דרישות תחבורה מודלים: קלקולות ובקשות בתכנון עירוני

הבנת דרישות התחבורה בתכנון העירוני המודרני

הביקוש לתחבורה מייצג את אחד הכלים האנליטיים הקריטיים ביותר הזמינים לתכננים עירוניים, מהנדסי תחבורה וקובעי מדיניות במאה ה-21.בעוד ערים ממשיכות לצמוח ולתפתח, להבין כיצד אנשים עוברים דרך חללים עירוניים הופכים להיות חיוניים יותר ויותר ליצירת קהילות ברות קיימא, יעילות ואכילות.טכניקות דוגמנות מתוחכמות אלה מאפשרות לתכנן מתכננים לחזות דפוסי נסיעה, חיזוי תחבורה עתידיים, ולקבל החלטות מושכלות על תשתיות אשר יהיו לערים שיבואו לערים.

מטרת הביקוש לתחבורה היא לכמת ולחזות את תנועת האנשים והסחורות ברשתות התחבורה.על ידי ניתוח התנהגויות הנסיעות הנוכחיות וקביעת מגמות עתידיות, מתכננים יכולים לצפות היכן תתרחש עומס, לזהות אזורים מוחלפים, ומערכות תחבורה עיצוב העומדות בצרכים של אוכלוסיות גדלות. Accurate הביקוש מודלים תומך בפיתוח תשתיות יעילות, מודיע החלטות מדיניות, ומסייעים להקצות משאבים ציבוריים כדי לספק את הפרויקטים הגדולים ביותר כדי לספק את הקהילות.

הביקוש לתחבורה מודרני התפתח באופן משמעותי מהמקורות שלה במאה ה-20.מודלים מוקדמים היו פשוטים יחסית, להתמקד בעיקר על תעבורת מכוניות ושימוש במערכות יחסים מתמטיות בסיסיות כדי לחזות דפוסי נסיעות.מודלים של היום משלבים מספר מצבי תחבורה, לשקול גורמים התנהגותיים מורכבים, וממנף יכולות חישוביות מתקדמות כדי לדמות מערכות עירוניות מורכבות.אבולוציה זו משקפת הן התקדמות טכנולוגית והן הבנה עמוקה יותר של הגורמים המשפיעים על האופן שבו אנשים בוחרים לנסוע.

החשיבות של הביקוש לתחבורה מאריך מעבר לניתוח טכני.מודלים אלה ממלאים תפקיד מכריע בתהליכים של מעורבות ציבורית וקבלת החלטות, ומסייעים לבעלי העניין לדמיין את ההשפעות האפשריות של פרויקטים ומדיניות המוצעות.כאשר קהילות מתווכחות אם להשקיע בקו תחבורה חדש, להרחיב את יכולת הכביש המהיר, או ליישם תמחור גודש, מודלים מספקים תחזיות מבוססות ראיות המודיעות על דיונים אלה ולעזור לבנות קונצנזוס סביב סדרי תחבורה.

שיטות עיקריות של דרישות תחבורה

מתכנני תחבורה מעסיקים מספר גישות מתודולוגיות שונות לביקוש מודל, כל אחד עם מאפיינים ייחודיים, יתרונות ויישומים מתאימים.הבנת שיטות שונות אלה חיוני לבחירת הכלי הנכון עבור הקשרים תכנון ספציפיים ולהבטיח כי ניתוחים מייצרים תוצאות אמינות, פעולה.

מודלים מבוססי נסיעות: הגישה המסורתית

מודלים מבוססי נסיעות, הידועים גם כארבעה שלבים מודלים, מייצגים את הגישה המובנת ביותר בשימוש נרחב לתחבורה הביקוש.פיתוח בשנות החמישים וה-60, מתודולוגיה זו כבר מעודנת במשך עשרות שנים, ונשארה הבסיס לרוב מאמצי תכנון התחבורה האזוריים בצפון אמריקה ובחלקים רבים אחרים בעולם.

