اسکوترهای سبک موپیدی یکی از محبوب ترین سیستم های حرکتی میکرو هستند. آنها بدون شک برای شهر مفید هستند، زیرا اشکال تحرک سازگار با محیط زیست را ترویج می کنند، که در آن انعطاف پذیری به جلوگیری از ایجاد ترافیک در مراکز شهری که در آن فعالیت می کنند کمک می کند. با این حال، تعداد فزاینده آنها همچنین در نتیجه رفتار بد کاربران، استفاده نابجا از آنها در فضاهای عمومی و بالاتر از همه پارکینگ آنها باعث ایجاد درگیری می شود. این مقاله روشی را برای یافتن فضاهای پارکینگ برای خدمات مشترک موتور سیکلت با استفاده از مدل‌های مکان‌یابی سیستم اطلاعات جغرافیایی (GIS) و داده‌های سیستم موقعیت‌یابی جهانی (GPS) پیشنهاد می‌کند. ما از مرکز مادرید و داده‌های شرکت Muving (یکی از اپراتورهای اصلی شهر) برای مطالعه موردی خود استفاده کردیم. و همچنین یافتن محل پارکینگ موتورها، تجزیه و تحلیل ما بررسی می کند که چگونه توزیع متغیر تقاضا در طول روز بر تقاضای اختصاص یافته به فضاهای پارکینگ تأثیر می گذارد. نتایج نشان می‌دهد که چگونه رزرو تعداد نسبتاً کمی از مکان‌های پارکینگ برای اسکوترها باعث می‌شود تا بیش از 70 درصد از سفرها در حوضه آبریز ثبت شود. تغییرات روزانه در توزیع تقاضا، راندمان شبکه پارکینگ ها را اندکی کاهش می دهد و در شب، زمانی که تقاضا به شدت بر مرکزی ترین مناطق متمرکز است، آن را افزایش می دهد.

کلید واژه ها:

تحرک مشترک ؛ به اشتراک گذاری اسکوتر به سبک موپد ; مکان های پارکینگ ؛ مدل های تخصیص مکان GIS ; تحلیل مکانی – زمانی

1. مقدمه

در سال‌های اخیر، روش‌های سفر مبتنی بر استفاده مشترک از وسایل نقلیه الکتریکی با تحرک کوچک در اکثر شهرها پدیدار شده‌اند که جایگزینی برای سیستم‌های حمل و نقل سنتی ارائه می‌دهند [ 1 ، 2 ، 3 ]. محبوبیت سرویس‌های میکرو-تحرک مشترک به طور گسترده گسترش یافته است. آنها در سفر به مراکز شهری یا به عنوان جایگزینی برای اولین و آخرین مایل سفرهای شهری استفاده می شوند [ 4 ]]. این سیستم‌های حرکتی شامل استفاده مشترک از دوچرخه، موتورسیکلت و اسکوتر یا سایر حالت‌های کم سرعت در سیستم‌های خدماتی اسکله یا بدون اسکله است. در هر صورت، اما به ویژه در سرویس‌های بدون اسکله، سیستم مبتنی بر استفاده شدید از موقعیت‌یابی جغرافیایی از طریق تلفن‌های هوشمند است: برنامه‌هایی که به کاربران اجازه می‌دهند مکان‌یابی و مسدود کردن وسایل نقلیه را پیدا کنند و پس از پایان سفر آنها را در هر مکانی رها کنند [ 3 ، 5 ، 6 ، 7 ] .
یکی از رایج ترین اشکال حرکت میکرو اسکوتر به سبک موتور سیکلت است که ما این تحقیق را بر روی آن متمرکز خواهیم کرد. از آنجایی که برای اولین بار در دهه 2010 ظاهر شد، استفاده از آن هر سال با سرعت فزاینده ای رشد می کند. اگرچه همه‌گیری بیماری کرونا 2019 (COVID-19) در حال بازسازی این بخش است و شرکت‌ها و شهرها را تحت تأثیر قرار می‌دهد، در حال حاضر، نزدیک به 80 اپراتور در سراسر جهان با حدود 9 میلیون کاربر ثبت‌شده در بیش از 120 شهر وجود دارد [ 8 ]. رشد سریع این سیستم های تحرک خرد پیامدهای عمده ای برای تصمیمات برنامه ریزی سیاسی و شهری مرتبط با تحرک و انتخاب حمل و نقل دارد [ 9 ].
سرویس‌های میکرو تحرک مشترک مزایایی را برای شهر و کاربران آن ارائه می‌کنند [ 10 ]. در بیشتر موارد، دوچرخه‌ها یا وسایل نقلیه برقی هستند، بنابراین اشکال تحرک سازگار با محیط‌زیست را ترجیح می‌دهند، که در آن انعطاف‌پذیری از ازدحام ترافیکی که مشخصه بسیاری از مراکز شهری در مناطق شهری که در آن فعالیت می‌کنند جلوگیری می‌کند. بنابراین، این سیستم‌ها به کاهش استفاده از خودروها کمک می‌کنند که به نوبه خود باعث کاهش انتشار گازهای گلخانه‌ای می‌شود و مزایایی برای سلامت کاربران و به طور کلی مردم دارد. اما آنها همچنین تحرک را در مراکز شهری بهبود می بخشند، بنابراین به توسعه اقتصادی کمک می کنند [ 11]. با این حال، همراه با مزایای فوق، روند افزایش ادغام وسایل نقلیه متحرک مشترک بدون اسکله نیز منجر به مشکلاتی می شود که به نوبه خود تنش عمده ای را در حاکمیت شهری ایجاد می کند [ 12 ، 13 ]. این مشکلات به عنوان مثال با عرضه بیش از حد، رفتار بد کاربران، استفاده غیرمجاز از فضاهای عمومی برای سوار شدن به وسایل نقلیه و مهمتر از همه، پارک نامناسب مرتبط است.
در واقع، یکی از بزرگترین منابع درگیری در اشکال جدید تحرک مشترک در شهرها، پارک وسایل نقلیه است. اغلب اسکوترها، دوچرخه‌ها و حتی موتورسیکلت‌ها در پیاده‌روها ظاهر می‌شوند، بد پارک شده‌اند یا به سادگی روی زمین رها می‌شوند و فضایی را اشغال می‌کنند که برای عابران پیاده طراحی شده است. در پیاده روها که فضا برای عابران پیاده محدود است، مزاحمت بیشتر است. همچنین بر گروه‌های آسیب‌پذیر به‌ویژه، مانند افرادی که تحرک کمتری دارند، تأثیر می‌گذارد [ 14 ]. تعدادی از اقدامات در حال حاضر انجام شده است، به عنوان مثال، از طریق تشویق به خود کاربران [ 15]، اما موارد دیگری باید برای تنظیم مناطق پارکینگ اجرا شوند. یکی از راه حل های کم هزینه، رزرو فضاهای خاصی برای این وسایل نقلیه مشترک است. چنین پارکینگ هایی ممکن است به سادگی بخشی از فضاهایی باشند که امروزه برای وسایل نقلیه شخصی مورد استفاده قرار می گیرند. در این مقاله، استفاده از مدل‌های مکان‌یابی سیستم اطلاعات جغرافیایی (GIS) برای یافتن بهترین مکان برای این فضاهای پارکینگ یا اسکله‌های وسایل نقلیه مشترک آزمایش شده‌است.
ما توانسته‌ایم از داده‌های تولید شده توسط خود سیستم‌های تحرک مشترک برای مدل‌های تخصیص مکان خود استفاده کنیم و به ما امکان می‌دهد تقاضا برای وسایل نقلیه با سطح بالایی از جزئیات مکانی و زمانی را تعیین کنیم. برنامه های مورد استفاده برای مدیریت این سیستم ها داده های سیستم موقعیت یابی جهانی (GPS) را در مبدا و مقصد سفر ذخیره می کنند. این داده ها اطلاعاتی را در مورد مکان هایی که تقاضا برای سیستم وجود دارد بر اساس سفرهای واقعی ارائه می دهد.
هدف این تحقیق یافتن فضاهای پارکینگ برای خدمات مشترک موتورسیکلت بر اساس مدل‌های مکان‌یابی GIS و با در نظر گرفتن توزیع متغیر تقاضا در طول روز است. برای مطالعه موردی از مرکز شهر مادرید و داده های GPS شرکت Muving (یکی از اپراتورهای اصلی شهر) استفاده شده است. علاوه بر جست‌وجوی مکان‌های پارکینگ برای موتورسیکلت‌ها، علاقه ما این بود که تجزیه و تحلیلی را انجام دهیم که چگونه تغییرات در توزیع تقاضا در طول روز بر تقاضای اختصاص داده شده به فضاهای پارک تاثیر می‌گذارد. برای انجام این کار، از داده های تاریخ و زمان انجام سفر و مختصات مبدا و مقصد ثبت شده توسط دستگاه های GPS در خود موتورسیکلت های برقی استفاده کرده ایم. این داده ها به باندهای سه زمانه تقسیم شده اند: صبح (07:00-13:59)، بعد از ظهر (14:00 تا 18:59)، و شب (19:00-00:00). نتایج این کار به ما این امکان را می‌دهد تا بهترین مکان‌ها را برای مکان‌های پارک موتور سیکلت الکتریکی، بسته به توزیع زمانی تقاضا در طول روز، شناسایی کنیم. این اطلاعات مورد توجه شرکت حمل و نقل مشترک و همچنین دولت محلی است. آنها فضاهایی را در اختیار خواهند داشت که موتورسیکلت ها در آن پارک شوند، بنابراین پاسخی جزئی به مشکلات و درگیری های ناشی از پارک کردن آنها ارائه می شود.
این سند به شرح زیر سازماندهی شده است: بخش 2 مروری بر ادبیات ارائه می کند. بخش 3 مطالعه موردی را ارائه می کند، در حالی که شرح داده ها، پردازش آنها و روش مورد استفاده در بخش 4 ارائه شده است. نتایج در بخش 5 و پس از آن نتیجه گیری مقاله ارائه شده است.

