شکل ‏۴‑۱۴: رابطه‌ی جریان- اشغال به مدت دو روز ۶۶

شکل ‏۴‑۱۵ : نمودار هیستوگرام و نمودار Q-Q نرمال در محدوده‌ی اشغال ۰~۱۵% ۶۹

شکل ‏۴‑۱۶: نمودار هیستوگرام و نمودار Q-Q نرمال در محدوده‌ی اشغال ۴۰~۳۰% ۶۹

شکل ‏۴‑۱۷: احتمال تجمعی ظرفیت (محدوده اشغال: ۰~۱۵%) ۷۱

شکل ‏۴‑۱۸: ظرفیت بر حسب درصد در دو گلوگاه با بهره گرفتن از روش کنترل Zone اصلی ۷۷

شکل ‏۴‑۱۹: تصویری از AIMSUN هنگام تحلیل ۷۹

فصل اول

کلیات تحقیق

۱-۱ مقدمه

رشد جمعیت و اشتغال، با اتکای بر خودرو و سیستم‌های بزرگراهی به عنوان ابزار اصلی تحرک شهری همراه شده است، این موضوع مسئولیت عظیمی در بخش زیرساخت های حمل و نقل وارد کرده است. با توجه به توسعه شهری، عدم دسترسی راه‌ها و محدودیت‌های زیست محیطی، اضافه کردن خطوط بیشتر و یا ساخت بزرگراه اضافی راه حل‌هایی بلند مدت نیستند. در عوض، استراتژی‌های مدیریت موثر در بزرگراه در حال توسعه برای به حداکثر رساندن استفاده از زیرساخت‌های موجود ترجیح داده می‌شود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

رمپ می‌تواند به عنوان اتصال بین دو تسهیلات بزرگراه تعریف شود که شامل مقطعی از راه با طول کافی است تا ایمنی پیوستن وسایل نقلیه از رمپ ورودی به مسیر اصلی را تضمین نماید. با افزایش تقاضای وسایل نقلیه در رمپ ورودی، موقعیت‌های نامعینی برای پیوستن به بزرگراه شلوغ بوجود می‌آید. برای کنترل تقاضای اضافه شده به رمپ ورودی، چندین استراتژی کنترل رمپ^[۲] با محدود کردن تعداد وسایل وارد شده به جریان اصلی توسعه یافته‌اند. کنترل رمپ، یکی از موثرترین استراتژی های مدیریت بزرگراه، به مدت طولانی بوده که قادر به تولید مزایای زیادی برای عموم خواهد بود. مواردی از قبیل افزایش میزان خروجی^[۳] در گلوگاه‌^[۴]ها، کاهش زمان سفر، بهبود قابلیت اطمینان زمان سفر و کاهش تعداد تصادفات و همچنین انتشار آلودگی وسایل نقلیه )۲۰۰۱ (Cambridge Systmatics,. در این روش کنتورهای رمپ به صورت علائم ترافیکی کنترل کننده که بر روی رمپ‌های ورودی آزادراه‌ها و بزرگراه‌ها نصب می‌شوند، میزان خودروهایی که به خط اصلی وارد می‌شوند را کنترل می‌نمایند. به طوری که میزان جریان پایین دست افزایش نیابد. بدین وسیله انتقال حداکثر جریان ترافیک با سرعت یکنواخت امکان پذیر است.کنترل رمپ‌ها در تخلیه ترافیک در یک نرخ اندازه‌گیری شده بر اساس شرایط لحظه‌ای^[۵] ترافیک نقش دارند، در نتیجه به خاطر اجتناب از نقض توازن حساس تقاضا- ظرفیت^[۶] در مسیر راه اصلی^[۷] جریان ترافیک آرام ادامه می‌یابد. از سوی دیگر، کنترل رمپ‌ها ترافیک رمپ را با بهره گرفتن از شکستن دسته^[۸]‌های ورودی وسایل نقلیه به منظور کاهش اغتشاش در نواحی همگرا تنظیم می‌کنند. در نتیجه تصادفات برخورد از پهلو و عقب که ناشی از محدودیت دسترسی رمپ هستند کاهش می‌یابند. با این حال، کنترل رمپ‌ها پتانسیل ایجاد صف‌های طولانی را دارند که ممکن است موجب انسداد^[۹] جریان از رمپ بالادست و اغتشاش در عملکرد سطح خیابان شود.

۱-۲ شرح مسئله

یک استراتژی کنترل رمپ موثر و موفق به طور کلی روابط بین جریان خط اصلی و زمان انتظار وسیله نقلیه و صف در ورودی رمپ‌ها را بهبود بخشیده و متعادل می‌سازد. بنابراین، دو محدودیت در تعارض کنترل رمپ عبارتند از: ظرفیت بزرگراه و صف رمپ. یک نمونه استراتژی اجرا شده کنونی، کنترل ناحیه طبقه بندی شده یا (SZM) می‌باشد. در این استراتژی، محدودیت‌ ظرفیت بررسی شده است. در نظر گرفتن این محدودیت‌، از یک سو، تعادل بین ظرفیت تقاضا را در بزرگراه حفظ می‌کند؛ از سوی دیگر، تاخیر حداکثر رمپ تحت شرایط مرزی از پیش تعیین شده را در بیشترین حد ممکن نگه می‌دارد.

با این حال، پیاده سازی و ارزیابی استراتژی‌های کنترل رمپ نشان می‌دهد که این محدودیت به دلایل زیر نمی‌تواند رضایت بخش عمل کند. اول اینکه، فرض بر اینست ظرفیت بزرگراه ثابت و مقداری از پیش تعیین شده است. ظرفیت ثابت برای برخی از برنامه‌های کاربردی مانند طراحی و برنامه‌ریزی بزرگراه کافی است، اما برای عملکرد لحظه‌ای بزرگراه مانند کنترل رمپ مناسب نیست. مقدار ظرفیت ثابت اغلب بزرگتر از مقدار ظرفیت موجود در شرایط حاکم است. این موضوع منجر به تراکم^[۱۰] بالا در بزرگراه‌ها خواهد شد که به دلیل آزاد سازی بیش از حد وسایل نقلیه از رمپ ها به وجود خواهد آمد. از طرفی دیگر، مقدار ظرفیت ثابت کمتر از مقدار واقعی منجر به ایجاد صف‌های طولانی در رمپ خواهد شد. دوم اینکه، روش دقیق برای تخمین طول صف در رمپ وجود ندارد. معمولا یک معادله رگرسیون واحد که از پیش کالیبره شده به منظور برآورد طول صف در تمام رمپ ها استفاده می‌شود. این یک مورد برای استراتژی SZM فعلی است. ارزیابی دقیق (Liu و همکاران، ۲۰۰۷) نشان می‌دهد که گاهی اوقات مدل برآورد طول صف مقداری کم‌تر از مقدار واقعی را نشان می‌دهد که این موضوع منجر به افزایش زمان انتظار^[۱۱] خواهد شد. در رمپ‌های دیگر نیز که طول صف بالاتر از واقعیت در نظر گرفته میشود، نتیجه آن آزاد سازی^[۱۲] بیشتر وسایل نقلیه در راه اصلی و تسریع در شروع تراکم خواهد بود.

در این پایان نامه، دو پتانسیل ارتقا دهنده برای مقابله با مشکلات مطرح شده پیشنهاد شده است. پیشنهادها بر اساس طراحی بهبود یافته برای روش برآورد ظرفیت بزرگراه است که ظرفیت را به صورت متغیر بر اساس شرایط حاکم بزرگراه محاسبه می‌کند، به ویژه هنگامی که یک مقطع متراکم می‌شود. در روش اول، یک روش ساده برای برآورد ظرفیت لحظه‌ای ارائه شده که به طور کلی برای کنترل لحظه‌ای و برنامه‌های مربوط به رسیدگی به کاستی‌های متداول به دلیل ثابت فرض شدن ظرفیت مناسب است. در روش دوم، بر اساس این یافته‌ها که ظرفیت لحظه‌ای برای یک طیف گسترده از سطح اشغال^[۱۳] و تراکم از توزیع نرمال^[۱۴] تبعیت می‌کند، یک استراتژی کنترل رمپ جدید با محدودیت احتمال^[۱۵] پیشنهاد شده است، که در آن مقدار ظرفیت بسته به شرایط ترافیک لحظه‌ای به صورت پویا تغییر می‌کند و در نهایت احتمال قابل قبول از سطح ریسک تعیین شده^[۱۶] ارائه شده است. یک راه حل برای این نوع از برنامه‌های محدودیت احتمال به طور کلی است و باید برای برنامه‌های کنترل مختلف نیز قابل اجرا باشد. این روش‌ها در استراتژی منطقه (ZONE) و SZM اجرا و از طریق شبیه‌سازی میکروسکوپیک ارزیابی شده است.

۱-۳ اهداف پژوهش

پژوهش شرح داده شده در این پایان نامه اهداف زیر را دنبال می‌کند:

تعریف روشنی از ظرفیت عملی^[۱۷] تحت شرایط جریان ترافیکی متغیر و توسعه روش‌های برآورد بهبود یافته ظرفیت بزرگراه که بر اساس ظرفیت متغیر محاسبه شده است و همچنین افت ناگهانی^[۱۸] ظرفیت وقتی که تراکم شروع می‌شود.

برای بررسی رفتار تصادفی^[۱۹] ظرفیت عملی بزرگراه

تنظیم استراتژی کنترل رمپ با شرایط محدودیت احتمال

نمایش کاربرد روش‌های پیشنهادی از طریق پیاده‌سازی با یک استراتژی خاص، و ارزیابی اثربخشی با بهره گرفتن از شبیه سازی ترافیکی میکروسکوپیک.

۱-۴ سابقه تحقیق و اهمیت پژوهش

بررسی رفتار تصادفی ظرفیت عملی بزرگراه و تاثیرآن در کنترل رمپ موضوعی نسبتاً جدید است. استراتژی مورد استفاده در اینجا به صورت به هنگام و بر اساس داده های زمان واقعی ترافیک در بزرگراه به منظور تعیین سیاست کنترل تعیین می شود.

– استفاده از روش کنترل رمپ به عنوان یکی از راهکارهای مدیریت ترافیک در بزرگراه ها یا آزادراه ها از سال ۱۹۶۰ در شهرهای دیترویت، شیکاگو و لس آنجلس شروع گردید.

– مطالعات پیشین شامل مطالعات میدانی و مطالعات شبیه سازی می باشد.

– ایده استفاده از الگوریتم ZONE و اعمال محدودیت ظرفیت در تحقیقات بسیاری مانند (Lau ، ۱۹۹۶) به کار برده شده است.

– در HCM 2000 به رفتار تصادفی ظرفیت اشاره شده است.

– Brilon W. در سال ۲۰۰۵ مفهومی تصادفی از ظرفیت ارائه داد.

– Uchidaو Munehiroدر سال ۲۰۱۰ به بررسی تاثیر رفتار تصادفی ظرفیت بر روی زمان سفر در شبکه شهری پرداختند.

بررسی رفتار تصادفی ظرفیت عملی بزرگراه و تاثیرآن در کنترل رمپ موضوعی نسبتاً جدید است و در نظر گرفتن اثر آن در کنترل رمپ باعث بهینه سازی جریان ترافیک در شرایط متراکم می‌شود.

۱-۵ فرضیه‌های پژوهش

ممکن است در بررسی هر پدیده، پارامترهای متعددی تاثیرگذار باشد ولی نکته قابل توجه در مورد این پارامترها این است که تعداد زیادی از این پارامترها روی نتیجه نهایی تاثیر چندانی نخواهد داشت. در نتیجه مناسب است در یک بررسی علمی برای کاهش حجم محاسبات و جلوگیری از رخداد خطاهای احتمالی، هم‌چنین به دلیل ساده‌سازی فرایند محاسبات و افزایش سرعت، پارامترهایی که اثر چندانی در نتیجه نهایی ندارند را با فرض ثابت بودن، از فرایند محاسبات حذف گردند.در این تحقیق سعی شد به جهت رفع مشکلات فرض‌های زیر در نظر گرفته شود:

– مسیر فاقد قوس‌های افقی و شیب‌های طولی تاثیرگذار بر عملکرد ترافیک است.

– مدل شبیه سازی به صورت میکروسکوپیک در نظر گرفته شده است.

