אופטימיזציה של עיצוב האורבני רשתות מעבר עם אסטרטגיות מרובות אובססיביות

עיצוב רשת מעבר עירונית

רשתות תחבורה עירונית משמשות את מערכות הדם של ערים מודרניות, המאפשרות תנועה יומית של מיליוני אנשים. כמו אזורי מטרופוליטן להרחיב ומנציח, המשימה של תכנון רשתות אלה הפכה לאתגר מעבדה של טכנאים חייב ליישב דרישות מתחרות: מתן כיסוי רחב ללא פשיטת רגל של העירייה, צמצום פליטות גזי חממה תוך שמירה על שירות גבוה, ולהבטיח גישה שוויונית לכל קבוצות סוציו-אקונומיות מסורתיות.

The Challenges of Urban Transit Network Design

תכנון רשת תחבורה יעילה כרוך בהתמודדות עם קבוצת אתגרים המשתרעים הרבה מעבר לגיאומטריה פשוטה.הרשימה הבאה לוכדת את ההוורדים העיקריים, אם כי כל עיר עשויה להדגיש חששות שונים המבוססים על הגיאוגרפיה הייחודית שלה, דמוגרפיה ומגבלות הפיסקליות.

(FLT:0) צמצום הבנייה והעלויות התפעוליות של FLT:1 – תשתיות הון-חושיות כמו מנהרות, גשרים וחשמל חייבות להיות מוצדקות מפני הוצאות תפעול ארוכות טווח עבור כלי רכב, תחזוקה ומגבלות תקציב לעתים קרובות לכפות אפשרויות קשות בין התרחבות מהירה ואמינות מערכת.
(FLT:0)מקסים כיסוי לשרת שכונות מגוונות FIRLT:1) - מדברי מעבר - אזורים ללא גישה סבירה לתחבורה ציבורית - להנציח אי שוויון חברתי.כיסוי חייב לאזן את צפיפות האוכלוסייה, מרכזי התעסוקה, ואת נודות פעילות, אבל הרחבות תוואי מופרז יכול למתח משאבים כספיים.
(FLT:0) גרימת השפעה סביבתית וקידום קיימותFLT:1) - חשבונות תחבורה עבור נתח משמעותי של פליטות פחמן עירוניות.רשתות טרנזיט צריך לעודד שינוי מודולרי ממכוניות פרטיות, אך אינטגרציה אנרגיה מתחדשת, והערכות מחזור חיים להוסיף שכבות של מורכבות.
(FLT:0) הבטחת נגישות ונוחות למשתמשים ב- 1FIRLT – Ridership תלויה בחיבורים בין מייל לקילומטרים/סוף-מייל, תדירות, אמינות ונוחות המשתמש.
(FLT:0) הון עצמי על פני קבוצות הכנסה 1 (FIRLT:1) - היסטורית, השקעות מעבר העדיפו אזורים בשפע. מסגרות מרובות objective יכול להטביע מדדים הון כגון Gini coefficient או נגישות אינדיקציות כדי להבטיח הפצה הוגנת של הטבות.
(FLT:0) הסתננות עם מצבי דרך אחרים ותכנון הקרקעות (שימוש ביבשה):1 - המעבר אינו פועל בבידוד.רשתות יעילות מתערבבות עם שיתוף אופניים, רכיבה על אופניים, שבילים הליכה, ומסילות רכבת בין-עירוניות, תוך עיצוב צפיפות עירונית באמצעות פיתוח מוכוון.
(FLT:0) עמידות לשיבושים ולשינויי האקלים (FLT:1) – מבולינג, גלי חום והגנתיות רשת מבחן עמידות.

הבנה של Multi-objective Optimization

אופטימיזציה רב-אובייקטיבית (MOO) היא מסגרת מתמטית אשר בו-זמנית רואה שתי מטרות סותרות או יותר.במקום להתפשר על תשובה אחת "best", MOO מזהה סדרה של פתרונות מסחר-off הידועים כחזית Pareto. פתרון הוא Pareto-optimal אם אין שום מטרה ניתן לשפר ללא החמרה לפחות מטרה אחת אחרת.