2. بررسی ادبیات

تحقیق در مورد خدمات حمل و نقل خرد در شهرها به موضوع مهمی در ادبیات بین المللی در مورد تحرک شهری تبدیل شده است. انتشارات اخیر الگوهای مکانی و زمانی استفاده از وسایل نقلیه را تحلیل کرده اند. در این آثار از رکوردهای GPS تولید شده توسط خود سیستم ها استفاده شده است که تاریخچه مبدا و مقصد سفرهای کاربران را ذخیره می کند. داده‌های جمع‌آوری‌شده از سیستم‌های GPS نصب‌شده در وسایل نقلیه متحرک مشترک برای تجزیه و تحلیل دسترسی ارائه‌شده توسط این سیستم‌های جدید [ 16 ]، الگوهای کاربری مکانی-زمانی [ 17 ، 18 ، 19 ]، و مدل‌هایی برای پیش‌بینی تقاضا و تقسیم‌بندی مشتری استفاده شده است. 20 ].
تعدادی از مطالعات از داده های GPS از وسایل نقلیه متحرک مشترک برای تجزیه و تحلیل الگوهای توزیع فضایی سفرهای انجام شده در این سیستم های حرکتی کوچک استفاده کرده اند، به ویژه در مورد سیستم های اشتراک دوچرخه اسکوتر و بدون اسکله، و مقایسه نحوه انواع مختلفی از وسایل نقلیه مورد استفاده قرار می گیرند یا اینکه چگونه با برخی از وسایل حمل و نقل سنتی رقابت می کنند. این مورد کار مک‌کنزی [ 18 ] است که استفاده مکانی – زمانی از اسکوتر و دوچرخه را با استفاده از داده‌های GPS شرکت Lime برای مقایسه الگوهای استفاده از وسایل نقلیه لیم با سیستم دوچرخه‌های عمومی در واشنگتن دی سی تجزیه و تحلیل می‌کند. . در اثر بعدی مک کنزی [ 19] تجزیه و تحلیل را به همه شرکت های حمل و نقل خرد گسترش می دهد و رقابت بین حمل و نقل خرد و اتومبیل ها را از نظر مدت زمان سفرهای درون شهر ارزیابی می کند. رک و همکاران [ 21 ] همچنین رقابت بین اشکال مختلف تحرک خرد را مدل می کند. آثار دیگر از الگوهای تحرک برای شناسایی تفاوت‌های بین کاربران استفاده کرده‌اند، مانند تحرک کاربران معمولی و گاه به گاه [ 20 ، 22 ]، یا برای ارتباط انواع سفرها با شرایط فضای ساخته شده [ 14 ، 23 ، 24 ].
داده‌های مربوط به الگوهای فضایی در استفاده از خدمات تحرک خرد نیز برای یافتن راه‌حل‌هایی برای مشکلات مرتبط با پارکینگ وسایل نقلیه استفاده شده است. هوآ و همکاران [ 5 ] تقاضا برای پارکینگ سه شرکت اشتراک‌گذاری دوچرخه شناور رایگان را با استفاده از داده‌های GPS از شرکت Mobike و تکنیک‌های خوشه فضایی برای تخمین تقاضا برای پارکینگ و ایجاد مکان‌هایی برای فضاهای پارک برآورد کرده‌اند. این تکنیک‌های خوشه‌بندی فضایی برای یافتن مناطق پارکینگ برای سیستم‌های اشتراک دوچرخه شناور آزاد با استفاده از یک نمای جغرافیایی چند مقیاسی [ 25 ] یا شامل یک رویکرد زمان واقعی [ 14 ] استفاده شده‌اند. با این حال، این آثار بیشتر بر روی خدمات اشتراک دوچرخه شناور رایگان متمرکز شده اند.
برخی از کارها همچنین از مدل‌های تخصیص مکان GIS برای سیستم‌های اشتراک‌گذاری دوچرخه شناور آزاد استفاده کرده‌اند، که قبلاً برای ایستگاه‌های پارک اشتراک دوچرخه استفاده می‌شد [ 26 ]، اما با استفاده از داده‌های جدید جمع‌آوری‌شده از GPS.
ژانگ و همکاران [ 7 ] روشی را برای مکان یابی دیوارهای الکتریکی یا حصارهای جغرافیایی مجازی که دوچرخه ها را می توان بدون ایستگاه های ثابت پارک کرد، پیشنهاد کرد. تحقیقات آنها از داده‌های GPS در سفرها، جمع‌آوری‌شده توسط شرکت Mobike و راه‌حل حداکثرسازی پوشش استفاده می‌کند. پارک و یانگ [ 27 ] مدلی برای تعیین تخصیص مکان با استفاده از داده های مسیر تاکسی GPS برای تعیین بهترین مکان برای ایستگاه ها ایجاد کرده اند. یانگ و همکاران [ 28] روشی از مکعب های تقاضای فضا-زمان را برای دریافت تقاضا برای دوچرخه فرموله کرد. آنها از داده های GPS از سیستم دوچرخه برای مطالعه توزیع تقاضا و راه حل های کاربردی برای به حداقل رساندن امپدانس و به حداکثر رساندن پوشش با الگوریتم های ژنتیک استفاده کردند. کارهای دیگر نشان می دهد که ایستگاه های جدید را با استفاده از راه حل به حداکثر رساندن سهم بازار با گنجاندن متغیرهای نزدیکی به رستوران ها، میخانه ها، جاذبه ها و مختصات سفرهای کاربران سیستم دوچرخه مشترک در شهر بالتیمور، MD، ایالات متحده [ 1 ] قرار دهید.
کار کمتری برای بررسی اشتراک‌گذاری اسکوتر به سبک موتورسیکلت انجام شده است، و مکان‌های بهینه برخی از خدمات برای آنها، اعم از نقاط شارژ باتری یا مکان‌های پارک، بسیار کم است. در میان مواردی که ظاهر شده اند، برخی دوباره از روش های خوشه بندی فضایی استفاده می کنند، مانند Hua و همکاران. [ 5 ]، که تقاضا برای پارکینگ برخی از شرکت ها در نانجینگ (چین) را بر اساس داده های GPS برای مبدا و مقصد سفرهای موتورسیکلت الکترونیکی شرکت Muving برآورد می کنند. چن و همکاران [ 29] راه‌حل‌های به حداقل رساندن امپدانس و به حداکثر رساندن پوشش را برای مکان‌یابی ایستگاه‌های شارژ باتری‌های مورد استفاده توسط اسکوترهای الکترونیکی اعمال کنید. با این حال، هیچ یک از آنها از اطلاعات زمانی در داده ها برای در نظر گرفتن مؤلفه دینامیکی استفاده از سیستم در مدل های مکان بهینه استفاده نکرده اند.