– اثرگذاری جریان پایین دست روی ظرفیت عملی بزرگراه

۱-۶ روش انجام پژوهش

– مطالعه و گردآوری اطلاعات از طریق مرور و بررسی مقالات معتبر موجود و استفاده از آیین نامه ها

– شبکه مورد مطالعه شامل بزرگراه و رمپ ورودی برای بررسی رفتار تصادفی ظرفیت عملی بزرگراه انتخاب و سپس داده های واقعی حجم با بهره گرفتن از فیلم برداری و سپس مشاهده و شمارش جمع آوری شد.

– برداشت حجم جریان و تخصیص آن به نرم افزار با بهره گرفتن از نرم افزار ترافیکی AIMSUN

– تعریف گزینه ها و تعیین پارامترهای الگوریتم های کنترل رمپ

– تحلیل شبکه و برداشت خروجی نرم افزار شامل زمان تأخیر بزگراه و …

– ارائه نتایج شامل ترسیم نمودارهای ارزیابی و مدل رگرسیون مربوط به آن

– تعیین گزینه برتر شامل الگوریتم و پارامتر ورودی آن.

۱-۷ مراحل پژوهش

این پایان نامه در پنج فصل سازماندهی شده است. فصل ۲ مروری بر تحقیقات گذشته است که اکثر حالات استراتژی‌های کنترل رمپ را بررسی می‌کند و شامل الگوریتم ZONE و جایگزین این روش، استراتژی Stratified Zone Metering (SZM) می‌باشد. در فصل ۳ مبانی و کلیات روش‌های استفاده شده بیان شده است و فصل ۴ دو روش برای بهبود برآورد ظرفیت بزرگراه ارائه می‌دهد. همچنین در فصل ۴ نتایج با بهره گرفتن از شبیه سازی میکروسکوپیک ارزیابی شده است. در نهایت، فصل ۵ خلاصه‌ای از یافته‌ها همراه با جمع بندی، ملاحظات و پژوهش‌های آینده را ارائه می‌دهد.

۱-۸ دامنه کاربرد

در این پژوهش بر لزوم استفاده از سیستم کنترل رمپ در ورودی بزرگراه‌های کشور و بهبود عملکرد شبکه حمل و نقل با در نظر گرفتن محدودیت رفتار تصادفی ظرفیت عملی بزرگراه ها تاکید شده است.

– محققین و موسسات پژوهشی که در مورد کنترل رمپ و ظرفیت عملی بزرگراه ها تحقیق و بررسی می‌کنند، می‌توانند از نتایج استفاده کنند.

– از نتایج حاصله می‌توان در طراحی و اجرای سیستمهای مدیریت ترافیک آزادراهی و بزرگراهی استفاده نمود.

فصل دوم

پیش زمینه و مروری بر تحقیقات گذشته

۲-۱ مقدمه

در طول ۴۰ سال گذشته، انواع مختلفی از کنترل رمپ به صورت تجربی در بسیاری از مناطق جهان مورد استفاده قرار گرفته است. در آمریکا، از اوایل سال ۱۹۶۳، شیکاگو اولین کنترل رمپ موثر را در اتوبان آیزنهاور پیاده کرد. در سال ۱۹۷۱، بیش از ۳۰ کنترل رمپ با موفقیت در بزرگراه مرکزی شمالی در دالاس فعالیت می‌کردند. در حال حاضر، در حدود ۴۳۰ کنترل رمپ در مینیاپولیس، سنت پل نصب شده و استفاده می‌شود. اولین کنترل رمپ‌ها در این منطقه از سال ۱۹۷۰ در جنوب I-35E مرکز شهر سنت پل اجرا شد. در سال ۲۰۰۲، ۲۹ منطقه شهری در ایالات متحده آمریکا مجهز به سیستم کنترل رمپ شدند (U.S. Department of Transportation ، ۲۰۰۹ ).

۲-۲ بهبود در برآورد ظرفیت بزرگراه

محدودیت ظرفیت بزرگراه عنصر مرکزی برای کنترل رمپ است که از تعادل حساس بین ظرفیت و تقاضا حمایت می‌کند. به طور سنتی، ظرفیت بزرگراه ثابت فرض شده و مقداری از پیش تعیین شده است. که برای برخی از کاربردها مانند طراحی و برنامه‌ریزی بزرگراه مناسب است. با این حال، برای کاربردهای لحظه‌ای مانند کنترل رمپ مناسب نیست. زیرا همانطور که در مطالعه اولیه اشاره شد ظرفیت طبیعتی تصادفی^[۲۰] دارد. (Elefteriadou و همکاران، ۱۹۹۵؛ Evans و همکاران، ۲۰۰۱؛ Polus و Pollatschek، ۲۰۰۲؛ Brilon و همکاران، ۲۰۰۵). ثانیا، این موضوع به خوبی شناخته شده که معمولا وقتی تراکم شروع می‌شود، ظرفیت کاهش می‌یابد، با این حال از این موضوع در کنترل بزرگراه و کاربردهای شبیه سازی چشم پوشی می‌شود. در بسیاری از استراتژی‌های پیشرفته هماهنگ شده، مانند ZONE در Minnesota (Lau ، ۱۹۹۶) و Stratified Zone Metering در Minnesota (Lau ، ۲۰۰۱)، ظرفیت مقداری ثابت و اغلب بزرگتر از مقدار دیکته شده توسط شرایط حاکم است و منجر به تراکم بالاتر در بزرگراه به خاطر آزادسازی بیش از حد وسایل نقلیه از رمپ می‌شود. از جهتی دیگر، اگر مقدار ظرفیت ثابت انتخاب شده، کمتر از مقدار واقعی باشد منجر به تولید صف‌های طولانی در رمپ خواهد شد.

بر مبنای این مشاهدات، طراحی یک روش برای بهبود برآورد ظرفیت بزرگراه مطلوب است. در این روش، ظرفیت متغیر بزرگراه بر اساس شرایط حاکم به ویژه هنگامی که تراکم در یک مقطع آغاز می‌شود، محاسبه می‌شود. در اینجا دو روش برای حل این مشکل پیشنهاد شده است. اولین روش پیشنهادی، یک روش ساده به منظور برآورد ظرفیت لحظه‌ای به جای مقداری ثابت در بزرگراه با ظرفیت محدود شده است. وقتی تراکم شروع می‌شود، استفاده از ظرفیت عملی متغیر در زمان توصیه می‌شود. در اینجا، ظرفیت عملی توسط روش میانگین متحرک بر اساس شمارش ترافیک لحظه‌ای برآورد می‌شود. روش ترکیبی در استراتژی SZM از طریق میکرو شبیه ساز^[۲۱] آزمایش شده است.