הגישה מבוססת הטיול מחלק את תהליך הדוגמנות לארבעה שלבים: דור טיול, הפצה, מצב בחירה ומשימות טיול. בשלב דור הנסיעה, המודל מעריך את המספר הכולל של הנסיעות המיוצרות על ידי ו נמשך לאזורים שונים בתוך אזור המחקר, בדרך כלל על בסיס מאפייני השימוש הקרקע כגון אוכלוסייה, תעסוקה, ודמוגרפיות בית.

מודלים מבוססי נסיעות מצטיינים בניתוח מערכות תחבורה אזוריות והערכה של פרויקטים תשתיתיים גדולים.הם יעילים חישוביים, מתוחזקים היטב, ונתמכת על ידי פלטפורמות תוכנה מבוססות שסוכנויות תכנון רבות כבר משתמשות.עם זאת, מודלים אלה יש מגבלות. הם בדרך כלל מייצגים נסיעות דיסקרטיות בין מקורות ליעדים, מבלי לתפוס את השרשראות המורכבות של פעילויות שאפיינות התנהגות נסיעות בעולם האמיתי.

מודלים המבוססים על פעילות: סימול התנהגות אישית

מודלים מבוססי פעילות מייצגים גישה עדכנית ומתוחכמת יותר לתחבורה הביקוש.במקום להתמקד בנסיעות בודדות, מודלים אלה מדמיינים את דפוסי הפעילות היומיומיים של נוסעים בודדים או משקי בית, תוך הכרה כי הנסיעה נגזרת מן הצורך להשתתף בפעילויות במקומות שונים לאורך היום.

הנחת היסוד של מודלים מבוססי פעילות היא שאנשים לא נוסעים למען עצמם, אלא לעסוק בפעילויות כגון עבודה, קניות, השתתפות בבית הספר, או סוציאליזציה. על ידי מודל ההחלטות שאנשים עושים לגבי אילו פעילויות להמשיך, מתי לקבוע אותם, איפה לנהל אותם, וכיצד לנסוע ביניהם, מודלים המבוססים על פעילות יכול ללכוד את המורכבות של תלות בפועל התנהגות אמיתית של נסיעות, לדוגמה, כיצד יכול לייצג את האפשרויות של ילדים או שיטות עבודה של תדירות של תדירות של תוכניות עבודה.

מודלים המבוססים על פעילות בדרך כלל משתמשים בטכניקות מיקרו-ימייט, ויוצרים אוכלוסיות סינתטיות של מטיילים בודדים עם מאפיינים דמוגרפיים וחברתיים מפורטים.המודל מדמה את תהליך קבלת ההחלטות לכל אדם, תוך שימוש באלגוריתמים התנהגותיים המבוססים על נתונים אמפיריים על האופן שבו אנשים עם מאפיינים שונים בוחרים אפשרויות נסיעות. גישה זו מייצרת תפוקות עשירות מפורטות, שיכולות לחשוף תובנות על התנהגות נסיעות שמודלים מבוססי נסיעות עשויים להחמיץ.

היתרונות של מודלים מבוססי פעילות כוללים את יכולתם לייצג תגובות התנהגות מורכבות למדיניות ואת היכולת שלהם לנתח את ההשפעות הון על ידי בחינת תוצאות עבור מגזרי אוכלוסייה ספציפיים. הם יכולים להעריך טוב יותר מגמות מתפתחות כגון שיתוף אופניים, לוח זמנים גמישים עבודה, ואת שילוב של שימוש בקרקע ומדיניות תחבורה. עם זאת, מודלים המבוססים על פעילות דורשים נתונים, משאבים חישוביים, מומחיות טכנית יותר מאשר גישות מבוסס טיול.

מודלים של דחיסות: הבנת אינטראקציה מינית

מודלים של Gravity ליישם עקרונות אנלוגיים לחוק הכבידה של ניוטון כדי לחזות את זרימת הנסיעות בין מיקומים.הרעיון הבסיסי הוא פשוט אלגנטי: האינטראקציה בין שני אזורים היא פרופורציה ישירות לגודלם (מחושת על ידי גורמים כגון אוכלוסייה או תעסוקה) ולעומת הפוך לזמן המרחק או הנסיעה ביניהם. אזורי גדול יותר לייצר נסיעות, בעוד שהפרדה גדולה יותר מפחיתה אינטראקציה.

(ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מודלים של Gravity שימושיים במיוחד עבור ניתוח חלוקת הנסיעות בתוך המסגרת הארבעה שלבים מודל, אבל הם משמשים גם ככלי עמידה עבור הערכות מהירות ומחקרי תכנון ראשוניים.הם מספקים תוצאות אינטואיטיביות התואמים עם ציפיות משותפות של סנסציה על התנהגות נסיעות: אנשים בדרך כלל מעדיפים לנסוע מרחקים קצרים יותר, ומרכזי פעילות גדולים מושכים יותר נסיעות. Planners לעתים קרובות להשתמש במודלים של כוח הכבידה כדי להעריך את האזור להתפתחויות קמעונאיות חדשות, לחזות שירותים עבור שירותים שונים, או שירותים לטרנסרים, או להציע.

בעוד מודלים של כוח הכבידה מציעים פשטות חישובית וקלות של פרשנות, הם מניחים הנחות חזקות על התנהגות נסיעות אשר לא להחזיק בכל ההקשרים.הם מניחים כי הפרדה מרחבית היא הגורם העיקרי של דפוסי נסיעות, עלולים להתעלם גורמים חשובים אחרים כגון מאפיינים סוציו-אקונומיים, העדפות אישיות, או איכות השירותים התחבורה.עם זאת, מודלים של כבידה נשארים כלים חשובים ערכת הכלים של תוכנית התחבורה, במיוחד מצבים שבהם מגבלות נתונים או זמן מוגבל יותר לשיטות מורכבות.

מודלים מתפתחים ושיטות היברידיות

כמו מערכות תחבורה להיות מורכב יותר מקורות נתונים מגוונים יותר, חוקרים ומתרגלים ממשיכים לפתח גישות מודלים חדשים ושיטות היברידיות המשלבות אלמנטים של טכניקות מסורתיות עם מסגרות אנליטיות חדשניות.מודלים המבוססים על הסוכן סימולציה של מטיילים בודדים כסוכנים אוטונומיים עם מאפיינים ייחודיים וחוקי החלטות, המאפשרים את הופעתם של דפוסים ברמת המערכת מאינטראקציות אינדיבידואליות.מודלים אלה מצטיינים לייצג אוכלוסיות heterogenous ויכולים ללכוד תופעות כגון השפעה חברתית, למידה, הסתגלות, הסתגלות, והתאמה לאורך זמן.

טכניקות למידת מכונות ואינטליגנציה מלאכותית משולבות יותר ויותר בביקוש לתחבורה.רשתות נילי יכולות לזהות דפוסים מורכבים בנתונים של נסיעות ששיטות סטטיסטיות מסורתיות עלולות להחמיץ, בעוד אלגוריתמים של למידה חיזוק יכולים לעצב את התנהגותם בתגובה לשינויים בנתונים גדולים ממקורות כגון טלפונים ניידים, מכשירי GPS, כרטיסי חכם תחבורה מספקים תובנות חסרות תקדים בהתנהגות נסיעות בפועל, ומאפשרים פיתוח מודלים מונעים נתונים שמשלים או לשפר גישות מסורתיות.

מסגרות מודלים היברידיים מנסה לשלב את נקודות החוזק של גישות שונות תוך הקטנת החולשות האישיות שלהם.לדוגמה, כמה סוכנויות להשתמש במודלים מבוססי טיול לניתוח אזורי תוך שימוש במודלים המבוססים על פעילות למחקרים מסדרונות מפורטים או הערכות מדיניות. אחרים משלבים מודלים לשימוש קרקעיים עם מודלים תחבורה כדי ללכוד את ההשפעות משוב בין דפוסי פיתוח והתנהגות נסיעות. אלה משולבים הקרקע לזהות מודלים של תשתיות תחבורה שבו אנשים לבחור לעבוד, אשר משפיע על הביקוש פועל, אשר פועל.