3. مطالعه موردی: مکان‌های پارکینگ برای خدمات اشتراک‌گذاری اسکوتر به سبک موتور در مادرید

این برنامه در بخش مرکزی شهر مادرید برای مکان یابی مکان های پارک موتور سیکلت توسعه یافته است. منطقه انتخاب شده از نواحی مرکزی شهر (Centro، Arganzuela، Retiro، Salamanca، Chamartín، Tetuán و Chamberí) تشکیل شده است ( شکل 1)). این منطقه با تنوع فعالیت ها (کسب و کار، فروشگاه ها، خدمات مالی و موسسات خدمات تخصصی) و حضور عمده فضای مسکونی با جمعیت تقریبی 1،136،000 نفر در سال 2020 مشخص می شود. همچنین عرضه بسیار زیاد و متنوعی وجود دارد. وسایل نقلیه متحرک مشترک و حمل و نقل عمومی معمولی در منطقه (مترو و اتوبوس). در حال حاضر پنج شرکت به اشتراک گذاری اسکوتر به سبک موپد در شهر مادرید فعالیت می کنند. آنها این سرویس را از سال 2017 ارائه کرده اند و ناوگانی متشکل از 5700 موتورسیکلت الکترونیکی دارند [ 30 ].

4. مواد و روش ها

مدل‌های تخصیص مکان GIS بر اساس توزیع تقاضا برای سرویس ارائه‌شده (در این مورد، کاربران سرویس تحرک)، توزیع مکان‌های کاندید برای سرویس، و شبکه‌ای برای شبیه‌سازی حرکت از محل کار می‌کنند. تقاضا برای نقاط ممکن (در این مورد، نقشه خیابان از مناطق مرکزی شهر مادرید). این اطلاعات در یک قالب برداری، از طریق لایه‌هایی از نقاط، که در آن مکان‌ها و خطوط تقاضا و نامزد برای شبکه وجود دارد، در GIS گنجانده می‌شود.
تعدادی راه حل مختلف بر اساس این اطلاعات برای یافتن بهترین مکان ها و اختصاص تقاضا به آنها موجود است. به طور کلی، راه‌حل‌هایی را می‌توان بین راه‌حل‌هایی که بر بهره‌وری در دسترسی به تقاضا (پوشش بیشترین تعداد مکان‌ها با تعداد مکان‌های خاص و در یک فاصله معین) و راه‌حل‌هایی که برای برابری (که تقاضا برای خدمات را پوشش می‌دهند) متمایز کرد. به حداقل رساندن فاصله تا تقاضا به عنوان یک کل). یکی از رایج ترین راه حل ها به عنوان p-median شناخته می شود [ 31]، که برای حقوق صاحبان سهام تنظیم شده است. هدف آن به حداقل رساندن فواصل وزن شده با تقاضای کل تا مکان های خدمات است. در مورد مدل‌هایی که به کارایی برتری می‌دهند، راه‌حل‌ها مبتنی بر به حداکثر رساندن پوشش تقاضا برای خدمات در یک فاصله خاص است. ادموندز [ 32 ] و متعاقباً، چرچ و ریول [ 33 ] مشکل مکان با حداکثر پوشش را فرموله کردند، جایی که تعدادی از تاسیسات باید برای به حداکثر رساندن تقاضای ارائه شده در استاندارد تعیین شده فاصله قرار گیرند. تورگاس و همکاران [ 34] یک مدل مکان ایجاد کرد که حداقل تعداد مکان را برای تضمین پوشش خدمات استاندارد پیدا می کند. در این مقاله از راه حلی استفاده شده است که تقاضای تحت پوشش را در آستانه مشخصی از فاصله به حداکثر می رساند. مدل‌ها با استفاده از پسوند Network Analyst در ArcGIS Desktop 10.6 (Redlands، CA، USA) محاسبه شدند.

4.1. داده ها و درمان آنها برای ایجاد مدل

اطلاعات لازم برای پیاده سازی مدل ها و فرآیندهای آماده سازی داده ها در این قسمت ارائه شده است.

4.1.1. شبکه خیابانی

این مجموعه داده از سرور Open Street Map با کمک نرم افزار QGIS دانلود شده است. پسوند Network Analyst نرم افزار ArcGIS Desktop 10.6 برای راه اندازی شبکه ای استفاده شد که حرکت تقاضا را به سایت های کاندید شبیه سازی می کند.
4.1.2. داده های تقاضای خدمات
داده های مورد استفاده، اطلاعات مربوط به استفاده از سیستم بوده است. بدین ترتیب مبدا و مقصد سفرها از موتورسیکلت های الکترونیکی شرکت مووینگ استفاده شده است. سوابق سفرها توسط دستگاه های GPS در خود موتورسیکلت ها جمع آوری شده است. این سوابق حاوی اطلاعاتی در مورد استفاده از سیستم از ماه های فوریه تا دسامبر 2019 است که در مجموع یک دوره 11 ماهه را پوشش می دهد. هر سفر شامل اطلاعات زیر است: شناسه مشتری، شناسه وسیله نقلیه، مدت زمان، مسافت طی شده، زمان حرکت، زمان رسیدن، و مختصات مبدا و مقصد. در مجموع پایگاه داده اولیه 242027 سفر در منطقه تحت پوشش مطالعه بود. شکل 2میانگین سفرها در ساعت و روز را نشان می دهد. هر روز بالاترین میانگین سفر بین ساعت 18:00 تا 21:00 بود. مبدأ سفرها به عنوان داده های تقاضا برای پیاده سازی مدل ها استفاده شد.
4.1.3. پاکسازی اطلاعات تقاضا
مجموعه داده های اولیه (242027 سفر) برای حذف داده های غیر معمول (4995) پاکسازی شده است و در نهایت 237062 سفر برای ما باقی می ماند. یک باکس پلات برای تنظیم دقیق پاکسازی داده ها با شناسایی رکوردهای غیر معمول با توجه به داده های زمان و سرعت سفرهای انجام شده، حذف داده هایی که خارج از انتهای بالا و پایین نمودار بودند، ساخته شد. با توجه به استقلال موتورسیکلت ها، سفرهایی با مسافت بالاتر از حد انتظار حذف شد (با توجه به ویژگی های موتورسیکلت های مووینگ، سفرهای بیش از 70 کیلومتر به عنوان خطای اندازه گیری در نظر گرفته شده است). علاوه بر این، سفرهایی که کمتر از 60 ثانیه طول می کشند (معمولاً سفرهایی که کاربر مشکلی را تشخیص داده و در نهایت تصمیم گرفته است که سفر را انجام ندهد) و ثبت می کند که مدت زمان سفر با مسافت طی شده مطابقت نداشته باشد (مثلاً

4.1.4. تجمیع داده ها

هنگامی که داده ها اشکال زدایی شدند، آنها به صورت مکانی در یک شبکه منظم از سلول ها به اندازه 50 * 50 متر جمع شدند. وضوح این سلول ها با توجه به اندازه منطقه مورد مطالعه ایجاد شده است. این وضوح سطح کافی از جزئیات را برای تحلیل پیشنهادی بدون به خطر انداختن زمان پردازش در محاسبه مدل‌ها در GIS می‌دهد. تعریف مکان تقاضا در مدل‌ها، مرکز هر یک از سلول‌ها و مجموع سفرها را با مبدا آن‌ها در نظر گرفت. سفرها نیز بر اساس زمان به سه گروه تقسیم شدند: صبح (07:00-13:59)، بعد از ظهر (14:00-18:59)، و شب (19:00-00:00).

4.2. تعریف مکانهای کاندید برای پارکینگ

مکان های کاندید برای فضاهای پارکینگ سلول هایی بودند که در مجموع بیش از پنج نقطه شروع سفر بودند. با این انتخاب، تعداد کاندیدها در اجرای مدل های مکان یابی کاهش می یابد و سلول های با تقاضای بسیار کم حذف می شوند. در مجموع، 7735 مکان نامزد وجود داشت ( شکل 3 الف)، که منطقه مورد مطالعه را با سطح فضایی بالا پوشش می داد. شکل 3 ب نشان می دهد که چگونه با این انتخاب، بیشتر تقاضا پوشش داده می شود و نامزدهای توزیع شده منظم به دست می آیند.