دومین استراتژی کنترل رمپ یک روش توسعه یافته با محدود کردن احتمال برای از بین بردن کاستی‌های مقدار ظرفیت ثابت فرض شده در روش سنتی است. مطالعه تابع چگالی احتمال ظرفیت در شرایط متفاوت جریان با بهره گرفتن از داده‌های ۵ دقیقه‌ای در طول دوره‌ی آزمایش در ۲ گلوگاه از مقطع بزرگراه انجام شده است. در ادامه تشخیص داده شد که داده‌ها به صورت نرمال توزیع یافته‌اند. برای این نوع مشکل رفتار تصادفی، برنامه‌ریزی احتمال محدود شده^[۲۲] (CCP)، اهدافی قوی برای مدل کردن سیستم تصمیم گیری با رفتار تصادفی پیشنهاد می‌کند (Charnes و Cooper، ۱۹۶۳؛ Liu ، ۲۰۰۲). از این رو، یک برنامه خطی تصادفی^[۲۳] برای کنترل رمپ با محدودیت احتمال تنظیم شده است. در نهایت، الگوریتم ZONE پیشرفته با محدودیت احتمال تصادفی لحظه‌ای توسعه داده و با شبیه سازی میکروسکوپیک آزمایش شد.

۲-۲-۱ برآورد ظرفیت لحظه‌ای

ظرفیت بزرگراه یک متغیر اساسی در طراحی و برنامه ریزی مهندسی ترافیک است. تحقیقات در مورد این موضوع از چند دهه گذشته تاکنون ادامه داشته است و مدل‌های بسیاری برای برآورد ظرفیت بر اساس نوع داده‌های ترافیک در دسترس ارائه شده است. روش‌های سنتی برای برآورد ظرفیت در آیین نامه ظرفیت بزرگراه ارائه شده است (HCM، ۲۰۰۰). هر چند این روش برای مطالعات اولیه کافی است اما اشاره می‌کند که در واقعیت رفتار ظرفیت تصادفی است (Elefteriadou و همکاران، ۱۹۹۵؛ Evans و همکاران، ۲۰۰۱؛ Polus و Pollatschek، ۲۰۰۲؛ Brilon و همکاران، ۲۰۰۵). بر مبنای رابطه بین فاصله بین وسایل نقلیه یا سر فاصله^[۲۴] و ظرفیت، دو مدل برای فاصله بین وسایل نقلیه شناخته شده است، مدل تعمیم یافته صف Branston (Branston، ۱۹۷۶) و مدل نیمه پواسون^[۲۵] Buckley (Buckley، ۱۹۶۸)، با جمع آوری داده‌های زمانی فاصله بین وسایل نقلیه توسعه داده شد. این دو مدل بر مبنای نظریه‌ایست که تمام عناصر راننده و خودرو در سطح ظرفیت محدود شده اند. با این حال، روش فاصله بین خودرو یا روش سرفاصله ممکن است بهترین راه برای تخمین یک مقدار قابل اعتماد برای ظرفیت نباشد، چون با بررسی‌های مختلف معلوم می‌شود مقدار ظرفیت بالاتر از ظرفیت جاده در واقعیت تخمین زده شده است. (Hoogendoorn و Botma، ۱۹۹۶؛ Botma و Westland، ۱۹۸۰).

روش‌های مختلفی برای برآورد ظرفیت زمانی که حجم ترافیک می‌تواند مشاهده شود وجود دارد. به عنوان مثال، ظرفیت می‌تواند به سادگی با انتخاب نرخ جریان حداکثر اندازه گیری شده در طول مدت مشاهده یا مقدار حداکثر مورد انتظار با بهره گرفتن از روش توسعه یافته توسط Hyde و Wright (1986) برآورد شود. در این اینجا، دو رویکرد آماری در روش مقدار حداکثر مورد انتظار استفاده شده است: روش احتمال مستقیم و روش تقریبی. اما چون هر دو رویکرد بر اساس فرضیه مشاهده حجم ترافیک که به طور متوسط در تمام فواصل یکسان و از هم مستقل توزیع شده‌اند است، ظرفیت برآورد شده توسط این روش وابستگی بیشتری به مدت فاصله‌ی متوسط دارد. بنابراین، این روش ارزش عملی کمتری برای طراحی و مدل سازی بزرگراه دارد (Minderhoud و همکاران، ۱۹۹۷).

Minderhoud و همکاران (۱۹۹۷) درباره‌ی کاربرد روش محدودیت محصول برای برآورد ظرفیت بر اساس دو داده حجم ترافیک و سرعت بحث می‌کنند. این روش نیاز به مشاهده گروه‌های مختلفی از حالات ترافیکی شامل وضعیت ترافیک جریان آزاد و وضعیت ظرفیت دارد. برای اطمینان از وضعیت ظرفیت مشاهده شده، یک مکان گلوگاهی باید انتخاب شود. سپس روش محدودیت محصول می‌تواند به منظور برآورد توزیع ظرفیت استفاده شود. روشن است که این روش می‌تواند برآورد خوبی از ظرفیت فراهم آورد. زیرا از اطلاعات وضعیت ترافیک بهره می‌گیرد و به جای مقداری واحد یک توزیع را ارائه می‌دهد.

وقتی که دو متغیر از سه متغیر: جریان ترافیک، سرعت و چگالی شناخته می‌شوند، ظرفیت می‌تواند با بهره گرفتن از روشی که به اصطلاح روش نمودار اساسی^[۲۶] نامیده می‌شود برآورد شود. این روش بر اساس رابطه بین این سه متغیر است (May، ۱۹۹۰). در حال حاضر، نمودار اساسی به خاطر استفاده گسترده شناساگرهای حلقه^[۲۷]‌ ای که می‌توانند دو فاکتور حجم ترافیک و اشغال را ثبت کنند، به راحتی می‌تواند رسم شود. با این حال، مقدار ظرفیت تخمین زده شده به مدل انتخاب شده وابسته است. چرا که مدل‌های فراوانی^[۲۸] برای یافتن تناسب بین داده‌ها موجود است.