ניסוח בדרך כלל כרוך בבחירה ו- **x ** המייצגים משתנים כגון היערכות, לעצור מיקומים, תדירות, סוג הרכב.המטרה היא למזער (או למקסם) וקטור של פונקציות אובייקטיביות **F(x)** = [f1(x), f2(x), ..., f k(x)) תחת מגבלות **x) ⁇ 0 ו-*x)** = 0.

טכניקות אופטימיזציה מפתח

אלגוריתמים היסטריים והמטירויים משמשים נרחב כי האופי המשולב של עיצוב רשת מעבר לעתים קרובות עושה שיטות מדויקות בלתי-מעורר.הטכניקות הבאות הן בין הפופולריים ביותר:

(FLT:0)Genetic Algorithms (GA)ראה FLT:1 - בהשראת ברירה טבעית, GA מפתחת אוכלוסייה של עיצובי רשת מועמדים על פני דורות.בחירת, crossover, ומפעילי מוטציות לחקור את מרחב הפתרון. Variants כגון NSGA-II (לא-dodatedized Defgorithm II) מטפלות במפורש מטרות מרובות על ידי מיון פתרונות לחזית ושימוש מרחוק כדי לשמור על מגוון סטנדרטי של NS.
(FLT:0)Simulated Annealing (SA)BuildFLT:1) - Borrowing ממתכתלורגיה, SA מתחילה עם "temperature" גבוה המאפשר שינויים אקראיים גדולים ברשת, בהדרגה קירור פתרונות לחדד.זה יכול לברוח אלפטמה מקומית והוא יעיל לבעיות שבהן פתרון בעיות, כגון התאמת נתיבים גיאומטריים.
(FLT:0)Particle Swarm Optimization (PSO)IRLT:1) - כל "חלקיק" מייצג פתרון מועמד ועובר דרך המרחב הפרמטרי המודרך על ידי המיקום הידוע ביותר שלו ואת הטוב ביותר בעולם של הנחיל לעתים קרובות מתאחד במהירות והוא מתאים היטב למשתנים רצופים כמו תדירות ודר.
(FLT:0MOEA/D (Multi-objective Evolutionary Algorithm Based on Decomposition)FLT:1 - גישה זו מקנה את הבעיה הרב-אובייקטיבית לתוך קבוצה של תת-קרקעיים מדרגים, כל אחד מותאם באמצעות מידע שכונה.זה יכול לייצר חזיתות מופץ היטב עם עלות חישובית נמוכה יחסית.
(FLT:0) שיטות היבריידיות (Hybridua) 1 - שילוב של אלגוריתמים מרובים, כגון שילוב חיפוש מקומי ב- GA או הפיכה PSO עם SA, יכול להביא לשיפור ההתכנסות והמגוון.

מטרות ומטרות בעיצוב רשת Transit Network Design

בחירת המטרות הנכונות חשובה כמו אלגוריתם האופטימיזציה עצמו.המדדים הבאים משמשים בדרך כלל, לעתים קרובות בשילוב:

(FLT:0) מערכת כוללת עלות פי חוק 1 (מחיר הון) והוצאות תפעול שנתיות (עלות שיתוף פעולה); בדרך כלל מצטמצם.
(ב) שטח של מעלים (המרכז לכיסוי האוכלוסין) או כיסוי אוכלוסייה 1 (% מהאוכלוסייה במרחק הליכה (למשל, 400 מטרים) של הפסקת מעבר; מנפח.
(ב) ,0) זמן נסיעה במשרה מלאה ב-[[1924]] - זמן קצר לאחר מכן, כולל זמן המתנה והעברה; צמצם את זמן הנסיעה.
(ב) ,0 משתמשים עולים ל-[[1924]]: [[המאה ה-20]], [[1924]], [[1924]]]], [[1924]], [[1924]]]]]], [[1924]]]]]]
(ב) ,0) הרשאות או טביעת רגל פחמן (FLT:1) - כפי ששווה ערך ל- CO2 לקילומטר נוסעים; צמצם את ה-CO2.
(ב) ,0) ,Equity IndexFLT:1 - מדדים פערים ב נגישות על פני שכונות; מזער הון טוב יותר.
(ב) ,0) , 000 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) ,0) ,Modal Share ShiftFLT:1 - ירידה צפויה בנסיעות רכב פרטיות עקב שיפור המעבר; מגובה.