⁇ מפורטת מעורב בביקוש אסטיגמציה

הביקוש לתחבורה מסתמך על סדרה של חישובים מתמטיים והליכים אנליטיים שהופכים נתונים גולמיים על שימוש בקרקע, דמוגרפים ומערכות תחבורה לתחזיות על התנהגות הנסיעות.

דור טיול: אסטיגיזציה של ייצור נסיעות ואטרקציות

דור הנסיעות יוצר את הבסיס של ניתוח הביקוש לתחבורה על ידי הערכת מספר הנסיעות הכולל שמקורן ו מיועד לאזורים שונים בתחום המחקר. תהליך זה בדרך כלל מבחין בין ייצור טיול (התחילות מאזור, בדרך כלל נסיעות המבוססות על בית) ואטרקציה לטיול (ps מיועד לאזור, כגון עבודה או נסיעות קניות).

(ב) [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]

עבור אזורים שאינם למגורים, מודלים משיכה טיול בדרך כלל מתייחסים ליעדי טיול לתעסוקה על ידי מגזר, ריבוע קמעונאי, רישום בית הספר או אמצעים אחרים של אינטנסיביות פעילות. שיטות הקצאה של קרוס מספקים גישה חלופית, לקטב משקי בית או אתרי תעסוקה לקבוצות עם מאפיינים דומים וקביעת שיעורי נסיעה ממוצעים לכל קטגוריה. לדוגמה, בית עם שני מבוגרים, הכנסה אחת, כלי רכב, הכנסה גבוהה עשוי להיות מוקצה שיעור שונה מאשר רכב נמוך ללא טיפול.

חישובי דור הנסיעות חייבים לקחת בחשבון למטרות טיול שונות, כמו דפוסי נסיעות להשתנות באופן משמעותי בין נסיעות נסיעות, נסיעות קניות, נסיעות חברתיות / בילוי, וקטגוריות אחרות.מודלים בדרך כלל להעריך את שיעורי הדור בנפרד עבור כל מטרה וזמן (כגון שיא בוקר, שיא הערב, ו off-peak), הכרה כי הגורמים המשפיעים על נסיעות שונים על פני הממדים האלה.

התפלגות נסיעות: חיבור מקורות ומטרות

לאחר שדור הטיולים אומדנים מבוססים, חלוקת הנסיעות קובעת כיצד הנסיעות מוקצות בין אזורי מוצא ויעדים, ויוצרות את הפיגור (O-D) המרכיבות את הבסיס לתהליכי דוגמנות הבאים.מודל הכבידה, שנדון קודם לכן, מייצג את השיטה הנפוצה ביותר להפצת נסיעות, אך קיימות מספר וריאציות וגישות חלופיות.

(ב) [17] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

הפונקציה של ⁇ (cigtureFLT:0ijigtureFLT:1) ממלא תפקיד מכריע בחלוקת הנסיעות, המייצג את האופן שבו ההתנגדות נסיעות משפיעות על הסבירות של נסיעות בין אזורים. Common Forms כוללות פונקציות אקספונציאליות (f(c)= eFLT:2-β-βcFLT 3LT) פונקציות כוח (p(c)=F=β-β-β-F) = β-F:5 פונקציות מהירות, כלומר, כלומר, כלומר, פרמטרים, פרמטרים, פרמטרים, β-β-β-β-β-β-β-β-F).

שיטות הפצה חלופיות כוללות את מודל ההזדמנויות המאחדות, אשר מניח כי ההסתברות של סיום טיול ליעד מסוים תלויה במספר ההזדמנויות קרוב יותר למקור, ואת מודלי בחירת היעד המבוססים על תיאוריית בחירה דיסקרטית.מודלים המבוססים על הלוגו מתייחסים להתפלגות הטיול כהחלטה ממקסימה תועלת, שבו מטיילים בוחרים יעדים המציעים את היתרון הנקי הגבוה ביותר בהתחשב בגורמים כגון זמן נסיעה, משיכה, העדפות אישיות.