یک روش آنلاین توسط Arem و Van der Vli (1993) به منظور برآورد ظرفیت فعلی ارائه شده است. این روش بر اساس پردازشی برای به روز رسانی نمودار اساسی که تحت شرایط اولیه و از پیش تعیین شده معین شده است، عمل می‌کند. با بهره گرفتن از کالیبراسیون، این روش نشان می‌دهد که ظرفیت در وضعیت ترافیکی و شرایط آب و هوایی متفاوت، تغییر می‌کند. اما این روش در برآورد ظرفیت در حالی که هنوز ترافیک جریانی آزاد دارد انجام شده است. این موضوع برای برآورد ظرفیت لحظه‌ای وقتی که تراکم شروع می‌شود مناسب نیست.

تا وقتی که روش‌های فوق ظرفیت نظری^[۲۹] را برآورد می‌کنند، برای کاربردهای لحظه‌ای مانند کنترل رمپ کافی نیستند. زیرا به طور کلی هنگامی که ظرفیت کاهش می‌یابد، تراکم شروع می‌شود. در عوض، آنچه نیاز است ظرفیت عملی لحظه‌ای است که در شرایط ترافیکی فعلی بسیار موثر است.

۲-۲-۲ برآورد جریان ترافیک کوتاه مدت

مقالات زیادی در رابطه با برآورد جریان ترافیک در کوتاه مدت وجود دارد. ساده‌ترین آنها استفاده از روش‌های آرام سازی است. به عنوان مثال، Stephanedes و همکاران (۱۹۸۱) از روش ساده‌ی میانگین متحرک به منظور برآورد جریان ترافیک ۵ دقیقه‌ای برای کنترل لحظه‌ای استفاده کرده است. پس از آن، Okutani وStephanedes (1984) اعمال الگوریتم Kalman Filter را به منظور برآورد حجم ترافیک شهری اجرا کردند. روش متداول دیگر میانگین متحرک جامع کاهنده خودکار^[۳۰] (ARIMA)است که برای اولین بار توسط Ahmed و Cook (1979) برای پیش بینی ترافیک تولید شد. پس از آن، Davis و همکاران (۱۹۹۰) یک مدل واحد از ARIMA را برای پیش بینی فرموله کردن گلوگاه یک بزرگراه به کار بردند. Hamed و همکاران (۱۹۹۵) یک مدل برای پیش بینی حجم ترافیک شهری به کار بردند. Williams و همکاران (۱۹۹۸) روش فصلی ARIMA را برای پیش بینی جریان ترافیک شهری پیشنهاد دادند. به تازگی، به روش‌های غیر پارامتریک پرداخته شده است. برای مثال، Smith و Demetsky (1996) عملکرد نزدیکترین همسایگی برای مدل رگرسیون غیر پارامتریک را آزمایش کرد. Clark و همکاران (۱۹۹۳) شبکه عصبی مصنوعی^[۳۱] (ANN) موثری را بررسی کرده‌اند.

روش‌های پیشرفته‌تر مانند ARIMA، ARIMA فصلی ، Kalman Filter و ANN، ممکن است برآورد دقیق‌تری را تولید کنند. با این حال، دو عامل برای محاسبه نیاز است. اول این که آیا روش برای اجرا آسان است. چون روش‌ها در سیستم کنترل رمپ لحظه‌ای نیاز به اجرا شدن دارند، بنابراین بهتر است که روش ساده‌تر باشد. به عنوان مثال، ANN برای اجرا کمی مشکل است. عامل دوم، زمان محاسبه است. علاوه بر این، بهتر است پارامتری که نیاز به کالیبراسیون آفلاین دارد وجود نداشته باشد، انتخاب شود. با توجه به ملاحظات فوق، از روش ساده میانگین متحرک به منظور برآورد جریان ترافیک حداکثر در فاصله زمانی بعدی^[۳۲] استفاده می‌شود. این روش عملکرد برجسته‌ای در ارزیابی آفلاین داشته است.

۲-۳ الگوریتم‌های کنترل رمپ

در طول سال‌های گذشته، تعدادی از استراتژی‌های کنترل رمپ از نوع ساده به استراتژی‌های کنترل پیچیده و بسیار پیچیده‌تر توسعه یافته‌اند. استراتژی‌های کنترل رمپ براساس واکنش^[۳۳] به ترافیک می‌تواند به دو دسته‌ کنترل بهینه استاتیک و کنترل بهینه دینامیک تقسیم شود.

کنترل بهینه استاتیک شامل استراتژی‌های کنترل رمپ ثابت ، پیش زمان بندی شده و زمانی از روز است. این استراتژی‌ها به صورت نا به هنگام و بر پایه تقاضای زمانی (داده‌های ترافیک) تعیین می‌شوند. نرخ‌های کنترل رمپ متفاوت برای زمان‌های متفاوتی از روز مطابق با تقاضا تنظیم خواهد شد. مزیت این استراتژی‌ها این است که اجازه می‌دهند تعداد وسایل نقلیه سرویس داده شده حداقل شود تا مسافت پیموده شده کل، کمینه شده یا صف‌های رمپ بالانس شود. عیب به کارگیری این استراتژی‌ها آن است که تغییر تقاضا در یک روز و یا از یک روز به روز دیگر را که می‌تواند به اضافه بار جریان اصلی در زمان ازدیاد تقاضا یا بهره‌برداری پایین‌تر در زمان کاهش تقاضا در بزرگراه منجر شود درنظر نمی‌گیرند. استراتژی کنترل رمپ زمان ثابت توسط Papageorgiou به استراتژی کنترل پویا توسعه یافته است. (Papagiorgiou M., ۱۹۹۱)

کنترل رمپ‌های واکنشی که کنترل بهینه دینامیک نیز نامیده می‌شود به صورت به هنگام و بر اساس داده‌های زمان واقعی ترافیک در بزرگراه به منظور تعیین سیاست کنترل تعیین می‌شوند. داده‌های ترافیک مانند جریان، سرعت و اشغال شناسایی خواهد شد و نرخ‌های کنترل رمپ‌ در طول زمان تغییر می‌کند. کنترل رمپ‌ واکنشی مزیت‌های مشابهی با کنترل رمپ زمان ثابت دارد. با این وجود این کنترل رمپ‌ها به علت توانایی‌شان برای جلوگیری از ازدحام برجسته‌اند.