4.3. تعاریف مدل مکان-تخصیص

با در نظر گرفتن اینکه میانگین ناوگان موتورسیکلت شرکت‌های فعال در شهر حدود 800 دستگاه خودرو است، تعداد پارکینگ‌های مورد نظر در ابتدا 200 عدد برآورد شد. بنابراین میانگین ظرفیت این مکان ها 4 خودرو خواهد بود. سناریوهای مشابه با همان تعداد ایستگاه در برنامه های اشتراک دوچرخه برای همان منطقه در نظر گرفته شده است [ 26 ].
علاوه بر این، سناریوهای چهار بار در نظر گرفته شد. سناریوی مرجع توزیع تقاضای کل در طول روز را در نظر گرفت، بنابراین تقاضای هر سلول را به عنوان مجموع همه مبداهای تولید شده در آن در نظر گرفت. این سناریو با سه سناریوی زمانی جزئی (که توزیع تقاضا را در هر یک از باندهای سه زمانی که داده‌ها به آنها تقسیم می‌شد در نظر می‌گرفتند: صبح (07:00-13:59)، بعد از ظهر (14:00-18): 59)، و شب (19:00-00:00).
بقیه پارامترهای مدل به نوع راه حل و مسافت طی شده توسط کاربر اشاره دارد. با توجه به نوع محلول، محلول حداکثر پوشش استفاده شد و حداکثر فاصله ای که کاربر برای پیاده روی تا موتورسیکلت آماده می شود 200 متر در نظر گرفت. این نوع مدل مکان‌هایی را ارائه می‌کند که تضمین می‌کند حداکثر تعداد کاربران در این آستانه از مسافت تعریف شده یا هزینه حرکت (200 متر)، همیشه تقاضا را به نزدیک‌ترین مرکز اختصاص می‌دهند [ 33 ]. این راه حل و این فاصله در مطالعات قبلی در مورد مکان بهینه ایستگاه های دوچرخه عمومی در خود شهر مادرید استفاده شده است [ 26 ].

معادله استفاده شده به صورت زیر است [ 33 ]:

 مآایکسمنمترمنzه اف=∑من∈منآمنyمن
استوبjهجتی تیo := ∑j∈نمنایکسj≥yمن ∀من ∈من
∑j∈جیایکسj=پ
ایکسj =(0،1) ∀ j ∈جی
yمن =(0،1) ∀ من ∈من

جایی که

  • من= تنظیم از تقاضا مکان ها;
  • جی= تنظیم از نامزد مکان ها;
  • اس= فاصله در بالا که آ تقاضا نقطه است در نظر گرفته شده مانند بدون پوشش;
  • دمنj= را کوتاه ترین فاصله از جانب آ سایت من به سایت j;
  • ایکسj=1 اگر آ محل است آ نامزد 0 در غیر این صورت;
  • نمن={دمنj ≤اس};
  • آمن= جمعیت به بودن خدمت کرده است در را تقاضا سایت من;
  • پ= عدد از امکانات به بودن واقع شده
N i مجموعه ای از سایت های کاندید برای ارائه پوشش به نقاط تقاضای i است. یک مکان تقاضا زمانی تحت پوشش در نظر گرفته می شود که نزدیکترین نصب به محل تقاضا در فاصله کمتر یا مساوی S باشد. زمانی که نزدیکترین نصب به محل تقاضا بیشتر از S باشد نقطه تقاضا پوشش داده نمی شود [ 33 ] .
محدودیت‌های نوع (1) تنها زمانی که یک یا چند نصب در سایت‌های کل Ni ایجاد شده باشد، اجازه می‌دهد y i برابر با 1 باشد . تعداد تاسیسات اختصاص داده شده محدود یا برابر با p (2) است [ 33 ].
بر اساس نتایج این مدل‌ها برای مکان‌یابی بهینه سه باند زمانی صبح، بعدازظهر و شب، فرآیندی برای به دست آوردن راه‌حل پنجم (سناریوی بهینه‌شده) ایجاد شد که در آن این مکان‌ها به صورت زیر ترکیب می‌شوند:
  • نقطه شروع، فضاهای پارکینگی است که در سه باند زمانی ظاهر می شوند و اگر فضاهای پارک در فاصله کمتر از 200 متر از هم ظاهر شوند، فضای پارکینگ با کمترین تقاضای جذب شده را حذف می کنند.
  • به این پارکینگ ها، پارکینگ هایی که در دو باند بعدازظهر و شب فعال هستند، اضافه می شود، مگر اینکه در 200 متری یکی از مکان های مندرج در نقطه 1 قرار داشته باشند و اگر در فاصله 200 متری باشد، فضایی با کمترین تقاضای اختصاص داده شده حذف می شود. مکان فعال دیگری در آن زمان
  • به این فضاهای پارکینگ اضافه می شود که در هر دو باند صبح و شب ظاهر می شوند، مگر اینکه در 200 متری یکی از مکان های مندرج در نقاط 1 و 2 قرار داشته باشند، و اگر فضایی با کمترین تقاضای اختصاص داده شده در فاصله 200 متری باشد حذف می شود. فضای فعال دیگری در آن دو باند زمانی.
  • به این فضاهای پارکینگ اضافه می شود که در هر دو باند صبح و بعدازظهر ظاهر می شوند، مگر اینکه در 200 متری یکی از فضاهای موجود در سه نقطه بالا قرار داشته باشند و اگر فضایی با کمترین تقاضای تخصیص یافته در فاصله 200 متری دیگری باشد حذف شود. یک در آن دو باند زمانی فعال است.
  • به این موارد، پارکینگ هایی که در باند زمانی شب ظاهر می شوند، اضافه می شود، مگر اینکه در فاصله 200 متری یکی از فضاهای موجود در موارد فوق قرار داشته باشند، و اگر در فاصله 200 متری از فضاهای فعال دیگر باشد، فضای با تقاضای کمتر اختصاص داده شده حذف می شود. در گروه شبانه
  • به این موارد، فضاهای پارکینگی که در باند بعدازظهر ظاهر می شوند، اضافه می شود، مگر اینکه در 200 متری یکی از فضاهای موجود در موارد فوق قرار داشته باشند، و اگر در فاصله 200 متری از فضاهای فعال دیگر در محدوده باشد، با کمترین تقاضای تخصیص یافته حذف می شود. گروه بعد از ظهر
  • به این موارد، فضاهای پارکینگی که در باند صبحگاهی ظاهر می شوند، اضافه می شود، مگر اینکه در 200 متری یکی از فضاهای موجود در موارد فوق قرار داشته باشند، و اگر در فاصله 200 متری از فضاهای فعال دیگری باشد، با کمترین تقاضای تخصیص یافته حذف می شود. گروه صبحگاهی
  • این فرآیند با استفاده از ابزار سازنده مدل از نرم افزار ArcGIS Pro خودکار شده است.
به طور خلاصه، این مقاله پنج سناریو را در نظر می گیرد: (1) سناریوی مرجع: با استفاده از توزیع کل تقاضا در طول روز. (2) سناریوی جزئی در صبح؛ (3) سناریوی جزئی در بعد از ظهر. (4) سناریوی جزئی در شب. (5) سناریوی بهینه شده: ترکیب راه حل ها در سناریوهای جزئی.

