دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها200
تعداد مقالات2,008
تعداد مشاهده مقاله2,680,110
تعداد دریافت فایل اصل مقاله1,937,340
کاظمی, مبشر, حسینعلی, فرهاد. (1401). ارزیابی استفاده از وسایل حمل و نقل عمومی شهر قزوین با استفاده از مدل شبیه ساز. فناوری آموزش, 1(1), 53-62. doi: 10.22061/jrsgr.2022.1951
مبشر کاظمی; فرهاد حسینعلی. "ارزیابی استفاده از وسایل حمل و نقل عمومی شهر قزوین با استفاده از مدل شبیه ساز". فناوری آموزش, 1, 1, 1401, 53-62. doi: 10.22061/jrsgr.2022.1951
کاظمی, مبشر, حسینعلی, فرهاد. (1401). 'ارزیابی استفاده از وسایل حمل و نقل عمومی شهر قزوین با استفاده از مدل شبیه ساز', فناوری آموزش, 1(1), pp. 53-62. doi: 10.22061/jrsgr.2022.1951
کاظمی, مبشر, حسینعلی, فرهاد. ارزیابی استفاده از وسایل حمل و نقل عمومی شهر قزوین با استفاده از مدل شبیه ساز. فناوری آموزش, 1401; 1(1): 53-62. doi: 10.22061/jrsgr.2022.1951