با توجه به ساختار کنترل مورد بحث، استراتژی‌های کنترل رمپ‌ واکنشی می‌تواند به دو دسته تقسیم بندی شود:

کنترل رمپ محلی (و یا جدا شده)^[۳۴] که کنترل رمپ جدا شده تنها در شرایط ترافیکی که به صورت محلی اندازه گیری شده، می‌باشد. و بخش‌های بزرگراه را به صورت جدا شده بررسی می‌کند، مانند ورودی بزرگراه، شبکه منطقه‌ای بزرگراه که آنها را در رمپ خاصی محاسبه می‌کند. چون شرایط ترافیکی به صورت محلی اندازه‌گیری می‌شود می‌تواند بر ازدحام محلی در نزدیکی رمپ اثر بگذارد.

و سیستم کنترل رمپ گسترده (و یا هماهنگ شده)^[۳۵] که گروهی از کنترل کننده‌های رمپ‌های ورودی در بزرگراه با در نظر گرفتن شرایط ترافیک در کل بزرگراه هماهنگ خواهند شد. سیستم کنترل گسترده شرایط محاسبه را فراتر از رمپ‌های مجاور و در مقطع طولی بزرگراه انجام می‌دهد. زمانی که نرخ کنترل^[۳۶] برای هر رمپ منحصر به فرد محاسبه شد، اطلاعات به منظور دستیابی به سطح بالای سیستم جمع بندی می‌شود. هدف سیستم هماهنگ شده، دستیابی به شرایط ترافیکی بهینه برای کل سیستم است. این گروه شامل کنترل رمپ اشتراکی، کنترل رمپ رقابتی و کنترل رمپ‌ مکمل است.

الگوریتم‌های ALINEA و الگوریتم Bottleneck در این فصل و الگوریتم ZONE و استراتژی SZMدر این فصل بعد شرح داده شده‌اند. این الگوریتم‌ها نمونه‌هایی از طراحی تجربی هستند که در مقیاس بزرگ با موفقیت پیاده سازی شدند.

۲-۳-۱ الگوریتم ALINEA

ALINEA (Asservissement LINeaire d’Entree Autroutiere) یک الگوریتم کنترل محلی است که به صورت بازخورد ترافیکی عمل می‌کند. این الگوریتم توسط Papageorgiou و همکاران (۱۹۹۱) توسعه یافته است. ALINEA یکی از متداول‌ترین و موثرترین الگوریتم‌هایی است که بسیار استفاده می‌شود. عملکرد این الگوریتم به این صورت است که نرخ کنترل را برای نگه داری درصد اشغال رمپ پایین دست بزرگراه در یک سطح مطلوب تنظیم می‌کند. یک معادله ساده برای محاسبه نرخ کنترل مورد استفاده قرار گرفته است:

(۲-۱)

: ۱، ۲، … . شاخص گسسته زمان؛

: نرخ آزاد شده رمپ در طول اجرای دوره کنترل K؛

: نرخ آزاد شده رمپ در طول اجرای دوره کنترل K-1؛

: درصد اشغال اندازه گیری شده در پایین دست بزرگراه (میانگین روی تمام باند^[۳۷]ها) برای دوره کنترل K-1؛

: پارامتر تنظیم؛

: به طور معمول مقدار مطلوب درصد اشغال برای پایین دست، اما لزوما نیست.

: (درصداشغال بحرانی^[۳۸]، زمانی که نرخ جریان پایین دست بزرگراه به ظرفیت می‌رسد، مشابه درصد اشغال پایین دست بزرگراه است).

نگرانی اصلی از کنترل محلی اینست که در نزدیکی رمپ محلی باید تراکم کاهش و شرایط بهبود یابد. با این حال، مشکلات تراکم ممکن است به محل پایین دست رمپ منتقل و در آنجا آشکار شود. از اینرو، کنترل رمپ محلی توصیه نمی‌شود.

روند رایج نزدیک به الگوریتم‌های هماهنگ شده است که در آن جریان ترافیک در سراسر یک مقطع از بزرگراه و بیشتر از یک رمپ واحد به صورت بهینه طراحی می‌شود. این موضوع به منظور دستیابی به بهره‌وری گسترده در سیستم است. از نمونه‌های معمول می‌توان الگوریتم گلوگاه یا Bottleneck در Seattle، الگوریتم ZONE در Minnesota و استراتژی کنترل ZONE طبقه بندی شده یا SZM اشاره کرد.

۲-۳-۲ الگوریتم Bottleneck

اصل اساسی الگوریتم گلوگاه یا Bottleneck (Jacobsen و همکاران، ۱۹۸۹) توسط وزارت حمل و نقل در واشنگتن^[۳۹] توسعه داده شد و ثابت کرد که جریان در هیچ یک از مناطق گلوگاه از پیش تعیین شده از ظرفیت تجاوز نمی‌کند. محاسبات الگوریتم شامل دو مورد اندازه گیری نرخ کنترل محلی و نرخ کنترل گلوگاه است. محدودترین مورد از این دو به عنوان نرخ کنترل نهایی انتخاب خواهد شد.

نرخ کنترل محلی که از قبل تعیین شده به صورت مجموعه‌ای محدود از نرخ‌های کنترل گسسته، بر مبنای سطح اشغال در مجاورت رمپ انتخاب می‌شود. برای هر کنترل رمپ یک رابطه نرخ سنج / اشغال راه اصلی توسط پنج جفت اشغال- نرخ کنترل معرفی می‌شود. نرخ کنترل با ورود بین هر جفت برای اشغال راه اصلی واقعی تعیین می‌شود.

نرخ گلوگاه زمانی که هر دو شرط زیر با هم مواجه شوند محاسبه می‌شود:

اشغال آستانه ای از حد خود فراتر رود.

وسایل نقلیه همچنان در مقطع ذخیره شوند.

اگر هر دو شرط با هم برقرار شوند، نرخ کنترل برای قطعه^[۴۰] i در مدت زمان t+1 که به صورت زیر تعریف می‌شود، کاهش می‌یابد:

(۲-۲)

کاهش حجم در معادله (۲-۲) محاسبه می‌شود ، فاکتورهای وزنی عوامل معین شده توسط فاصله رمپ از گلوگاه و تقاضای معمول روی رمپ برای محاسبه نرخ کنترل گلوگاه قابل استفاده هستند. بدین ترتیب تعداد وسایل نقلیه ورودی به راه اصلی از این رمپ‌ها به خاطر ذخیره سازی تعدادی وسایل نقلیه در مقطع بزرگراه کاهش می‌یابد. هر رمپ ممکن است چندین نرخ کنترل گلوگاهی داشته باشد که محاسبه می‌شود و در پایان محدودکننده‌ترین آنها به عنوان نرخ کنترل گلوگاه نهایی انتخاب می‌شود.

این الگوریتم نرخ کنترل گلوگاه نهایی را با نرخ کنترل محلی مقایسه می‌کند و مورد محدودکننده‌تر را انتخاب می‌کند. گام نهایی تعدیل نرخ کنترل برای شرایط مختلف رمپ مانند صف بندی^[۴۱] است. الگوریتم گلوگاه از دو مرحله برای فرایند کنترل صف استفاده می‌کند. بخش اول تنظیم صف است. به این صورت که وقتی صف یک رمپ به طول معینی می‌رسد، نرخ کنترل برای آن رمپ به آرامی افزایش می‌یابد. مرحله دوم، قطع کردن پیشروی صف است. به این صورت که وقتی صف به بیشترین طول مجاز می‌رسد، کنترل رمپ متوقف^[۴۲] می‌شود.

الگوریتم گلوگاه در Seattle یکی از بهترین الگوریتم‌های کنترل رمپ ابتکاری و مفهومی است که در این زمینه اجرا شده است. از مزایای آن می‌توان به لحظه ای، هماهنگ ، در عین حال ساده و منطقی (بر مبنای عرضه- تقاضا و حفظ جریان) و انعطاف پذیر (تعداد کمی پارامتر قابل تعدیل) بودن اشاره کرد.

فصل سوم

مبانی و اصول و متدولوژی

۳-۱ استراتژی‌های کنترل رمپ استفاده شده در پژوهش

از استراتژها‌ی کنترل رمپ، الگوریتم ZONE و استراتژی SZM در این پژوهش استفاده شده که شرحی از آنها در این فصل گنجانده شده است.

۳-۱-۱ الگوریتم ZONE

الگوریتم ZONE (1996 (Lau, در Minneapolis، منطقه Paul در امتداد شرق I-35در سال ۱۹۷۰ معرفی شد. در این الگوریتم بزرگراه به چند ناحیه یا زون تقسیم می‌شود. ناحیه یا زون به عنوان یک مقطع یک سویه از بزرگراه با طول ۳ تا ۶ مایل تعریف شده است. مرز بالادست زون معمولا یک منطقه با جریان آزاد است. مرز پایین دست گلوگاهی است که نسبت تقاضا / ظرفیت در آن زون بالاترین مقدار است.

مفهوم اساسی الگوریتم زون ایجاد تعادل بین حجم ورودی و حجم آزاد شده ترافیک در زون است. در هر مدت کنترل ۳۰ ثانیه‌ای، معادله نگهداری زون برای محاسبه مجموعه‌ی حجم‌ها از رمپ‌های کنترل شده استفاده می‌شود. معادله نگهداری زون می‌تواند به صورت زیر بیان شود:

(۳-۱)

یا

(۳-۲)

A : حجم مسیر اصلی بالا دست است، یک متغیر اندازه گیری شده؛

U : مجموع حجم رمپ‌های کنترل نشده است، یک متغیر اندازه‌گیری شده؛

M : مجموع حجم رمپ‌های کنترل نشده با دسترسی محلی است، یک متغیر کنترل^[۴۳]؛

F : مجموع حجم‌های بزرگراه به رمپ های کنترل شده بزرگراه است، یک متغیر کنترل ؛

X : مجموع حجم‌های رمپ خروجی است، یک متغیر اندازه‌گیری شده؛

B : ظرفیت گلوگاه پایین دست است، یک مقدار ثابت؛

S : فضای موجود بین زون برای ترافیک ورودی است، یک متغیر محاسبه شده بر مبنای اشغال از طریق شناساگرهای راه اصلی ؛

نرخ کنترل سیستم- سطح برای هر رمپ با مقایسه M+F که در معادله (۳-۲) به صورت لحظه‌ای اندازه‌گیری شده، در یک مجموعه با حد آستانه‌ای معین شده است. برای هر تغییر بزرگ خارجی بدون از دست دادن شرایط ترافیکی غالب ، مجموع ۵ دقیقه‌ای در معادله (۳-۲) کاربرد دارد. باید به این موضوع توجه کرد که مقدار ۵ دقیقه برای B مجموعه‌ای است که به طور معمول عددی ثابت خواهد بود و معادل ۱۲/۱ بالاترین نرخ جریان ثبت شده در یک ساعت در ۱۵ روز است.

هم چنین یک نرخ کنترل محلی- سطح در الگوریتم ZONE با پذیرش مکانیزم کنترل اشغال محاسبه شده است. هر رمپ کنترل شده به تعداد معینی ایستگاه شناساگر در پایین دست بزرگراه مرتبط شده است. اشغال بر مبنای نرخ کنترل برای هر رمپ بر اساس بزرگترین مقدار اشغال متناظر ایستگاه شناساگر در پایین دست بزرگراه خواهد بود. دلیل این تنظیم حذف تاثیر منفی موقت حوادث است. اگر یک حادثه رخ دهد و یک گلوگاه موقت در پایین دست رمپ کنترل شده تولید کند، محدودکننده ترین نرخ کنترل برای هر رمپ نیاز است تا از ناکارایی بعدی پیشگیری کند.

سرانجام، محدودکننده ترین نرخ کنترل از دو مورد بالا برای اجرای پروژه انتخاب می‌شود.

نتایج ارزیابی)۲۰۰۱ (Cambridge Systmatics, نشان می‌دهد استراتژی کنترل ZONE در بهبود توان خروجی بزرگراه، افزایش سرعت بزرگراه، کاهش تاخیر ناشی از تراکم بزرگراه و همچنین تاخیر بیش از حد در رمپ که منجر به نارضایتی عمومی می‌شود بسیار موثر است. استراتژی کنترل Zone طبقه بندی شده در منطقه Minnesota برای سازگاری با نگرانی‌های عمومی درباره زمان انتظار روی رمپ‌ها توسعه داده شد.