در نهایت، یک شاخص برای کشف اهمیت هر یک از فضاهای پارکینگ انتخاب شده در هر باند زمانی (صبح، بعدازظهر و شب) محاسبه شد و سطح تقاضای تخصیص یافته به هر فضای پارک در این باند زمانی را به عنوان نسبتی از کل مقایسه کرد. تقاضا در این باند زمانی با تقاضای تخصیص یافته برای تقاضای کل به عنوان نسبتی از کل تقاضا، مطابق با معادله زیر:

منEمنمتر= DمنمترDتیمترDمنتیDتیتی،

جایی که:

منEمنمترشاخص تخصص در فضای پارک i در باند زمانی m است،
Dمنمترتقاضای تخصیص یافته به ایستگاه i در باند زمانی m است،
Dتیمترتقاضای کل در باند زمانی m است،
Dمنتیتقاضای تخصیص یافته به ایستگاه i در وضعیت مرجع با تقاضای کل است و
Dتیتیتقاضای کل است

5. نتایج

در این بخش نتایج تحقیق ارائه شده است. اول، توزیع تقاضا نمایشی است، هم برای کل روز (سناریوی مرجع)، و هم برای موقعیت‌های صبح، بعد از ظهر و شب (سناریوهای جزئی). سپس، نتایج مربوط به سناریوی مرجع و اثرات تغییرات تقاضا در طول روز در آن سناریوی مرجع نشان داده شده است. نتایج سناریوهای جزئی و سناریوی بهینه شده بعدا ارائه می شود. همه آنها با سناریوی مرجع مقایسه شده اند

5.1. توزیع تقاضا: مبدا و مقصد سفرها

مدل ها بر اساس توزیع تقاضا برای سفرها است که به عنوان توزیع تقاضا در نظر گرفته می شود. شکل 4 تراکم سفر در هکتار را بر اساس مبدا و مقصد نشان می دهد. تمرکز را می توان هم در مبدا و هم در مقصد در منطقه مرکزی و محور Nuevos Ministryios مشاهده کرد. تمرکز زیادی از سفرها در نزدیکی ایستگاه Puerta de Atocha وجود دارد. آمار توصیفی سفرها بر اساس مبدا و مقصد در هکتار ( جدول 1) به ترتیب میانگین 46.8 و 56.1 سفر در هکتار را با توزیع نسبتاً مشابه، همانطور که با ضرایب تغییرات نشان می دهد، ارائه می دهد. تفاوت اصلی در تمرکز بیشتر سفرهای با مبدا در اطراف ایستگاه‌های قطار و مترو است، به‌ویژه در ایستگاه آتوچا، که در آن حداکثر 687 مبدا سفر در هکتار و 564 مقصد وجود دارد.
شکل 5 توزیع تقاضا را نشان می دهد که در باندهای سه بار در نظر گرفته شده است. این سیستم بیشتر در شب استفاده می شود، با میانگین تراکم بالای 19 مبدا در هکتار و مقادیر بیش از 200 مبدا در هکتار در بسیاری از مناطق در مرکز شهر ( جدول 2 ). در مقابل، علیرغم طولانی بودن باند 2 ساعته، استفاده از سیستم در باند صبح بسیار کمتر است. بعد از ظهر یک وضعیت واسطه ای بین دو مورد فوق را ارائه می دهد. علاوه بر تفاوت در تعداد سفرها، تفاوت هایی در تمرکز فضایی آنها نیز وجود دارد. در صبح، توزیع فضایی همگن تر است و مناطق مسکونی بیشتر دارای شدت هایی مشابه مناطق دارای فعالیت اقتصادی هستند، همانطور که در نقشه ها نشان داده شده است و ضرایب تغییرات کمتر در این باند زمانی (جدول 2 ). در بعد از ظهر، بیشترین تراکم در مناطق فعالیت اقتصادی، مانند منطقه اداری آزکا متمرکز است. در شب، به نوبه خود، توزیع نابرابرتر است، به طوری که تراکم مبدا سفرها در مناطق تفریحی و رستورانی منطقه Centro بسیار زیاد است.

5.2. مکان بهینه پیشنهادی مکان های پارکینگ برای توزیع کل تقاضا

شکل 6 شامل نتایج به دست آمده با در نظر گرفتن کل سفرهای روزانه بر اساس مبدا (سناریوی مرجع) است. اندازه نماد کل تقاضای تخصیص یافته به هر یک از پارکینگ ها را نشان می دهد. با این توزیع 200 جای پارک، کمی بیش از 170000 از مبدا سفرها در فاصله 200 متری پوشش داده می شود که 72 درصد از کل را تشکیل می دهد ( جدول 3 ).
بیشترین تعداد فضاهای پارکینگ در مناطق منطقه Centro، مربوط به مراکز خرید، اوقات فراغت و اشتغال، و همچنین ایستگاه‌های قطار و مبادلات حمل‌ونقل (مانند Atocha و Nuevos Ministriios) واقع شده است. میانگین تقاضای تخصیص یافته به ازای هر جای پارک 850 سفر است، اما جدول زمانی فرکانس برای فضاهای پارک بر اساس تقاضای تخصیص داده شده، توزیع نامتقارن سوگیری به سمت راست را نشان می دهد، که در آن بیشتر فضاهای پارکینگ تقاضای کمتر از 1000 سفر را برای این مدت زمان اختصاص داده اند. 11 ماه (حدود 90 سفر در ماه). فقط حدود 30 جای پارک بیش از 1000 مبدا اختصاص داده شده است، و تنها در یک مورد، در منطقه اطراف ایستگاه آتوچا، بیش از 2000 مبدا وجود داشت که در مجموع 3300 (300 مبدا سفر در ماه) بود.

5.3. تأثیر تغییرات در توزیع تقاضا در طول روز

برای کشف اثرات تغییر توزیع فضایی تقاضا در طول روز در پوشش مکان های پیشنهادی به دست آمده در سناریوی مرجع، در زیر، تقاضای تحت پوشش این فضاهای پارکینگ در هر یک از باندهای سه زمانه محاسبه شده است. جدول 4نشان می دهد که چگونه درصد پوشش بین 69.1 درصد تقاضای پوشش داده شده در صبح و 73.3 درصد در شب متغیر است. تقاضای بیشتر در شب و تمرکز بیشتر آن در نواحی مرکزی به این معنی است که راندمان شبکه پارکینگ ها در این باند زمانی بیشتر از کل روز است و 1.2 درصد تقاضای بیشتری را در این زمان نسبت به وضعیت فعلی جذب می کند. تقاضای کل در قرارداد، پراکندگی بیشتر سفرها در صبح بر کارایی فضاهای پارک در این باند زمانی تأثیر دارد که 2.8 درصد کمتر مبدا سفرها را در این باند ثبت می کند.
شکل 7تقاضاهای تخصیص یافته به هر فضای پارکینگ را با توجه به باند زمانی (اندازه نمادها) و تفاوت بین تقاضای تخصیص یافته به هر یک از مکان های پارکینگ بین باندهای زمانی را نشان می دهد. تقاضای اختصاص داده شده به پارکینگ ها در صبح بسیار همگن تر از بعدازظهر و شب است، بنابراین اگرچه مرکزی ترین فضاهای پارکینگ تقاضای تخصیصی بیشتری دارند، اما تفاوت ها نسبت به فضاهای پارکینگ پیرامونی کمتر شده و تنها مورد برجسته است. مکان، فضای پارکینگ اطراف ایستگاه آتوچا (در هر سه باند زمانی) است. در مقابل، در بعد از ظهر تقاضا برای فضاهای پارکینگ در مناطق مرکزی و مناطق فعالیت، به ویژه محور Prado-Recoletos-Castellana به شدت افزایش می یابد. در حالی که تقاضای اختصاص یافته به فضاهای پارکینگ در مناطق مسکونی حاشیه ای تر کاهش می یابد. در شب، این فضاهای پارکینگ در محور Prado-Recoletos-Castellana بار دیگر تقاضای اختصاص داده شده را از دست می دهند، در حالی که در مناطق خرید و اوقات فراغت مناطق مانند Centro، Chamberí و Salamanca افزایش می یابد.
بنابراین، اگر به تفاوت‌های بین باندهای زمانی نگاه کنیم، تقاضای بیشتر در شب به این معنی است که بیشتر فضاهای پارکینگ در شب نسبت به صبح سفرهای بیشتری دارند، اگرچه در برخی مناطق مسکونی در تتون و سالامانکا، مقداری پارکینگ وجود دارد. فضاهایی با سفرهای بیشتر در صبح. این تفاوت‌ها بین صبح و بعدازظهر نیز ظاهر می‌شود، جایی که مناطق مسکونی بیشتر در صبح سفر بیشتری دارند و مناطقی که فعالیت تجاری دارند در بعدازظهر بیشتر سفر می‌کنند. بین بعدازظهر و شب در مناطق فعالیت اطراف Castellana، با تقاضای بیشتر در بعد از ظهر، و مناطق خرید و اوقات فراغت مناطق، مانند Chamberí و Centro، که به دلیل تقاضای جذب شده در شب قابل توجه هستند، تفاوت وجود دارد. .
ما شاخص های تخصص را برای تجزیه و تحلیل درجه اهمیت تقاضای جذب شده در هر فضای پارکینگ و در هر باند زمانی، با توجه به آنچه در سناریوی مرجع (با تقاضای کل) ثبت شده است، محاسبه کرده ایم. در اینجا، رنگ‌های آبی، فضاهای پارکینگ را با وزن بیشتری در یک زمان خاص نشان می‌دهند و فضای پارک قرمز با توجه به وضعیت موجود در سناریوی مرجع، وزن کمتری را نشان می‌دهند ( شکل 8).). فضاهای پارکینگی که در این زمان رفتاری مشابه سناریوی مرجع دارند سفید هستند. وضعیت بهینه سیستم در جایی است که فضاهای پارکینگ تقاضای تخصیصی مشابهی داشته باشند (دایره هایی با اندازه های مشابه در شکل بالا) و در طول روز همگن باقی بمانند (با رنگ های سفید اصلی ترین رنگ ها در سه باند زمانی) .
نتایج به وضوح تفاوت در تخصص ایستگاه ها را با توجه به فضاهای با وزن بیشتر در مناطق مسکونی در صبح (آبی در باند صبح)، مناطق کارکنان اداری (آبی در بعد از ظهر) و اوقات فراغت و رستوران ها نشان می دهد. آبی در شب). وضعیت در شب که بیشترین تقاضا است و در نتیجه بیشترین تأثیر را در سناریوی مرجع دارد، دارای کمترین سطح تخصص (مقادیر حدود 1 و رنگ های شفاف) است، در حالی که در صبح، پارکینگ هایی وجود دارد که دارای اهمیت زیادی در آن زمان (مسکونی، با آبی تند)، یا بسیار کمتر (مناطق فعالیت تجاری، به رنگ قرمز).