ارزیابی استفاده از وسایل حمل و نقل عمومی شهر قزوین با استفاده از مدل شبیه ساز

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1، دی 1401، صفحه 53-62    اصل مقاله (1.34 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2022.1951
نویسندگان
مبشر کاظمی؛ فرهاد حسینعلی*
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
تاریخ دریافت: 08 بهمن 1401،  تاریخ بازنگری: 17 اردیبهشت 1402،  تاریخ پذیرش: 25 خرداد 1402 
چکیده
پیشینه و اهداف: سامانه ­های اطلاعات مکانی، کاربردهای خود را در شاخه ­های مختلف علمی و اجرایی گسترش داده­ اند. دلیل مبرهن این گسترش، استوار بودن این سامانه ­ها بر اطلاعات مکانی است، چراکه این اطلاعات بخش گسترده­ای از اطلاعات تولید شده و مبادله شده در دنیای امروز را به خود اختصاص می­ دهد. یکی از حوزه­ هایی که سامانه­ های اطلاعات مکانی کاربرد وسیعی در آن یافته است، حوزه‌ی حمل ­و نقل و ترافیک می­باشد و پر واضح است که این حوزه، وابسته به اطلاعات مکانی است. در این تحقیق، حمل­ و نقل چند منظوره‌ی شهری با استفاده از وسایل حمل ­و نقل عمومی، مد نظر می ­باشد. مسافرت درون ­شهری، می­ تواند با استفاده از وسایل حمل­ و نقل عمومی، نظیر اتوبوس،  مترو، تاکسی و نظایر آن، یا با استفاده از وسایل شخصی مانند اتومبیل و موتور سیکلت، انجام گردید. مدیران شهری، همواره می­ کوشند که مردم را به استفاده از حمل­و نقل عمومی ترغیب و تشویق نمایند، چون استفاده از وسایل شخصی پیامدهای ناخوشایند زیادی نظیر افزایش مصرف سوخت، سنگینی ترافیک و به تبع آن آلودگی هوا، آلودگی صوتی، اتلاف وقت و غیره را، به همراه دارد. وسایل حمل­ و نقل عمومی در خطوط مشخصی حرکت می­کنند و به همین دلیل بسیاری از سفرهای شهری با استفاده از تنها یک وسیله‌ی حمل ­و نقل عمومی، به سرانجام نم ی­رسد. از این رو، مسافر برای طی طریق از مبدأ به مقصد، مجبور می­ شود که از چند خط حمل­ و نقل عمومی که ممکن است شامل وسایل غیر یکسانی باشند، استفاده نماید و حتی مسیری را نیز، به صورت پیاده بپیماید. در این‌جا، با یک مسأله‌ی حمل­و نقل چند حالته روبرو هستیم که در یک بستر مکانی با استفاده از ابزارهای مختلف و با در نظر گرفتن معیارهای مختلف، قابل بررسی است. این مسأله، سابقه‌ی پژوهش­ های زیادی در دنیا دارد ولی در ایران و مشخصاً در شهر قزوین که مورد مطالعه‌ی ‌این پژوهش است، چنین سیستمی تاکنون به ثمر ننشسته است.
روش‌ها‌: در این پژوهش، از مدل عامل- مبنا برای شبیه­سازی استفاده‌ی مسافران از وسایل حمل ­و نقل عمومی در داخل شهر، استفاده می­شود. محیط کار، نقشه‌ی شبکه‌ی خیابان ­های شهر قزوین است که مسیرهای حمل­و نقل عمومی روی آن، پیاده شده است. وسایل حمل ­و نقل عمومی در شهر قزوین، اتوبوس و تاکسی است که استفاده از آژانس نیز به آن، افزوده شده است. در این مدل، عامل ­ها در نقش مسافرانی هستند که از یک مبدأ مشخص، قصد عزیمت به مقصدی مشخص را دارند و با گزینه ­های مختلفی برای سفر خود، مواجه می­ باشند. عامل، می­ تواند همه‌ی این گزینه­ ها را در محیط نقشه، تجربه نماید و زمان و هزینه‌ی استفاده از هر یک از آن‌ها را به دست آورد تا در نهایت، مشخص شود که کدام گزینه می­تواند برای مسافر، مطلوب­تر باشد.
یافته‌ها: نتایج، نشان داد که وسایل حمل­و نقل عمومی شهر قزوین در مسیرهای مختلف می­توانند مطلوبیت­ های متفاوتی داشته باشند و بهتر است هر مسیر، به صورت جداگانه سنجیده شود. با این حال، به صورت کلی می­توان گفت در مسیرهای کوتاه، تاکسی گزینه‌ی مطلوبی است، در مسیرهای متوسط، اتوبوس می­تواند از نظر هزینه، مقرون به صرفه باشد و در مسیرهای طولانی، استفاده از آژانس، توجیه­ پذیر خواهد بود. امروزه، استفاده از تاکسی­ های اینترنتی، گسترش بسیاری یافته است. این تاکسی­ ها را نیز، می ­توان به صورت آژانس در نظر گرفت. تنها تفاوت آن‌ها در این است که معمولاً هزینه کمتری نسبت به آژانس­ های تلفنی دارند و از فراوانی بسیار بیشتری نیز، برخوردار هستند.
نتیجه‌گیری: به کارگیری مدل عامل­ مبنا به عنوان یک مدل شبیه­ ساز، قدرت زیادی در تحلیل مسائل حمل­ و نقل و ترافیک ایجاد می­ کند و این تحقیق، گواه این امر است. نتایج این تحقیق، یک دید کلی از میزان مطلوبیت گزینه ­های مختلف حمل­ و نقل عمومی در شهر قزوین ایجاد می­کند، حال آن‌که هر مسافری، ممکن است دیدگاه اختصاصی خود را داشته باشد. برای مثال، ممکن است افرادی به دلیل اقتصادی یا امنیت، تنها از اتوبوس برای سفر درون­ شهری، استفاده نمایند. در هر صورت، مدل توسعه­ داده­ شده در این پژوهش، می­ تواند مطلوبیت هر سفر را از جنبه ­های مختلف حتی فراتر از زمان و هزینه، به شرط فراهم بودن اطلاعات آن، ارزیابی و در اختیار مسافر قرار دهد. از این رو، قدرت و قابلیت واقعی این مدل، زمانی به منصه‌ی ظهور خواهد رسید که در یک سامانه‌ی برخط با قابلیت استفاده در تلفن­ های همراه، در اختیار عموم قرار گیرد.  
کلیدواژه‌ها
سامانه اطلاعات مکانی؛ شبکه حمل و نقل عمومی؛ شبیه‌سازی؛ قزوین
عنوان مقاله [English]
Assessing the Use of Public Transportation System in Qazvin City Using a Simulator Model
نویسندگان [English]
M. Kazemi؛ F. Hosseinali
Department of Surveying Engineering, Faculty of Civil Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran
چکیده [English]
Background and Objectives: Geospatial Information Systems has developed their applications in varioua area of science. The reason for this development is that Geospatial Information Systems are based on spatial data while nowadays spatila data is a major porion of information. One of the areas of wide use of Geospatila Information Systenms is Transportation and Traffic. It is obvious that Transportation and Traffic is dependent on Geospatial Information. In this paper the public multi-modal transportation in the city is studied. In cities, people may use private vehicles (such as automobile or motorbike) or public vehicles (such as bus, subway, etc). The city managers always aim to engage people to use public transportation system because extensive use of private vehicles can lead to various problems such as air pollution, noise, increasing fule consumption etc. Public transport only runs on a certain route and so many travels within the city needs use of more than one public vehicle. Thus, a traveler in a city may be obliged to use several and probably dissimailar public vehicles. He/she may also traverse a short path on his/her feet. In this situation we are facing a multi-modal transportation problem on a spation framework which can be solve by multiple methods considering various criteria. Such a problem has a good research background. However, in Iran, especially in Qavin city (the case of this study) such a system does not exist.
Methods: In this study the agen-based modeling is applied to simulate the travels of people in the city by public transportation system. The environment is the map of street network of Qazvin city which the routes of public transportation system have layed on it. The public transportation system in Qazvin city includes taxies and buses plus telephon taxi agencies. In this mode, the agents play the role of the travellers who travel from a specific point to another specific point in the city and have various options of using transportation system. The agent is able to use all of the options of travel and calculate the duration and the cost of each one to determine the mos desirable option.
Findings: The results revealed that public transportation system of Qazvin city have various desirability in its various routes. Thus, it is etter to estimate the desirailty of each route separately. However, generally speaking, we can argue that in the short travels, taxi is a good option, in mean travels the bus is affordable and for long travels using telephone taxies may be convinving. Nowadays, internet taxies are widely used. Internet taxies may be considered similar to telephone taxies. The difference between internet taxies and telephone taxis is that internet taxies are usually more abundant and also chepaer than telephone taxies.
Conclusion: Deployment of agent-based model as a simulator model creates a lot of power to analyze the problems of transportation system and traffic. This study proved this claim. The results of this study provide a general view of the cost and speed of public transportation system of Qazvin city while any traveller may have his/her specific idea. For instance, some people may choose the bus for their travel because of their own economical or security reasons. Nevertheless, the model developed in this study is able to evaluate the desirability of each travel based on not only cost and time but based on the other citeria if the data is available. Therefore, the power of the model is revealed when it is implemented on a public online or mobile application.
کلیدواژه‌ها [English]
Geo-spatial Information System, Public transport network, Qazvin, Simulation
مراجع
[1] Macal C, North M, editors. Tutorial on agent-based modeling and simulation. Proceedings of the Winter Simulation Conference, 2005: December 4-4; Orlando, FL, USA.