המונחים:חיזוי מצב התחבורה

בחירת מצב צופה כיצד הנסיעות יחולקו בין מצבי תחבורה זמינים כגון נהיגה לבד, carpooling, תחבורה ציבורית, הליכה ורכיבה.צעד זה קריטי להערכת מדיניות והשקעות שמטרתן להעביר נסיעות לכיוון מצבים בר קיימא יותר ולחיזוי הביקוש לרכיבים שונים של מערכת התחבורה.

מודלים בחירה דיסטרופיים, במיוחד מודלים של ביוטציה רב-שנתית (MNL) הפכו לגישה סטנדרטית לניתוח בחירה מצב.מודלים אלה מופצים בתיאוריה של תועלת אקראית, אשר מניח כי מטיילים בוחרים את המצב הממקסים את התועלת או שביעות הרצון שלהם.התועלת של כל מצב מיוצגת כתפקוד של תכונותיו (כגון זמן נסיעה, עלות ונוחות) ומאפיינים נוסעים (כגון הכנסה כגון הכנסה, בעלות, רכב, גיל).

(ב) [17] , [17] , [17] , [17] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) הסתברות כי אדם אני בוחר מוד m ניתנת על ידי הנוסחה הליטקטית: ⁇ FLT:0imentiph 1: = ecioFLT:2VirFLT 3:imigtureFLT:4:5 / ⁇ FLT 6nFLT 7eFLT:8 ;2VFLT 9inLT 9inLT 10reas:5 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מודלים מתוחכמים יותר של בחירת מודלים להתמודד עם מגבלות של מסגרת MNL הבסיסית. . . , קבוצה מודלים דומים יחד, המאפשרת להתאמה בגורמים שאינם נשמרים בין חלופות קשורות.לדוגמה, מבנה מקונן עשוי לחלק את כל מצבי המעבר יחד, הכרה כי אוטובוס ורכבת חולקים מאפיינים משותפים שמבחינים אותם ממצבי רכב.

הערך של חיסכון בזמן הנסיעה (VTTS) מייצג פלט מפתח ממודלים של בחירה מוד, מחושב כיחס של זמן coefficient לחסכונית.צעד זה מצביע על כמה נוסעים מוכנים לשלם כדי להפחית את זמן הנסיעה ומספק קלט חיוני לניתוח יעיל של פרויקטים תחבורה. VTTS בדרך כלל משתנה על ידי מטרה, רמת הכנסה, ומצב, עם נסיעות עסקיות מוערך בדרך כלל גבוה יותר מאשר נסיעות אישיות.

המונחים: Loading Trips on Networks

הקצאת כביש, הנקראת גם הקצאת תנועה או טעינה ברשת, קובעת אילו מסלולים ספציפיים נוסעים ישתמשו כדי להשלים את הנסיעות שלהם, לייצר הערכות של נפח התנועה על מגזרי כביש בודדים או קווי מעבר.צעד זה הופך את מסע המקור-destination משלבים מוקדמים יותר לתוך תחזיות מפורטות של ביצועי רשת, כולל כרכים קישור, מהירויות, זמני נסיעה.

שיטת המשימה הפשוטה ביותר, כל משימה, מניחה שכל המטיילים בין זוג המקור-התקדש משתמשים בדרך הקצרה ביותר, ללא התחשבות באפקטים של גודשציה.בעוד יעיל חישובית, גישה זו מייצרת תוצאות לא מציאותיות משום שהיא מתעלמת מהעובדה שכאשר מסלולים הופכים לדחוסים, חלק מהמטיילים יבחרו נתיבים חלופיים.

הקצאת איזון המשתמש, המבוססת על העיקרון הראשון של וורדרופ, מספקת ייצוג מציאותי יותר של התנהגות של בחירת נתיב.גישה זו מניחה כי מטיילים בוחרים מסלולים למזער את זמני הנסיעות האישיים שלהם, ושעת האיזון מגיעה כאשר שום נוסע לא יכול להפחית את זמן הנסיעה שלהם באופן חד-צדדי מסלולים.