5.4. مدل های سازگار با تغییرات در توزیع تقاضا

محاسبه مدل‌های مکان پارکینگ برای هر یک از باندهای زمانی (سناریوهای جزئی) بر اساس توزیع‌ها در باندهای زمانی مختلف، برای ارزیابی بهبود در پوشش مدل‌های احتمالی که در نظر می‌گیرند یک فضای پارکینگ باید باشد یا خیر، انجام شد. بسته به زمان فعال یا نه این راه حل چیزی شبیه به مکان های پارکینگ است که برای تحویل کالا یا خدمات خاص رزرو شده است، مانند داروخانه ها، جایی که پارکینگ برای این فعالیت ها در یک بازه زمانی خاص رزرو شده است. با این وجود، این محدودیت وجود دارد که برخی از وسایل نقلیه می توانند خارج از بازه زمانی اختصاص داده شده در فضای پارک باقی بمانند، که اگر شرکت مجبور به توزیع مجدد وسایل نقلیه شود، می تواند هزینه ها را افزایش دهد.
شکل 9 مکان های بهینه مکان های پارکینگ را برای هر یک از سناریوهای زمانی جزئی و مجموع مبدا سفرهای اختصاص داده شده به هر یک از پارکینگ ها (در اندازه نمادها) را نشان می دهد. همانطور که مشاهده می شود، توزیع ها نسبتا مشابه هستند، اگرچه با پراکندگی بیشتر فضاهای پارک در صبح، که در مناطق مسکونی هم مرز با منطقه مورد مطالعه بیشتر است، و توزیع کل سفرهای تخصیصی همگن تر است. در مقابل، توزیع فضاهای پارک در بعدازظهر و بالاتر از همه در شب به شدت در مناطق مرکزی متمرکز است، با بیشترین تفاوت بین این فضاهای پارکینگ و فضاهای پیرامونی تر در کل سفرهای اختصاص داده شده. در هر صورت، همانطور که در جدول 5 مشاهده می شود، افزایش تقاضای تحت پوشش در سه مورد در مقایسه با سناریوی مرجع بسیار ناچیز است. در صبح، مدل 1٪ بیشتر از منشاء سفرها را در این باند زمانی نسبت به سناریوی مرجع ثبت می کند، در حالی که، در بعد از ظهر و در شب، این رقم به سختی 0.5٪ بیشتر است.
اگرچه توزیع ها نسبتا مشابه هستند، تنها 35 فضای پارکینگ در سه باند زمانی فعال به نظر می رسد، که کمی بیش از 15٪ از 200 مکان در هر مورد ( جدول 6 ) است. در مقابل، بیش از 50 درصد از کسانی که در هر باند زمانی ایجاد شده اند، در دو دوره دیگر ظاهر نمی شوند. بیشترین شباهت ها بین بعدازظهر و شب است که دارای 41 جای پارک مشترک است، در حالی که بین صبح و بعد از ظهر، 27 و بین صبح و شب، 26 مورد وجود دارد. شکل 10 توزیع فضایی این پارکینگ ها را نشان می دهد. با توجه به زمانی که در آن ظاهر می شوند.
بر اساس نقشه فوق و با توجه به روشی که در بالا توضیح داده شد، آخرین مدل برای مکان یابی پارکینگ ها به دست آمده است. این سناریوی بهینه شده در مجموع 229 جای پارک دارد که 14.5 درصد بیشتر از سناریوی مرجع اولیه است. با این فضاهای پارکینگ، تعداد کل مبداهای تحت پوشش 178982 یا 75.5 درصد است که نشان دهنده 3.6 درصد بیشتر از سناریوی مرجع با 200 جای پارک است. این مدل نه تنها در تمام باندهای زمانی پوشش بالاتری دارد، بلکه از مزیت کاهش اختلاف تقاضای تحت پوشش بین باندهای زمانی برخوردار است ( جدول 7 و شکل 11 ).

6. نتیجه گیری

در این مطالعه از مدل‌های مکان‌یابی-تخصیص GIS به منظور یافتن بهترین مکان‌ها برای پارک خودروهای سیستم ریز تحرک استفاده شد. برخلاف کارهای قبلی که روش‌شناسی مشابهی را برای اشتراک‌گذاری دوچرخه شناور آزاد پیاده‌سازی کرده‌اند (به عنوان مثال، مراجع [ 7 ، 27 ])، در این مقاله، ما با یک اسکوتر به سبک موتور سیکلت کار کردیم و دیدگاهی پویا را با توجه به عرضه و تقاضا ترکیب کردیم. پیشنهاد ما از مجموعه ای از داده های ارائه شده توسط شرکت Muving استفاده کرد که از سوابق GPS سفرهای انجام شده توسط کاربران جمع آوری شده است.
استفاده از داده‌های خود سیستم، که به عنوان متغیری از مکان تقاضا در مدل‌ها در نظر گرفته می‌شود، به ما این امکان را می‌دهد که با اطلاعاتی با جزئیات مکانی-زمانی زیاد کار کنیم. در مقایسه با کارهای قبلی که در آنها تقاضا از منظر ایستا بررسی می شود، در اینجا، توزیع تقاضا را در باندهای زمانی مختلف در طول روز در نظر گرفتیم. بر اساس یک مدل محاسبه شده با استفاده از توزیع تقاضای کل (سناریوی مرجع)، ما ارزیابی کردیم که چگونه تغییرات در توزیع روزانه تقاضا برای سفرها بر محل مکان‌های پارکینگ تأثیر می‌گذارد. این دیدگاه پویا به ما اجازه داد تا کارایی سیستم را ارزیابی کنیم و ببینیم که چگونه تغییرات در توزیع تقاضا بر پوشش خدمات در طول روز تأثیر می گذارد. علاوه بر این، می توان با توجه به زمان روز، اهمیت هر پارکینگ را شناسایی کرد، آنهایی را که بیشترین استفاده را در یک زمان خاص دارند و سایر مواردی که استفاده مداوم در طول روز دارند شناسایی کرد. در نهایت، ما کارایی یک مدل سازگار با این تغییرات زمانی در تقاضا را ارزیابی کردیم.
نتایج نشان می‌دهد که مدل‌هایی از این نوع به ما امکان می‌دهند توزیع کارآمدی از فضاهای پارکینگ را به دست آوریم. با 200 جای پارک، 72 درصد سفرها در فاصله 200 متری انجام می شود. این یک راه حل بهینه است که هزینه اجرای آن بسیار پایین است، زیرا می توانند مکان های پارکینگ در حال حاضر به خودروها باشند. این راندمان در طول روز حفظ می شود، زیرا اگرچه پراکندگی بیشتر سفرها در باند صبحگاهی باعث می شود پوشش در این زمان اندکی کاهش یابد، کاهش اندک است، در حالی که در طول شب تقاضا متمرکزتر است و کارایی فضای پارکینگ افزایش می یابد علاوه بر این، هنگامی که ما به دنبال مکان‌های بهینه برای فضاهای پارکینگ متناسب با تغییرات تقاضا (سناریوهای جزئی) بودیم، به دستاوردهای کوچکی در تقاضای تحت پوشش رسیدیم. که به سختی اجازه پوشش تقاضای 1% بیشتر در باند صبح و کمتر از 1% در بعدازظهر و شب را داد. اگر چه کاهش ناگهانی در پوشش کل سیستم بین باندهای زمانی وجود ندارد، به نظر می رسد تخصص مشخصی در فضاهای پارک در طول زمان وجود دارد. تخصص بیشتر مسکونی در حاشیه منطقه مرکزی مادرید به این معنی است که فضاهای پارکینگ در حاشیه در طول گروه های صبحگاهی فعالیت بیشتری دارند، در حالی که فضاهایی که مرکزی تر هستند (مناطق تجاری و تفریحی) در بعد از ظهر فعال تر هستند. و به خصوص در شب در نهایت، در این مقاله، ما همچنین راه‌حلی را پیشنهاد کردیم که هدف آن انطباق مکان‌های پارکینگ با تغییر توزیع تقاضا در طول روز است (سناریوی بهینه). این یک راه حل ساده است،
روش پیشنهادی در اینجا ممکن است برای برنامه ریزان و مدیران تحرک شهری جالب باشد، زیرا با چالش پیش بینی تأثیر خدمات جدید حرکت خرد در مراکز شهری روبرو هستند. باید سیاست‌ها و اقداماتی طراحی شود که بتواند تقاضای جدید برای این سیستم‌ها و به‌ویژه مشکلات و درگیری‌های ناشی از پارک کردن وسایل نقلیه را تنظیم کند. همچنین برای شرکت‌های حمل‌ونقل خرد ضروری است که اقدامات مشترکی را با برنامه‌ریزان اجرا کنند تا امکان ارائه خدمات بهتر و جلوگیری از درگیری با سایر اشکال حمل‌ونقل یا عابران پیاده که تصویری منفی از سیستم ایجاد می‌کنند، نشوند. در جستجوی این راه حل ها، شرکت ها از مزیت برخورداری از اطلاعات مکانی و زمانی بسیار دقیق و همچنین عرضه و تقاضا برای سفرها برخوردارند.

