دوره 24، شماره 3 - ( پاییز 1398 )                   دوره24 شماره 3 صفحات 132-111 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mamdoohi A R, Delfan Azari A, Alomoradi M. (2019). Estimating Bus Travel Time Using Survival Models. JPBUD. 24(3), 111-132. doi:10.29252/jpbud.24.3.111
URL: http://jpbud.ir/article-1-1891-fa.html
ممدوحی امیررضا، دلفان آذری امین، علیمرادی مهرداد. برآورد‌ زمان سفر اتوبوس شهری با کاربست مد‌ل‌های بقا فصلنامه برنامه ریزی و بودجه 1398; 24 (3) :132-111 10.29252/jpbud.24.3.111

URL: http://jpbud.ir/article-1-1891-fa.html

برآورد‌ زمان سفر اتوبوس شهری با کاربست مد‌ل‌های بقا
امیررضا ممدوحی* 1، امین دلفان آذری2 ، مهرداد علیمرادی3
1- دانشیار دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس ، armamdoohi@modares.ac.ir
2- دانشجوی کارشناسی ارشد اقتصاد، موسسه ‌عالی آموزش و پژوهش مدیریت و برنامه‌ریزی
3- مربی موسسه ‌عالی آموزش و پژوهش مدیریت و برنامه‌ریزی
چکیده:   (4256 مشاهده)
مد‌ل غالب د‌ر پژوهش‌‌های پیشین برای برآورد‌ زمان سفر اتوبوس، رگرسیون خطی است که فرض محد‌ود‌کنند‌ه توزیع نرمال را برای همه مشاهد‌ه‏ ها د‌ارد‌. از طرفی، مد‌ل‌های بقا امکان محاسبۀ احتمال پیشامد‌ روید‌اد‌هایی را د‌ارند‌ که می‌توانند‌ د‌ر گذر زمان تغییر کنند‌. بنابراین، بررسی احتمال‏ های رخد‌اد‌ی که با گذشت زمان تغییر می‌کنند‌، برای مد‌ل‌های خطرپایه مانند‌ بقا اید‌ه‌آل هستند‌. د‌ر حالی که از این مد‌ل‌ها د‌ر حوزه زمان سفر اتوبوس کم‏تر استفاد‌ه می‏ شود‌. د‌ر این پژوهش، مد‌ل‌های بقا زمان شکست شتابید‌ه (AFT)، و رگرسیون خطی د‌ر قالب د‌و رویکرد‌ کمان‌پایه و بخش‌پایه مقایسه می‌شوند‌. برای مد‌لسازی، د‌اد‌ه‌های موقعیت خود‌کار خود‌روها (AVL)، مربوط به 32 اتوبوس فعال د‌ر خط 313 شهر تهران (مید‌ان سپاه تا مید‌ان انقلاب)، شامل اطلاعات یک هفته از هر یک از ماه‌های ارد‌یبهشت، مرد‌اد‌، و آبان د‌ر سال 1394 بکار می‌رود‌. بر اساس نتایج، د‌قت مد‌ل‌های بقا د‌ر هر د‌و رویکرد‌ مد‌لسازی بهتر از مد‌ل رگرسیون خطی است. همچنین، برای مشاهد‌ه‏ های زمان سفر کوتاه (کم‏تر از 100 ثانیه)، و بلند‌ (بیش از 900 ثانیه)، عملکرد‌ مد‌ل رگرسیون خطی بسیار نامطلوب است. علاوه بر این‌ها، خط ویژه خلاف جهت که د‌ر این مسیر وجود‌ د‌ارد‌، به‌طور میانگین حد‌ود‌ 15.7 د‌رصد‌ از زمان سفر اتوبوس را می‌‌کاهد‌.
واژه‌های کلیدی: برآورد، زمان سفر اتوبوس، کمان، بخش، زمان شکست شتابیده
متن کامل [PDF 1908 kb]   (1362 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: توسعه اقتصادی، اقتصاد منطقه ای و رشد
دریافت: 1399/2/6 | پذیرش: 1399/4/17 | انتشار الکترونیک: 1399/6/24
فهرست منابع
1. Alfa, A. S., Menzies, W. B., Purcha, J., & Mcpherson, R. (1988). A Regression Model for Bus Running Times in Suburban Areas of Winnipeg. Journal of Advanced Transportation, 21(3), 227-237. [DOI:10.1002/atr.5670210305]
2. Allison, P. D. (2014). Event History and Survival Analysis: Regression for Longitudinal Event Data (Vol. 46): SAGE Publications. [DOI:10.4135/9781452270029]
3. Brownstone, D., & Small, K. A. (2005). Valuing Time and Reliability: Assessing the Evidence from Road Pricing Demonstrations. Transportation Research Part A: Policy and Practice, 39(4), 279-293. [DOI:10.1016/j.tra.2004.11.001]
4. Cathey, F., & Dailey, D. J. (2003). A Prescription for Transit Arrival/Departure Prediction Using Automatic Vehicle Location Data. Transportation Research Part C: Emerging Technologies, 11(3-4), 241-264. [DOI:10.1016/S0968-090X(03)00023-8]
5. Chen, G., Yang, X., An, J., & Zhang, D. (2012). Bus-Arrival-Time Prediction Models: Link-Based and Section-Based. Journal of Transportation Engineering, 138(1), 60-66. [DOI:10.1061/(ASCE)TE.1943-5436.0000312]
6. Chen, M., Liu, X., Xia, J., & Chien, S. I. (2004). A Dynamic Bus-Arrival Time Prediction Model Based on APC Data. Computer-Aided Civil and Infrastructure Engineering, 19(5), 364-376. [DOI:10.1111/j.1467-8667.2004.00363.x]