איזון המשתמש של מחשוב דורש אלגוריתמים הרציונליים אשר אחראים על הקשר בין נפח התנועה וזמן הנסיעה.הגישה הנפוצה ביותר, אלגוריתם פרנק-וולפ, חלופיים בין מציאת נתיבים קצרים ביותר המבוססים על זמני נסיעות קישורים נוכחיים ועדכוני קישורים על ידי טעינה של חלק מהטיולים על מסלולים קצרים אלה.זמני נסיעה קישורים הם לאחר מכן חישוב מחדש באמצעות פונקציות עיכוב נפח (VDF) המייצגות כיצד גודשונים משפיעים על מהירות.

(ב) [17] (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

הקצאת תנועה דינמי (DTA) מרחיבה את המשימה סטטית על ידי מודל מפורש של איך התנועה מתפתחת לאורך זמן. במקום להניח תנאים יציבים של מדינת-מדינה, DTA עוקב אחר התנועה של כלי רכב בודדים או חבילות של כלי רכב דרך הרשת במרווחי זמן בסדר, לכידת תופעות כגון תור ופירוק, זמן-המשך הביקוש, ואת ההתפשטות של מודלים של גודשציה הם בעלי ערך במיוחד עבור פסגות, ניתוח אסטרטגיות מידע, ואפקטים של מערכות ניהול זמן אמת.

הקצאת המעבר כוללת מורכבות נוספת מעבר למשימות כביש, כולל ייצוג של מסלולים קבועים ולוח זמנים, העברת עונשים, זמני המתנה, ומגבלות יכולת הרכב. בעיות קו משותף מתעוררות כאשר נתיבי תחבורה מרובים משרתים את אותו מסדרון, המחייב אלגוריתמים המקצים נוסעים בין חלופות אטרקטיביות.זמני הקצאה מבוססת תדירות מתייחסת לשירותים גבוהים כזרימה רציפה, בעוד משימות המבוססות על לוח זמנים מייצגים במפורש כלי רכב בודדים, והוא מתאים יותר עבור שירותים עם נתיבים ארוכים יותר.

איסוף נתונים ומודל Calibration

מודלים של הביקוש לתחבורה תלויים ביסודו בנתונים באיכות גבוהה על התנהגות נסיעות, תכונות לשימוש בקרקע וביצועי מערכת תחבורה. מאמצי איסוף נתונים משלבים בדרך כלל מקורות ושיטות מרובים כדי ללכוד את המידע המגוון הדרוש לפיתוח מודלים ו calibration.

סקרי נסיעות משק הבית מייצגים את המקור העיקרי של נתונים התנהגותיים עבור מודלים.סקרים אלה אוספים מידע מפורט על כל הנסיעות שנעשו על ידי חברים בבית בתקופה המיועדת (בדרך כלל אחד או יומיים), כולל מקורות נסיעה ויעדים, זמני הגעה, מטרות טיול, מצבי נסיעה, וזמני נסיעה. סקרים גם לאסוף נתונים דמוגרפיים וחברתיים על משקי בית ואנשים, כגון גיל, הכנסה, תעסוקה, בעלות, ומיקום מגורים, ובקרת ביצועים מתקדמים יותר ויותר.

ספירת התעבורה מספקת נתונים חיוניים עבור דגמי הקצאה ואימות.תחנות ספירה קבועה לפקח באופן רציף על נפח התנועה בכבישים מרכזיים, בעוד ספירת קיצור של ספירת הסימון במקומות רבים מספקים כיסוי מרחבי רחב יותר.מערכות סיווג רכב אוטומטי להבחין בין סוגי רכב, ומחקרי מקור-destination באמצעות התאמת צלחת רישוי, חיישני Bluetooth, או נתוני טלפון נייד לחשוף דפוסי נסיעה ברשת.