منابع

  1. بانرجی، اس. کبیر، م.م. خادم، NK; چاویس، سی. مکان های بهینه برای ایستگاه های اشتراک دوچرخه: یک رویکرد فضایی مبتنی بر GIS جدید. ترانسپ Res. بین رشته ای. چشم انداز 2020 ، 4 ، 100101. [ Google Scholar ] [ CrossRef ]
  2. هاینن، ای. ون وی، بی. Maat, K. رفت و آمد با دوچرخه: مروری بر ادبیات. ترانسپ Rev. 2010 , 30 , 59-96. [ Google Scholar ] [ CrossRef ]
  3. زو، آر. ژانگ، ایکس. کندور، دی. سانتی، پی. Ratti, C. درک ناهمگونی مکانی-زمانی حرکت مشترک دوچرخه و اسکوتر. محاسبه کنید. محیط زیست سیستم شهری 2020 ، 81 ، 101-483. [ Google Scholar ] [ CrossRef ]
  4. بایک، ک. لی، اچ. چانگ، جی اچ. به اشتراک گذاری اسکوتر برقی کیم، جی.: مردم چگونه آن را به عنوان یک حالت حمل و نقل آخرین مایل ارزیابی می کنند؟ ترانسپ Res. قسمت D Transp. محیط زیست 2021 , 90 , 102642. [ Google Scholar ] [ CrossRef ]
  5. هوآ، ام. چن، ایکس. ژنگ، اس. چنگ، ال. چن، جی. برآورد تقاضای پارکینگ برای اشتراک دوچرخه شناور آزاد: مطالعه مبتنی بر داده های سفر در نانجینگ، چین. جی. پاک. تولید 2020 , 244 , 118764. [ Google Scholar ] [ CrossRef ]
  6. لازاروس، جی. Pourquier, JC; فنگ، اف. هامل، اچ. شاهین، اس. تکامل و گسترش میکروموبایلیتی: درک چگونگی تکمیل و رقابت مدل‌های اشتراک‌گذاری دوچرخه ثابت و بدون اسکله – مطالعه موردی سانفرانسیسکو. J. Transp. Geogr. 2020 , 84 , 102620. [ Google Scholar ] [ CrossRef ]
  7. ژانگ، ی. لین، دی. Mi, Z. برنامه ریزی حصار برقی برای خدمات اشتراک دوچرخه بدون اسکله. جی. پاک. تولید 2019 ، 206 ، 383-393. [ Google Scholar ] [ CrossRef ]
  8. هاو، ای. Jakobsen، FJ Global Moped Sharing Market گزارش ; InnoZ-Innovation Center for Mobility and Societal Change (InnoZ) GmbH: برلین، آلمان، 2020؛ پ. 2020. [ Google Scholar ]
  9. یونس، ح. زو، ز. وو، جی. بایوچی، جی. مقایسه تعیین‌کننده‌های زمانی سهم اسکوتر بدون اسکله و سهم دوچرخه مبتنی بر ایستگاه در واشنگتن، دی سی. ترانسپ Res. بخش A سیاست سیاست. 2020 ، 134 ، 308-320. [ Google Scholar ] [ CrossRef ]
  10. آگیلرا-گارسیا، Á. گومز، جی. سوبرینو، ن. بررسی پذیرش سیستم‌های به اشتراک گذاری اسکوتر موتور سواری در مناطق شهری اسپانیا. شهرها 2020 . [ Google Scholar ] [ CrossRef ]
  11. شاهین، س. کوهن، AP مجموعه ابزار سیاست میکروموبلیت مشترک: به اشتراک گذاری دوچرخه و روروک مخصوص بچه ها متصل و بدون اسکله. UC Berkeley Transp. حفظ کنید. Res. سنت. 2019 ، 1–9. [ Google Scholar ] [ CrossRef ]
  12. ممکن است.؛ لان، جی. تورنتون، تی. مانگالاگیو، دی. زو، دی. چالش‌های حاکمیت مشارکتی در اقتصاد اشتراک‌گذاری: مورد اشتراک دوچرخه شناور آزاد در شانگهای. جی. پاک. تولید 2018 ، 197 ، 356-365. [ Google Scholar ] [ CrossRef ]
  13. روکونی، ع. د کوریا، روش‌های ارزیابی GHA برای تأثیرات تحرک مشترک: طبقه‌بندی و بررسی انتقادی. پایداری 2020 ، 12 ، 10504. [ Google Scholar ] [ CrossRef ]
  14. خو، دی. بیان، ی. رانگ، جی. وانگ، جی. یین، بی. مطالعه روی خوشه بندی سری های زمانی پارکینگ اشتراکی دوچرخه شناور آزاد در ایستگاه های متروی پکن. پایداری 2019 ، 11 ، 5439. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. گائو، ال. جی، ی. یان، ایکس. فن، ی. Guo, W. اقدامات تشویقی برای جلوگیری از پارک غیرقانونی دوچرخه های مشترک بدون اسکله: روابط بین فرم های تشویقی، شدت و انطباق با سیاست. حمل و نقل 2020 . [ Google Scholar ] [ CrossRef ]
  16. مونی، اس جی; هاسفورد، ک. هاو، بی. یان، ا. وینترز، م. بسوک، ا. Hirsch, JA در دسترسی به docklesآزادی از ایستگاه: سهام عدالت فضایی دوچرخه. J. Transp. Geogr. 2019 ، 74 ، 91–96. [ Google Scholar ] [ CrossRef ]
  17. جیائو، جی. بای، اس. درک سفرهای اسکوتر الکترونیکی مشترک در آستین، تگزاس. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 135. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  18. مک‌کنزی، جی. تحلیل مقایسه‌ای فضایی-زمانی الگوهای استفاده از اسکوتر-سهم و دوچرخه-سهم در واشنگتن، دی سی. J. Transp. Geogr. 2019 ، 78 ، 19-28. [ Google Scholar ] [ CrossRef ]
  19. مک‌کنزی، جی. تحرک شهری در اقتصاد اشتراک‌گذاری: مقایسه مکانی-زمانی خدمات تحرک مشترک. محاسبه کنید. محیط زیست سیستم شهری 2020 ، 79 ، 101418. [ Google Scholar ] [ CrossRef ]
  20. دگله، جی. گور، ا. هاس، ک. کورمان، دی. کراوس، اس. لیپینسکی، پی. Hertweck، D. شناسایی بخش‌های مشتریان به اشتراک‌گذاری اسکوترهای الکترونیکی با استفاده از خوشه‌بندی. در مجموعه مقالات کنفرانس بین المللی مهندسی IEEE. فناوری و نوآوری (ICE/ITMC)، اشتوتگارت، آلمان، 17 تا 20 ژوئن 2018؛ صص 1-8. [ Google Scholar ] [ CrossRef ]
  21. رک، دی جی; گیدون، اس. هایتائو، اچ. Axhausen، KW توضیح استفاده مشترک، رقابت و انتخاب حالت با مدل‌سازی داده‌های تجربی از زوریخ، سوئیس. Brisk Bin. نقاط کلیدی مقیاس پذیر ثابت پایدار 2020 ، 15 ، 12-19. [ Google Scholar ] [ CrossRef ]