סחר-offs ו- Pareto Optimality

(הופנה מהדף תעבורה עיצוב הוא בין FLT:0costFLT) 1 ו- (FLT:2coveragementtureFLT 3: 3) הרחבת הכיסוי לפרברים בעלי אופי נמוך מגבירה את אורך המסלול ואת דרישות הרכב, העלאת ההון ועלויות התפעוליות. A Pareto חשפה כי מעבר לכיסוי מסוים, כל שיעור נוסף של כיסוי הופך יקר יותר, בדומה למינימום של שירותים אלה, דורש לעתים קרובות תיקון זמניים, אשר דורש טיפול ישיר, אשר דורש טיפול ישיר, אשר דורש טיפול חוזר על פני שטח קבוע של מגבלות.

עוד סחר בולט כולל את פליטת זנב:0 (התמדה מול עלות גבוהה) 1 [החשמלת צי אוטובוס מפחית פליטות זנבפיפ, אך עולה משמעותית השקעה גבוהה יותר. אופטימיזציה רב-אובייקטיבי יכול לכמת את הפחתות הפליטה שניתן להשיג עבור כל דולר נוסף שהושקע, המאפשר אסטרטגיות של ירידה יעילה בעלויות.

יישומים מעשיים ומחקרי מקרים

אופטימיזציה רב-אובייקטיבית כבר הוחלה ברשתות תחבורה ברחבי העולם, ומציעה תובנות חשובות עבור מתכננים.

מקרה מחקר: Bogotá TransMilenio (Colombia)

מערכת האוטובוסים של בווגוטהה (BRT) עברה מספר הרחבות באמצעות מחקרי אופטימיזציה. החוקרים עיצבו את הבורסות בין נתיבים ייעודיים, התכווצות בתחנה, וקווי אוטובוס להאכיל.על ידי טיפול בעלויות, זמן נסיעה ופליטות כמטרות, הם זיהו קבוצה של עיצובים שהפחיתו את תפוקת גזי החממה עד 30% בהשוואה לבסיס תוך שמירה על עלויות בתוך התקציב של העיר, וכתוצאה מכך פאואר סייעה בשלב נמוך.

מקרה מחקר: לוחיות S של קופנהגן (Denmark)

קופנהגן שילבה את MOO עם מודל התחבורה האזורי שלה כדי לתכנן מחדש S-train ושילוב מטרו.היעדים כללו מיניזציה של נוסעים קהל, צמצום צריכת האנרגיה, ושימור האמינות הראשי.הפתרונות האופטימליים הופיעו רכבות קצרות יותר אך תדרים גבוהים יותר בשעות ה-peak, תצורה שלא הייתה ברורה ללא ניתוח סחר מפורש.

מקרה מחקר: רשות התחבורה הלאומית של סינגפור

סינגפור השתמשה בסימולציה ואופטימיזציה כדי לתכנן את מערכת התחבורה ברמה עולמית שלה. פרויקט ידוע החל את MOEA / D כדי לעצב את הרחבה קו מרכז העיר.היעדים היו עולים, כיסוי של דירות בעלות גבוהה, וציפוי לפטור.האלגוריתם יצר מאות היערכות המועמד; המסלול שנבחר הסופי מאוזן עלות קטנה נגד עלייה של 15% במנות ישירות מקהילות שהוחלפו בעבר.

מחקרים אלה מראים כי אסטרטגיות רב-אובייקטיביות אינן רק תרגילים אקדמיים - הן יוצרות עיצובים יעילים, בעלי השפעה גבוהה, שכבר מעצבים את הסביבה הבנויה.

כלים ותוכנות עבור אופטימיזציה רב-אובייקטיבית

מגוון כלים קיימים ליישום MOO עבור רשתות תחבורה, החל מספריות כלליות למטרות לפלטפורמות ספציפיות לתחום.

(הופנה מהדף Python (Pymoo, Platypus) ,Pymoo, Platypus) ,Pancy 1:0 (ספריות קוד פתוח המספקות אלגוריתמים מסוג MOO-the-art (Pymoo) (FLT:2pymo.orgirFLT 3:3) מציע ממשק מודולרי, מה שהופך אותו קל להגדיר מגבלות ו-Pypus תומך מרובים יכול להיות משולב עם נתונים GIS.
(FLT:0)MATLAB Global Optimization ToolboxFIRLT:1) כולל יישום רב-אובייקטיבי של חיפוש GA ותבנית. שימושי עבור Prototyping ועבור קבוצות כבר בתוך מערכת האקולוגית MATLAB.
(FLT:0GIS מבוסס כלים (למשל, אנליסט רשת ArcGIS, QGIS עם תוספים) ibFLT:1 - יכולות ניתוח ספארי הן חיוניות לתכנון רשת מעבר.תסריטים יכולים זוג GIS עם ספריות MOO כדי לשלב גורמים גיאוגרפיים כמו דמוגרפים, שימוש בקרקע, והתעלות.
(FLT:0) TransCAD, PTV VisumureFLT:1 - פלטפורמות אלה מציעות הערכה תרחיש מובנה, הקצאת המעבר, ואת שיווי משקל המשתמש מודלing. בעוד הם עשויים לא לתמוך ב-MOO, הם יכולים להיקרא זהיר על ידי אלגוריתם אופטימיזציה חיצוני.
(FLT:0)Jupyter Notebooks עם דאש או BokehFLT 1:1 - הדמיה אינטראקטיבית של חזיתות Pareto מסייעת מקבלי ההחלטות לחקור את הבורסות בזמן אמת.דוגמה קוד פתוח הוא מחברת "Transit-MOO" הסורק על GitHub.

היתרונות של אסטרטגיות מרובות objective

אימוץ אופטימיזציה רב-אובייקטיביים בעיצוב רשת מעבר מניב יתרונות קונקרטיים על פני גישות חד-אובייקטיביות או ידניות קונבנציונליות.

(FLT:0)Generate סדרה מגוונת של פתרונות עבור מקבלי החלטות: 1. - במקום המלצה אחת, חזית Pareto מציגה חלופות תקפות מרובות, כל אחד מהם משקף עדיפות שונה של מטרות.זה מעצימה פקידים ובעלי עניין לקבל החלטות המבוססות על ערך על ידי נתונים כמותיים.
(FLT:0) הוצאות, כיסוי וקיימות ביעילות רבה יותר (FLT:1) - על ידי טיפול בכל שלושת המטרות ולא מגבלות, המוטב מוצא באופן טבעי פתרונות המבצעים היטב מעבר לדירקטוריון, הימנעות מהתקפות סחר קיצוניות שניתן להתעלם מהן בקבלת החלטות.
(FLT:0)Facilitates שקוף ומודע תכנון תהליכים מובנים 1 - הדמיה של חילופי הסחר הופכת את רציונלי מאחורי כל חלופה מפורשת. חברי הקהילה יכולים לראות מדוע עיצוב זול יותר עשוי להפחית כיסוי או איך רשת ירוקה יותר עשויה לדרוש השקעה ראשונית גבוהה יותר, טיפוח אמון והשתתפות.
(FLT:0Supports הסתגלות וחדשנית רשת עיצובים רשת מעבר עיצובים של מעבר 1 - על ידי חקר מגוון רחב של פתרונות, מתכננים יכולים לבחור עיצובים שנותרו חזקים בתנאים עתידיים לא בטוחים, כגון גידול באוכלוסייה או שינויים במחירי הדלק. ניתוח רגישות S יכול להתבצע על פני חזית Pareto כדי לזהות תצורה כי מעוות חסד.
(FLT:0) שילוב של העדפות בעלי מניות ציטראט 1.) - מסגרות MOO מתקדמות מאפשרות להעדפות של יצרנית ההחלטות להשתלב באופן אינטראקטיבי.לדוגמה, אם מועצת העיר תאשר את ההון, המוטב יכול להדגיש פתרונות שציון הגבוה ביותר על מדדי הון עצמי תוך התחשבות במטרות אחרות.

