برآورد زمان سفرحمل و نقل همگاني (اتوبوس) با بهره گيري از داده هاي نرم افزار SCATS و بليط الكترونيك (مطالعه موردي شهر تهران)

(Bus travel time prediction using SCATS and Electronic Ticket data (Tehran case study

پيش بيني دقيق زمان سفر وسايل حمل ونقل همگاني نظير اتوبوس براي استفاده كنندگان از اين سيستم و گردانندگان آن داراي اهميت است. تعيين اين زمان سفر به متصديان حمل ونقل همگاني اجازه مي دهد تا در اجراي برنامه هاي مديريتي نظير تنظيم زمان بندي حركت اتوبوس ها در ساعات مختلف شبانه روز و با توجه به تعداد ناوگان در شبكه اقدام مناسب را انجام دهند . بديهي است تنظيم برنامه زمان بندي در سيستم مي تواند حداقل زمان انتظار و افزايش مطلوبيت سيستم حمل ونقل را براي استفاده كنندگان در پي داشته باشد.زمان سفر اتوبوس ها تحت تاثير عوامل مختلفي نظير تقاضاي مسافر ، شرايط آب و هوايي و وضعيت جريان ترافيك قرار دارد كه براي بدست آوردن يك زمان سفر دقيق لزوما بايد تمامي اين عوامل تاثير گذار در نظر گرفته شود. عمده مدل هاي توسعه يافته در زمينه برآورد زمان سفر اتوبوس ها صرفا از داده اي تاريخي وابسته به زمان استفاده نموده اند . در اين تحقيق برپايه نگرشي نو علاوه بر در نظر گرفتن عامل وضعيت جريان ترافيك به عنوان عامل تاثير گذار در تعيين زمان سفر اتوبوس ها، از اطلاعات مربوط به تقاضاي سفر مسافران جهت برآورد زمان سفر استفاده گرديده است. همچنين مدلي براساس داده هاي تاريخي كه صرفا از متغيرهاي زماني(زمان از روز و روز از هفته) استفاده مي كرد و مدلي با تمركز بر روي وضعيت جريان ترافيك كه فقط از احجام عبوري و درجه اشباع تقاطعات پايين دست استفاده مي نمود نيز، جهت مقايسه توسعه يافتند. در نهايت مدل شبكه عصبي پيشنهادي در قالب يك مطالعه موردي ارزيابي گرديد. نتابج نشان دهنده عملكرد بهتر مدل پيشنهادي در قالب شاخص ميانگين درصد خطاي مطلق و جذر ميانگين مربعات مي باشد.

Providing accurate prediction for public transport(bus) travel time is valuable for both operators and passengers. It helps operators to implement their strategies like ، different fleet assignment in different times of day. It also helps the passengers to experience less waiting time and it will increase their satisfaction. Public transport travel time is affected by several factors such as، passenger demand، weather condition ، traffic flow and etc. which all have to be considered to have precise prediction . however ، previous studies are mostly concentrated on historical data-based models which uses temporal variables (time of day ، day of week) as an input. Tis paper develops artificial neural network (ANN) models to predict bus travel time by using range of input variables including traffic flow data and passenger demand collected from a bus route in Tehran، Iran. The paper examines the proposal model by comparing with two alternative models. A historical data-based model which uses temporal variables and a traffic flow data-based model which only uses traffic flow parameters as an input. The results show that the proposal model outperforms other model in RMSE and MAPE index.