[2] Chen J, Ni J, Xi C, Li S, Wang J. Determining intra-urban spatial accessibility disparities in multimodal public transport networks. Journal of Transport Geography. 2017;65:123-133.

[3] Chow A, Han K, Achuthan K. An agent-based analysis of transport network vulnerability and resilience with provision of travel information.  The Sixth International Symposium on Dynamic Traffic Assignment: 2016 June 28-30: Sydney, Australia.

[4] Guo Z, Xiao G, Wang Y, Li S, Du J, Dai B, et al. Dynamic model of respiratory infectious disease transmission in urban public transportation systems. Heliyon. 2023;9(3):e14500

[5] Skuzinski T, Weinreich D, Hernandez CV. Exploring the link between regional transportation governance and outcomes: A novel measure of polycentricity in metropolitan public transportation systems. Transport Policy. 2023;13(3): 168-175.

[6] Solecka K, Żak J. Integration of the Urban Public Transportation System with the Application of Traffic Simulation. Transportation Research Procedia. 2014;3:259-268.

[7] Majumder S, De K, Kumar P, Rayudu R. A green public transportation system using E-buses: A technical and commercial feasibility study. Sustainable Cities and Society. 2019;51:101789.

[8] Fletterman M. Designing multimodal public transport networks using metaheuristics: University of Pretoria; 2008.

[9] Seaborn C, Attanucci J, Wilson N. Analyzing Multimodal Public Transport Journeys in London with Smart Card Fare Payment Data. Transportation Research Record. 2009;2121(1):55-62.

[10] Niger M. Rationalizing Public Transport System of Dhaka City: Proposal of Creating a Multimodal Hierarchical Transport Network to Reduce Traffic Congestion. Nakhara : Journal of Environmental Design and Planning. 2019;16(2019):1-14.

[11] Chen S, Tan J, Claramunt C, Ray C. Multi-scale and multi-modal GIS-T data model. Journal of Transport Geography. 2011;19(1):147-161.