  22. جی، ی. ما، ایکس. او، م. جین، ی. یوان، ی. مقایسه نظم استفاده و عوامل تعیین کننده آن بین سیستم های اشتراک دوچرخه متصل و بدون اسکله: مطالعه موردی در نانجینگ، چین. جی. پاک. تولید 2020 ، 255 ، 120110. [ Google Scholar ] [ CrossRef ]
  23. بای، اس. الگوهای استفاده از اسکوتر الکترونیکی بدون بارانداز و محیط‌های ساخته شده شهری: یک مطالعه مقایسه‌ای در آستین، TX، و مینیاپولیس، MN. رفتار سفر. Soc. 2020 ، 20 ، 264-272. [ Google Scholar ] [ CrossRef ]
  24. چن، ای. Ye, Z. شناسایی رابطه غیرخطی بین استفاده اشتراکی دوچرخه شناور آزاد و محیط ساخته شده. جی. پاک. تولید 2021 . [ Google Scholar ] [ CrossRef ]
  25. لیو، ی. Tian، L. یک سیستم کلاستر درجه‌بندی شده برای استخراج ایستگاه‌های مجازی در سیستم اشتراک‌گذاری دوچرخه شناور آزاد در نمای جغرافیایی چند مقیاسی. جی. پاک. تولید 2021 ، 281 ، 124692. [ Google Scholar ] [ CrossRef ]
  26. García-Palomares, JC; گوتیرز، جی. Latorre, M. بهینه سازی مکان ایستگاه ها در برنامه های اشتراک دوچرخه: یک رویکرد GIS. Appl. Geogr. 2012 ، 35 ، 235-246. [ Google Scholar ] [ CrossRef ]
  27. پارک، سی. Young Sohn، S. یک رویکرد بهینه سازی برای قرار دادن ایستگاه های اشتراک دوچرخه برای کاهش سفرهای کوتاه با ماشین: یک برنامه کاربردی برای شهر سئول. ترانسپ Res. بخش A سیاست سیاست. 2017 ، 105 ، 154-166. [ Google Scholar ] [ CrossRef ]
  28. یانگ، ال. ژانگ، اف. کوان، م. وانگ، ک. زو، ز. Xia، S. مکعب تقاضای فضا-زمان برای مدل بهینه‌سازی پوشش مکانی-زمانی سیستم دوچرخه مشترک: مطالعه با استفاده از داده‌های GPS دوچرخه بزرگ. J. Transp. Geogr. 2020 , 88 , 102861. [ Google Scholar ] [ CrossRef ]
  29. چن، YW; چنگ، سی. لی، اس اف. Yu, CH بهینه سازی موقعیت مکانی برای چندین نوع ایستگاه شارژ اسکوترهای برقی. Appl. محاسبات نرم. J. 2018 ، 67 ، 519-528. [ Google Scholar ] [ CrossRef ]
  30. آریاس مولینارس، دی. Carlos García-Palomares, J. توسعه تحرک مشترک به عنوان کلیدی برای تحریک تحرک به عنوان یک سرویس (MaaS) در مناطق شهری: مورد مادرید. مورد مطالعه. ترانسپ سیاست 2020 ، 8 ، 846–859. [ Google Scholar ] [ CrossRef ]
  31. حکیمی، LJ مکان های بهینه مراکز سوئیچینگ و مراکز مطلق و میانه های یک نمودار. اپراتور Res. 1964 ، 12 ، 450-459. در دسترس آنلاین: https://www.jstor.org/stable/168125 (در 30 مارس 2021 قابل دسترسی است). [ CrossRef ]
  32. Edmonds, J. پوشش و بسته بندی در یک خانواده از مجموعه ها. گاو نر صبح. ریاضی. Soc. 1962 ، 68 ، 494-499. [ Google Scholar ] [ CrossRef ]
  33. کلیسا، آر. ReVelle, C. مشکل مکان پوشش حداکثر. پاپ Reg. علمی دانشیار 1974 ، 32 ، 101-118. [ Google Scholar ] [ CrossRef ]
  34. تورگاس، سی. سواین، آر. ریول، سی. برگمن، ال. محل تأسیسات خدمات اضطراری. اپراتور Res. 1971 ، 19 ، 1363-1373. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00230 g001 550
شکل 1. منطقه مطالعه ( الف ) جامعه مادرید، ( ب ) شهرداری مادرید، و ( ج ) بخش مرکزی شهر مادرید.
Ijgi 10 00230 g002 550
شکل 2. میانگین سفرها بر اساس روز هفته و زمان.
Ijgi 10 00230 g003 550
شکل 3. مکان های در نظر گرفته شده به عنوان کاندید در مدل ها. ( الف ) کل مکان ها؛ ( ب ) جزئیات
Ijgi 10 00230 g004 550
شکل 4. تراکم سفر در هکتار بر اساس مبدا و مقصد.
Ijgi 10 00230 g005 550
شکل 5. تراکم سفرها (منشا) بر اساس هکتار و باندهای زمانی.
Ijgi 10 00230 g006 550
شکل 6. ( الف ) سناریوی مرجع: مکان بهینه مکان های پارکینگ بر اساس مبدا کل سفرها. ( ب ) توزیع تقاضای تحت پوشش بر اساس مکان های پارکینگ.
Ijgi 10 00230 g007 550
شکل 7. سناریوی مرجع: تقاضای تحت پوشش هر فضای پارکینگ و تفاوت بین باندهای زمانی در کل تقاضای تحت پوشش. ( الف ) صبح شب. ب ) بعد از ظهر صبح. ج ) بعد از ظهر شب.
Ijgi 10 00230 g008 550
شکل 8. سناریوی مرجع: سطح تخصصی بودن فضاهای پارکینگ بر اساس باند زمانی. ( الف ) صبح. ( ب ) بعد از ظهر. ( ج ) شب. منبع: شرح خود نویسندگان.
Ijgi 10 00230 g009 550
شکل 9. سناریوهای جزئی: موقعیت مکانی بهینه فضاهای پارکینگ با مدل های پویا متناسب با تقاضا در هر یک از باندهای زمانی. ( الف ) صبح. ( ب ) بعد از ظهر. ( ج ) شب.
Ijgi 10 00230 g010 550
شکل 10. سناریوهای جزئی: تعداد فضاهای پارک بر اساس باند زمانی که در آنها فعال به نظر می رسند. (M = صبح، A = بعد از ظهر، N = شب، MA = بعد از ظهر صبح، MN = صبح شب، AN = بعد از ظهر، MAN = صبح بعد از ظهر شب).
Ijgi 10 00230 g011 550
شکل 11. سناریوی بهینه: ( الف ) توزیع فضاهای پارکینگ نهایی با تقاضای تخصیص یافته. ( ب ) توزیع تقاضای تحت پوشش بر اساس مکان های پارکینگ.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید