مقایسه ی اهمیت کالیبراسیون و انتخاب مدل در دقت پیش بینی الگوی تصادفی ترافیک ایستا در شبکه های حمل و نقل شهری

پیشبینی دقیق از وضعیت عملکرد یک شبکه ی حمل و نقل شهری در بسیاری از تصمیمات مرتبط با برنامه ریزی حمل و نقل و ارزیابی سیاستهای مختلف مدیریت عرضه یا تقاضا ، نظیر طراحی شبکه ی بهینه، ارزیابی منافع استفاده از سیستمهای پیشرفتهی اطلاع رسانی مسافران (ATIS) و یا تأثیر قیمتگذاریِ شبکه بر نحوهی رفتار استفاده کنندگان و بر الگوی جریانِ ترافیک شبکه مؤثرخواهد بود. همراه با گسترش نظریه ی انتخاب گسسته، مدلهای پیشرفته تری نیز برای نمایش بهترِ رفتار انتخاب مسیر به کار گرفته شده اند. اگرچه تحقیقات قابل توجهی در زمینه ی تخصیص تصادفی ترافیک صورت گرفته است، اما اکثر آنها بر موضوعات محدودی نظیر تعیین مدل (انتخاب مدل) و ارائه ی الگوریتمهای کارا برای بارگذاری تصادفی شبکه تمرکز کرده اند. در مقابل، به مسأله ی پرداخت این مدلها (به ویژه در حالت تک متغیره) چندان توجه نشده است. اکثر محققان تاکنون مدلهای خود را با مقادیر نمونهایِ پیش فرض (بدون کالیبراسیون) اجرا کرده اند، حال آنکه مقادیر پارامترهای ورودی این مدلها میتواند بر بسیاری از نتایجِ استخراج شده، به ویژه پیش بینی الگوی جریان، مؤثر باشد. در این پژوهش، مقایسه ای بر میزان اهمیت دو مسأله ی پرداخت و انتخابِ مدل بر دقت پیش بینی الگوی ترافیک انجام داده ایم. بررسیهای ما نشان داد که بر خلاف رویکردی که تاکنون در ادبیات تخصیص ترافیک در پیش گرفته شدهاست، کالیبراسیون مدل میتواند تأثیر بسیار بیشتری بر دقت پیش بینی داشته باشد؛ حال آنکه نتیجهی تخصیص ترافیک با استفاده از ساده ترین مدل تا پیچیده ترین و پیشرفته ترین مدلِ انتخاب تفاوت قابل توجهی نخواهد داشت.

کلیدواژه ها:

تخصیص ترافیک ، مدلهای انتخاب گسسته ، تخمین مدل ، انتخاب مدل