[12] Zhang J, Liao F, Arentze T, Timmermans H. A multimodal transport network model for advanced traveler information systems. Procedia - Social and Behavioral Sciences. 2011;20:313-322.

[13] Delmelle EC, Casas I. Evaluating the spatial equity of bus rapid transit-based accessibility patterns in a developing country: The case of Cali, Colombia. Transport Policy. 2012;20:36-46.

[14] Munizaga MA, Palma C. Estimation of a disaggregate multimodal public transport Origin–Destination matrix from passive smartcard data from Santiago, Chile. Transportation Research Part C: Emerging Technologies. 2012;24:9-18.

[15] Yen BTH, Mulley C, Tseng W-C, Chiou Y-C. Assessing interchange effects in public transport: A case study of South East Queensland, Australia. Transportation Research Procedia. 2018;6(3):364-375.

[16] Tahmasbi B, Haghshenas H. Public transport accessibility measure based on weighted door to door travel time. Computers, Environment and Urban Systems. 2019;76:163-177.

[17] Bandini S, Manzoni S, Vizzari G, Agent based modeling and simulation: an informatics perspective. 2009;12(4): 1-14.

[18] Wu J-J, Khan HA, Chien S-H, Wen C-H. Effect of customization, core self-evaluation, and information richness on trust in online insurance service: Intelligent agent as a moderating variable. Asia Pacific Management Review. 2022;27(1):18-27.

[19] Genesereth MR, Ketchpel SP. Software Agents. In: Department CS, editor. Stanford University, 1994. P. 1-12.

[20] Bradshaw JM, Suri N, Canas AJ, Davis R, Ford K, Hoffman R, et al. Terraforming cyberspace. Computer. 2001;34(7):48-56.

[21] Gong S, Dong X, Wang K, Lei B, Jia Z, Qin J, et al. Agent-based modelling with geographically weighted calibration for intra-urban activities simulation using taxi GPS trajectories. International Journal of Applied Earth Observation and Geoinformation. 2023;122:103368.

[22] Tan R, Xiong C, Kimmich C. An agent-situation-based model for networked action situations: Cap-and-trade land policies in China. Land Use Policy. 2023;131:106743.

[23] Gurtner G, Delgado L, Valput D. An agent-based model for air transportation to capture network effects in assessing delay management mechanisms. Transportation Research Part C: Emerging Technologies. 2021;133:103358.

[24] Balac M. Microsimulation and Agent-Based Models in Transportation. In: Vickerman R, editor. International Encyclopedia of Transportation. Oxford: Elsevier; 2021. p. 473-476.

[25] Sresakoolchai J, Kaewunruen S. Railway infrastructure maintenance efficiency improvement using deep reinforcement learning integrated with digital twin based on track geometry and component defects. Scientific Reports. 2023;13(1):2439.

[26] Crooks AT, Castle CJE. The Integration of Agent-Based Modelling and Geographical Information for Geospatial Simulation. In: Heppenstall AJ, Crooks AT, See LM, Batty M, editors. Agent-Based Models of Geographical Systems. Dordrecht: Springer Netherlands; 2012. p. 219-251.

[27] Dalle Nogare D, Chitnis AB. NetLogo agent-based models as tools for understanding the self-organization of cell fate, morphogenesis and collective migration of the zebrafish posterior Lateral Line primordium. Seminars in Cell & Developmental Biology. 2020;100:186-198.

[28] Amblard F, Daudé E, Gaudou B, Grignard A, Hutzler G, Lang C, et al. 3 - Introduction to NetLogo. In: Banos A, Lang C, Marilleau N, editors. Agent-based Spatial Simulation with Netlogo. Oxford: Elsevier; 2015. p. 75-123.

[29] Gaudou B, Lang C, Marilleau N, Savin G, Rey Coyrehourcq S, Nicod J-M. 1 - NetLogo, an Open Simulation Environment. In: Banos A, Lang C, Marilleau N, editors. Agent-based Spatial Simulation with NetLogo, Volume 2: Elsevier; 2017. p. 1-36.

[30] Kazemi M, Hosseinali F. Multi-Modal Agent-based Path Finding in Public Transportation System. Quarterly Journal of Transportation Engineering. 2022;13(3):1783-1796. Persian.

آمار
تعداد مشاهده مقاله: 103
تعداد دریافت فایل اصل مقاله: 97


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب