Persian
دوره 31، شماره 3 - ( 1395 )                   جلد 31 شماره 3 صفحات 129-118 | برگشت به فهرست نسخه ها
نوع مقاله:
پژوهشی اصیل |
موضوع مقاله:

Print XML English Abstract PDF HTML

History

How to cite this article
Alavi S A. Spatial Modeling to Predict the Traffic Flow in Organizing Transportation in Tehran. GeoRes 2016; 31 (3) :118-129
URL: http://georesearch.ir/article-1-46-fa.html
علوی سیدعلی. مدل‎سازی فضایی پیش بینی جریان‌های ترافیکی درساماندهی ‌‌حمل‌و‌نقل ‌‌درون‌شهری تهران . فصل‌نامه تحقیقات جغرافیایی. 1395; 31 (3) :118-129

URL: http://georesearch.ir/article-1-46-fa.html


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rights and permissions
جغرافیا و برنامه ریزی شهری، دانشگاه تربیت مدرس،تهران،ایران
چکیده   (4660 مشاهده)

ازچالشهای اساسی مدیران وشهروندان تبعات منفی شبکه حمل ونقل وترافِیک ‌‌درون‌شهری است. این پدیده به خودی خود یک مساله تلقی نمی‌گردد، بلکه یک موهبت بوده و زمانی به چالش مبدل می‌گردد که عواقب ناشی از آن باعث نارضایتی شهروندان وکاهش سطوح کمی و کیفی خدمات رسانی ونیز اختلال در چرخه زیست شهری را به دنبال آورد. برنامه ریزان شهری جهت تهیه برنامههایی به منظور مستعد ساختن شهرها به عنوان محیطی مطلوب برای ساکنین شهری نیازمند اطلاعات جدید جغرافیایی بوده در حالیکه جمع‌آوری این اطلاعات اصولا سخت، زمان‌بر و پرهزینه و ناقص بوده و تجزیه و تحلیل آن زمان زیادی را طلبیده است. با وجود این رویکرد، پرسش اساسی پژوهش حاضر این است که مدل فضایی از چه ویژگیهایی برخوردار و جهت پیش بینی جریانهای ترافیکی در شبکه حمل ونقل ‌‌درون‌شهری از قابلیتهای مناسب برخوردار است یاخیر؟ بنابراین این پژوهش با استفاده از تکنیکهای تلفیقی سنجش از دور وتحلیلهای فضایی سیستم اطلاعات جفرافیایی (GIS_RS) جهت مدل‌سازی فضایی حمل ونقل درونشهری برای پیش‌بینی جریانهای ترافیکی در منطقه 6 شهر تهران انجام شده است . نتایج پژوهش نشان داده است که از میان متغییرهای تاثیرگذار متغیرهای ( C3) یعنی جمعیت منطقه با ضریب 14.23درصد، کاربری تجاری(C16) با ضریب 11.9- درصد و تعداد کارمندان شاغل در منطقه با 3.10  درصد در شکلگیری جریانهای ترافیکی در شبکه حمل ونقل ‌‌درون‌شهری تاثیرداشته است. همچنین متغیر تعداد واحدهای کسبی (C11) با ضریب 008930- درصد کمترین تاثیر را در مدل نشان داده است. درنهایت جهت ارزیابی وروایی نتایج نهایی مدل، از معیارهای برازندگی نتایج مدل با مدلهای مشابه مقایسه که به ترتیب مقادیرR2=0.73415936) (RMSE=1.43),(MARE=78.628), (  F=8292.533203) ( درصد بدست آمده است. بنابراین استفاده از نتایج پژوهش، انجام برنامه ریزی اصولی، اتخاذ تدابیر مطلوب مهندسی ترافیک ومدیریتی در رسیدن به ساماندهی حمل ونقل ‌‌درون‌شهری درراستای اعتلای توسعه پایدارشهری گامهای اساسی برداشته شده است. 

واژه‌های کلیدی:

فهرست منابع
1. شرکت مطالعات جامع حمل ونقل وترافیک تهران (1386)، طرح جامع حمل ونقل تهران، مدیریت تقاضای سفر،گزارش شماره 933.
2. شرکت مطالعات جامع حمل ونقل وترافیک طرح جامع تهران (1385)، مطالعات جابجایی و حمل ونقل شبکه‌های ارتباطی طرح جامع تهران.
3. عراقی، مرتضی (1388)، ارزیابی رویکردهای مدلسازی در طرح جامع حمل ونقل وترافیک.
4. وزارت مسکن وشهر سازی، شهرداری تهران (1384)، تهیه الگوی توسعه وطرح تفصیلی منطقه با همکاری شهرداری منطقه 6.
5. Andre Dantas, Marcus v. Lamar, Yaeko Yamashita, Koshi Yamamoto, Eizo Hide Shima , )2008(, Towards A Neural Network Based Model For Travel Demand For Cast : Gis And Remote Sensing Approach ,
6. Avery, T. E., Berlin, G. L. )1990(,Fundamental of Remote Sensing and Airphoto Intrepretation. Maxwell Macmillan International, New York, USA.
7. Yang, Anthony Chen , )2008(, Sensitivity Analysis Of The Combined Travel Demand Model With Application , Journal Homepage :WWW/Elsevier.Com/locate Lejor,14 September.
8. Dueker, K. J. And J. Butler,.J.A. (1997) ,Gis-T Enterprise Data Model With Suggested Implementatio Choices , Discussion paper, Center for urban Studies , portland State University.
9. Dueker,K, J.And vrana, R (1992), Dynamic Segmentation revised:A Milepoint linear Data model ,Urisa Journal 4,94-105.
10. Fischer, M.M. (1994), From Conventional to Knowledge-based Geographical Information Systems. Computer, Environmental and Urban Systems. Vol. 18, no. 4, pp-233-242. USA .
11. Fisher, M.M )1999(,Spatial analysis: retrospect and prospect. In Geographical Information Systems: Principles and Technical issues. Eds Longely, P.A., Goodchild, M.F, Maguirre, D.J., Rhind, D.W. v. 1, Second Edition, USA
12. Foresman , T.W., Millete, T.L. (1997), Integration of remote sensing and GIS technologies for planning. In Integration of Geographical Information Systems and Remote Sensing
13. Goodchild ,M.F.(1998), geographic Information systems And Disaggregate Transportation Modeling ,geographical Systems , 5,19-44.
14. Harris, B. (1996), Land use Models in Transportation Planning: a review of past developments and current best practice; Delawae Valley Regional Planning Commision. http://www.bts.gov/tmip/papers/landuse/compendium/dvrpe-appb.htm).
15. Harvey J.miller And Shih- Lung Shaw ,Gis-Data Models ,Excerpts from Geographic Information Systems for transportation:principles And Applications , Oxford university Press (isbn 0195123948).
16. Kevin curtin, Valerian noronha ,Mike Goochild ,(UCSB), Steve grise (Esri Redlands), ArcGis Transportation Data Model (Unetrans).
17. Khisty, C. J. (1990), Transportation Engineering: an introduction; pp. 388; Prentice-Hall
18. Linde, Y., Buzo, A, Gray, R.M,(1980) “An Algorithm for vector Quantizers design”, IEEE Trans. On Communications, v.com-28, pp.84-95, January
19. M.H.Mohammad, M.A Bashar, S.Akhter, (2008), Travel Demand Management (TDM) For Iproved Transportation , Journa Of Quality And Technology Management , volume ,Iv, Issueii , Dec ,Pg 2-43.
20. Meyer , M.D.And Miller E.J.(2001) ,Urban Transportation Planning .Mc Graw Hill, New York.
21. Morain, S.; Baros, S. L.(1996), Raster imagery in Geographical Information systems. On Word Press, p. 495; USA.
22. Nyerges, T.L. (1990), Locational Referencing And Highway Segmentation In a Geographic Inform
23. Openshaw S; Blake, M; Wymer, C (1995), Using neurocomputing methods to classify Britain’s residential areas. In Innovations in GIS 2.
24. Openshaw, S.; A, (1991), concepts-rich approach to spatial analysis, theory generation, and scientific discorvery in GIS using massively parallel computing. In Innovations in GIS 1
25. Brincker Hoff Quade And Douglas, (1995), Inc, Travel Demand model Development And Applications Guide lines , Oregen Deparment Of Transporttation planning Section , Transporttation Planning Analysis Unit , September , (1994), Revised June.
26. Rodrigue, J. P. (1997), Parallel modelling and Neural Networks: an overview for transportation / land use systems. Transportation Research C, v. 5, n. 5, p. 259-271
27. Taco, P.W., Yamashita, Y, Moreira, Souza, N, Dantas, A. (1999), Trip Generation Model: A New Conception Using Remote Sensing and Geographic Information Systems. Photogrammetrie Fernerkundung Geoinformation, Germany (to be published)

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول