، 71 ، 249-260. [ Google Scholar ] [ CrossRef ]
دوان، R.-X. ژو، اچ.-ال. یک روش جدید تشخیص خطا بر اساس درخت خطا و شبکه های بیزی. Energy Procedia 2012 , 17 , 1376–1382. [ Google Scholar ] [ CrossRef ]
شما ب.؛ لیان، اف. منگ، ایکس. تجزیه و تحلیل عوامل تصادف برای آزادراه ها در مناطق کوهستانی بر اساس درخت گسل و شبکه بیزی. J. Trans. Inf. Saf. 2019 ، 37 ، 44–51. [ Google Scholar ]
ژوئن، H.-B. کیم، دی. یک رویکرد مبتنی بر شبکه بیزی برای تجزیه و تحلیل خطا. سیستم خبره Appl. 2017 ، 81 ، 332-348. [ Google Scholar ] [ CrossRef ]
دینگ، ی. ژانگ، ام. کیان، ایکس. لی، سی. چن، اس. وانگ، دبلیو. استفاده از تکنیک آشکارساز جغرافیایی برای کشف تأثیر عوامل اجتماعی-اقتصادی بر غلظت PM2.5 در چین. جی. پاک. تولید 2019 ، 211 ، 1480-1490. [ Google Scholar ] [ CrossRef ]
ژو، ی. کنگ، ی. شا، ج. وانگ، اچ. نقش ارتقاء ساختار صنعتی در تکامل کارایی زیست محیطی: همبستگی فضایی و اثرات سرریز. علمی کل محیط. 2019 ، 687 ، 1327–1336. [ Google Scholar ] [ CrossRef ]
زرزور، او. گدری، ل. حاجی، ر. مبروك، ف. Hamed, Y. نیمه واریوگرام ها و تکنیک های کریجینگ در طبقه بندی ذخایر سنگ آهن: کاربرد در کانسار Jebel Wenza. عرب جی. ژئوشی. 2020 ، 13 ، 820. [ Google Scholar ] [ CrossRef ]
Yost، RS; اوهارا، جی. Fox, RL تجزیه و تحلیل زمین آماری خواص شیمیایی خاک اراضی بزرگ. I. نیمه واریوگرام ها. علم خاک Soc. صبح. J. 1982 , 46 , 1033-1037. [ Google Scholar ] [ CrossRef ]
مزومدار، ج. پاول، SK شاخص‌های آسیب‌پذیری اجتماعی و اقتصادی و زیرساختی برای طوفان‌ها در ایالات ساحلی شرقی هند. نات. خطرات 2016 ، 82 ، 1621-1643. [ Google Scholar ] [ CrossRef ]
سینگ، پی. شارما، ا. سور، یو. Rai, PK ارزیابی مقایسه ای حساسیت زمین لغزش با استفاده از مقدار اطلاعات آماری و شاخص مدل آنتروپی در منطقه Bhanupali-Beri، هیماچال پرادش، هند. محیط زیست توسعه دهنده حفظ کنید. چند رشته ای عمل تئوری رویکرد. حفظ کنید. توسعه دهنده 2021 ، 23 ، 5233-5250. [ Google Scholar ] [ CrossRef ]

شکل 1. مدل تخمین چگالی هسته.

شکل 2. نمودار جریان تشخیص هات اسپات.

شکل 3. مناطق تجزیه و تحلیل برای مدل سازی تنگناهای سفر مشترک دوچرخه. نقاط سیاه نقاط داغ هستند (نقاط تجزیه و تحلیل). دایره بافر 500 متری با استفاده از هات اسپات به عنوان نقطه مرکزی است. r شعاع 500 متر است.

شکل 4. نمایش ساختار مدل درخت خطا.

شکل 5. موقعیت منطقه تحقیقاتی.

شکل 6. 155 منطقه تجزیه و تحلیل برتر با بیشترین باقیمانده.

شکل 8. ساختار توپولوژیکی شبکه بیزی از تنگناهای سفر مشترک دوچرخه.

شکل 9. شبکه بیزی از تنگناهای سفر مشترک دوچرخه بر اساس درخت خطا (به عنوان مثال، احتمال وقوع رویداد X7 23.9٪ و احتمال عدم وقوع 76.1٪ است).

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