כיוונים עתידיים

התחום של רשת תעבורה עירונית מתפתח במהירות, מונע על ידי זמינות נתונים, כוח חישובי, ולחצים חברתיים. אסטרטגיות רב-אובייקטיביות ישחקו תפקיד מרכזי במספר מגמות מתעוררות.

שילוב עם Big Data and Machine Learning

נתונים בזמן אמת מכרטיסים חכמים, GPS וטלפונים סלולריים מאפשרים אופטימיזציה דינמי של רשתות תחבורה.מודלים של למידת מכונות יכולים לחזות דפוסים הביקוש ולהזין אותם לתוך אלגוריתמים של MOO כדי לעצב רשתות שמתאימות ליום, שבועי או עונתיות. Reinforcement Learning, בשילוב עם פונקציות תגמול רב-אובייקטיביות, יכול בסופו של דבר להוביל מערכות מעבר לאופטימיזציה עצמית שמתאימות ומתארים בזמן אמת.

בחירות וצדק סביבתי

כאשר ערים מעבר לציי אוטובוסים חשמליים, MOO יהיה חיוני לאיתור תשתיות טעינה תוך איזון יכולת רשת, אורך המסלול וההון. שיקולי צדק סביבתיים - כגון הבטחת כי שכונות בעלות הכנסה נמוכה אינן מושפעות באופן לא פרופורציונלי משיבושים בבנייה או זיהום אוויר במהלך המעבר - ניתן לקודד כמטרות.

אינטגרציה אוטונומית

שירותי הסעות אוטונומיים ושירותי על פי דרישה טשטשו את הקו בין מעבר קבוע לניידות אישית. אופטימיזציה רב-אובייקטיביים יכול לעצב רשתות היברידיות שבו נקבובים אוטונומיים מספקים חיבורים גמישים של מייל/סוף-מייל, בעוד מסדרונות בעלי יכולת גבוהה להתמודד עם תנועות תא המטען.ההההoffs בין איכות שירות, עלות וצריכת אנרגיה יהיה שונה באופן דרמטי ממערכות של היום.

עמידות והסתגלות לאקלים

שינויי אקלים דורשים רשתות מעבר שיכולות לעמוד באירועים קיצוניים.מ.מ.מ. יכול לשלב מדדי סיכון (למשל, מצופה מאפקט הצפה שנתי) כמטרות, זיהוי עיצובים המפחיתים את הפגיעות ללא עלות מופרזת.חזית הפארטו עשויה לחשוף פתרונות "win-win" ששניהם פליטות נמוכות יותר ולשפר עמידות לשיטפונות.

מסקנה

אופטימיזציה של רשתות תחבורה עירוניות עם אסטרטגיות מרובות-אובייקטיביות כבר לא זיכוך אופציונלי - זה מנהג חיוני ליצירת מערכות תחבורה יעילה, בר-קיימא, שוויוניות, וניתנות מחדש של תחבורה מערכות.על ידי חשיפת ההסכמים המסחריים הטבועים בין עלות, כיסוי, קיימות ומטרות קריטיות אחרות, MOO מספקת בסיס שקוף, מונחה נתונים עבור האפשרויות הקשות העומדות בפני מנהיגי העיר.

לקריאה נוספת, עיין ב-FLT:0.U.S. National Institute of Standards and Technology page on Multi-objective OptimizationFLT:1, the FLT:2Journal of Geographical Systems על אופטימיזציה ברשת המעבר של רשת ההפעלה FLT 3, and the Open-source Optimization Toolkit LT:2Journal of Geographical Systemsal Issue:5