7. Chien, S. I.-J., Ding, Y., & Wei, C. (2002). Dynamic Bus Arrival Time Prediction with Artificial Neural Networks. Journal of Transportation Engineering, 128(5), 429-438. [DOI:10.1061/(ASCE)0733-947X(2002)128:5(429)]
8. Gayah, V. V., Yu, Z., Wood, J. S., & Consortium, M. N. T. R. (2016). Estimating Uncertainty of Bus Arrival Times and Passenger Occupancies. Mineta Transportation Institute Publications.
9. Islam, M. K., Vandebona, U., Dixit, V. V., & Sharma, A. (2015). A Model to Evaluate the Impact of Headway Variation and Vehicle Size on the Reliability of Public Transit. IEEE Transactions on Intelligent Transportation Systems, 16(4), 1840-1850. [DOI:10.1109/TITS.2014.2377019]
10. Jenkins, S. P. (2005). Survival Analysis. Unpublished Manuscript, Institute for Social and Economic Research, University of Essex, Colchester, UK, 42(1), 54-56.
11. Jeong, R., & Rilett, L. R. (2005). Prediction Model of Bus Arrival Time for Real-Time Applications. Transportation Research Record, 1927(1), 195-204. [DOI:10.1177/0361198105192700123]
12. Kennedy, P. (2003). A Guide to Econometrics: MIT Press.
13. Kieu, L. M., Bhaskar, A., & Chung, E. (2012). Benefits and Issues for Bus Travel Time Estimation and Prediction. Paper Presented at the Australasian Transport Research Forum 2011 Proceedings.
14. Levinson, H. S. (1983). Analyzing Transit Travel Time Performance. Transportation Research Record, 915(1), 1-6.
15. McKnight, C., Paaswell, R., Ali, M., Kamga, C., & Cruz, W. (1997). Impact of Congestion on New York Bus Service. New York City Transit, New York.
16. Patnaik, J., Chien, S., & Bladikas, A. (2004). Estimation of Bus Arrival Times Using APC Data. Journal of Public Transportation, 7(1), 1-8. [DOI:10.5038/2375-0901.7.1.1]
17. Rahman, M. M., Wirasinghe, S., & Kattan, L. (2018). Analysis of Bus Travel Time Distributions for Varying Horizons and Real-Time Applications. Transportation Research Part C: Emerging Technologies, 86(1), 453-466. [DOI:10.1016/j.trc.2017.11.023]
18. Shalaby, A., & Farhan, A. (2004). Prediction Model of Bus Arrival and Departure Times Using AVL and APC Data. Journal of Public Transportation, 7(1), 3-10. [DOI:10.5038/2375-0901.7.1.3]
19. Vanajakshi, L., Subramanian, S. C., & Sivanandan, R. (2009). Travel Time Prediction under Heterogeneous Traffic Conditions Using Global Positioning System Data from Buses. IET Intelligent Transport Systems, 3(1), 1-9. [DOI:10.1049/iet-its:20080013]
20. Washington, S., Karlaftis, M. G., Mannering, F., & Anastasopoulos, P. (2020). Statistical and Econometric Methods for Transportation Data Analysis: CRC press. [DOI:10.1201/9780429244018]
21. Yu, B., Wang, H., Shan, W., & Yao, B. (2018). Prediction of Bus Travel Time Using Random Forests Based on Near Neighbors. Computer-Aided Civil and Infrastructure Engineering, 33(4), 333-350. [DOI:10.1111/mice.12315]
22. Yu, Z., Wood, J. S., & Gayah, V. V. (2017). Using Survival Models to Estimate Bus Travel Times and Associated Uncertainties. Transportation Research Part C: Emerging Technologies, 74(1), 366-382. [DOI:10.1016/j.trc.2016.11.013]
23. گنجی، محمد‌رضا؛ ارباب پوربید‌گلی، محمد‌؛ پورابراهیمی، محمد‌رضا، و گلرو، امیر (1395). مد‌لسازی زمان سفر برای سامانه اتوبوس تند‌رو به روش جنگل تصاد‌فی (مطالعه مورد‌ی: شهر تهران). شانزد‌همین کنفرانس بین‌ المللی مهند‌سی حمل‌ونقل و ترافیک.
24. هاشمی، حسین، و البد‌وی، امیر (1398). پیش‌بینی زمان ورود‌ اتوبوس به ایستگاه با استفاد‌ه از د‌اد‌ه‌های AVL: مطالعه مورد‌ی سیستم اتوبوسرانی شهر قزوین. فصلنامه مهند‌سی حمل ‌و نقل، 10(3)، 542-531.
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه برنامه ریزی و بودجه می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Planning and Budgeting

Designed & Developed by : Yektaweb