۳-۱-۲ استراتژی کنترل Zone طبقه بندی شده (SZM)

استراتژی کنترل Zone طبقه بندی شده (SZM) یکی از الگوریتم‌های کنترل رمپ است که با دیگر الگوریتم‌ها در رقابت است. این الگوریتم جانشین مفهومی و تابعی از الگوریتم ZONE و کاملا متفاوت از آن است. گذار الگوریتم ZONE به الگوریتم SZMنشانگر تغییر با تاکید از جریان بزرگراه به سبک و سنگین کردن بین ترافیک بزرگراه و وسایل نقلیه رمپ است. شرح مفصلی از استراتژی جدید کنترل رمپ در بخش بعدی ارائه شده است.

فلسفه کنترل

دو هدف از استراتژی کنترل SZM به حداکثر رساندن توان خروجی بزرگراه و تضمین کاهش زمان انتظار رمپ نسبت به حد آستانه ای از پیش تعیین شده برای هر رمپ است. در این الگوریتم دو محدودیت وجود دارد. یکی محدودیت زمان انتظار رمپ است، که زمان انتظار رمپ تحت مقدار از پیش تعیین شده در طول دوره کنترل را محدود می‌کند. دیگری محدودیت ظرفیت زون است که ورودی زون را طوری تنظیم می‌کند که کل حجم ورودی از ظرفیت زون تجاوز نکند. بازتاب این دو محدودیت، دو سطح طراحی در استراتژی SZM خواهد بود: طراحی سطح رمپ^[۴۴] و طراحی سطح زون و لایه^[۴۵].

طراحی سطح رمپ

حداقل نرخ آزاد سازی در هر ۳۰ ثانیه توسط معادله (۳-۳) برای اطمینان از محدودیت اول محاسبه می‌شود.

(۳-۳)

: بیشترین زمان انتظار از پیش تعیین شده

N : طول صف برآورد شده رمپ با بهره گرفتن از معادله تجربی

معمولا برای رمپ محلی به بزرگراه، ۴ دقیقه (۲۴۰ ثانیه) و برای رمپ بزرگراه به بزرگراه، ۲ دقیقه (۱۲۰ ثانیه) انتخاب می‌شود. در الگوریتم رایج SZM، طول صف N توسط معادله (۳-۴) محاسبه شود.

(۳-۴)

: طول ذخیره شده صف بین کنترل رمپ و شناساگر صف (یک پارامتر از پیش کالیبره شده برای هر رمپ)

: چگالی صف برآورد شده با بهره گرفتن از نرخ آزادی کنترل (Ra)

(۳-۵)

Ra : مجموع نرخ آزادی

طراحی سطح زون و لایه

به عنوان یکی از ویژگی‌های منحصر به فرد از استراتژی SZM، بزرگراه به تعدادی زون تقسیم و زون‌ها نیز در چند لایه گروه‌بندی می‌شوند. یک نمایش ترسیمی از این گروه‌بندی را می‌توان در مقاله Xin و همکاران (۲۰۰۶) یافت. بر اساس ساختار زون- لایه نسبت ورودی و خروجی در یک زون معین به صورت زیر توصیف می‌شود:

(۳-۶)

M : جریان رمپ ورودی کنترل شده است (کنترل شده توسط الگوریتم)

A : جریان اندازه گیری شده راه اصلی بالادست

U : کل جریان ورودی اندازه گیری شده در رمپ کنترل نشده

X : کل جریان اندازه گیری شده در رمپ خروجی

B : ظرفیت راه اصلی در پایین دست

S : ظرفیت ذخیره شده در راه اصلی، که بر اساس تفاوت بین تراکم کل زون و تراکم فعلی زون که از پیش کالیبره شده، محاسبه می‌شود.

ظرفیت راه اصلی در پایین دست (B) ظرفیت مورد انتظار راه اصلی در محل است. این ظرفیت بر اساس برآورد ظرفیت در باند اول سمت راست^[۴۶] () و برآورد ظرفیت برای باندهای دیگر () با واحد veh/hour/lane محاسبه می‌شود. و به طور دقیق،

(۳-۷)

حجم کل رمپ (M) در سراسر رمپ‌های کنترل شده در زون متناسب با تقاضایشان توزیع شده است. این قاعده پردازش برای تمام زون‌ها به طور مداوم برای هر لایه بعد از لایه‌های دیگر انجام شده است. چنان چه برخی زون‌ها در رمپ روی هم بیفتند چندین نرخ آزاد سازی تعیین می‌شود. و نرخ آزاد سازی نهایی محدودکننده ترین نرخ تعیین شده است.

۳-۱-۳ ارزیابی مقدماتی

بررسی نزدیک درباره‌ی عملکرد و اجرای کنترل رمپ‌های پیشرفته هماهنگ شده مانند الگوریتم ZONE و استراتژی Stratified Zone Metering معلوم می‌کند که اگرچه کنترل رمپ‌ها در مقایسه با گزینه‌های بدون کنترل بسیار موثر هستند، اما در اجرا به دلیل خارج شدن سیستم از تعادل تقاضا- ظرفیت و همچنین محدودیت صف در رمپ شرایط ممکن است بدتر شود. مسبب این موضوع فرض سنتی درباره‌ی ثابت در نظر گرفتن حجم ظرفیت و به تبع آن تخمین طول صف است. ظرفیت برآورد شده نادرست اغلب بزرگتر از مقدار واقعی در شرایط موجود است. که به احتمال زیاد موجب کاهش آزاد سازی نرخ رمپ و در نتیجه افزایش تاخیر رمپ بیش از حد خواهد شد. یا اینکه مقدار کمتر نسبت به واقعیت نتیجه‌اش حجم بیش از حد و در نهایت تشدید بیشتر تراکم خواهد بود. بنابراین، توسعه برآورد ظرفیت بزرگراه که به صورت ظرفیت متغیر بر مبنای شرایط حاکم است پاسخی به تقاضای واقعی در شرایط بزرگراه خواهد بود.

۳-۲ برآورد ظرفیت لحظه‌ای

استفاده از داده‌های واقعی از ایستگاه‌های مورد نظر