מודלים של מודלים להתאים את הפרמטרים מודל כדי לשחזר דפוסים נסיעות נצפות באופן הדוק ככל האפשר.תהליך זה כרוך השוואת פלטי מודל כדי לצפות נתונים ולשנות באופן שיטתי פרמטרים כדי למזער פערים. דגמי הדור של Trip מכווצים כדי להתאים את שיעורי הנסיעה על ידי סוג בית ושטח.מודלים הפצה הם מותאמים כדי לשחזר את התפלגות אורך הנסיעה נצפה, שבו זמין, מודלים של מקור-destination מ סקרים או מקורות אחרים הם מנפחים של אפשרויות בחירה בפועל.

מודלים של התפטרות הם calibrated כדי להתאים את ספירות התנועה הנצפה, עם אמצעים טובים של טוב-of-fit כגון שורש שגיאה מרובע (RMSE) ואחוז שורש פירושו טעות מרובע (%SE) לכמת את ההסכם בין כרכים מודליים ונצפים.ניתוח סקרני השוואת סך הכל מודלים ונצפים מעבר קווים דמיוניים דרך אזור המחקר, מתן בדיקה על החלוקה הכוללת של נסיעות אימות באמצעות קבוצות נתונים עצמאיות אשר שימשו לאקציה נוספת.

יישומים נרחבים בתכנון עירוני

מודלים של ביקוש תחבורה משמשים ככלי חיוני על פני ספקטרום רחב של יישומים תכנון עירוני, מהערכה של פרויקטים תשתיתיים ספציפיים לעצב אסטרטגיות פיתוח אזורי מקיף.הבנת יישומים אלה מסייעת להמחיש את הערך המעשי של הביקוש מודלים ואת הדרכים שבהן ניתוח טכני מודיע קבלת החלטות בעולם האמיתי.

פרויקט תשתיות ועדיפות

אחת האפליקציות הנפוצות ביותר של הביקוש לתחבורה היא הערכה לפרויקטים של תשתיות המוצעות, כגון כבישים מהירים חדשים, קווי תחבורה, מתקני אופניים או שיפורים בצומת.מודלים לחזות כיצד פרויקטים אלה ישפיעו על דפוסי נסיעות, כולל שינויים בנפחי תנועה, פריחת תחבורה, מניות מצב וזמני נסיעה. תחזיות אלה מהוות את הבסיס לניתוח הטבות, המשווה את הערך הכלכלי של חיסכון בזמן הנסיעה, שיפורים, והטבות אחרות נגד עלויות.

עבור פרויקטים מהירים, מודלים ביקוש להעריך נפח תנועה על מתקנים המוצעים שינויים בנפחים על מסלולים מקבילים. מידע זה עוזר מהנדסים לתכנן סוגים מתאימים של מתקנים ויכולות, לזהות צווארי בקבוק פוטנציאליים, להעריך אם פרויקטים ישיגו את מטרות ההקלה המיועד שלהם.מודלים יכולים גם לחשוף תוצאות לא מכוונות, כגון דרישה המושרה כי באופן חלקי משיפורים יכולת או הסחות תנועה שיוצרות בעיות ברחובות המקומיים.

הערכת פרויקט המעבר מסתמכת רבות על מודלים ביקוש לחיזוי הפליחות, המשפיעים ישירות הן על היתרונות והן עלות התפעול של שירותים המוצעים.מודלים יכולים להשוות היערכות חלופית, מיקומים בתחנה, תדרי שירות, ומבנים מרוחקים כדי לזהות עיצובים הממקסימים את ההפטרות ואת יעילות העלות.עבור השקעות גדולות כגון רכבת קלה או מערכות תחבורה מהירות אוטובוסים, הביקוש ממלא תפקיד מכריע באבטחת מימון פדרלי, כמו סוכנויות חייב להוכיח את העלויות כדי למשוך.

כאשר פרויקטים מרובים מתחרים על מימון מוגבל, מודלים ביקוש מסייעים לפייס השקעות על ידי מתן ניתוחים עקביים ושווים של ההשפעות הצפויות שלהם. מטרופולין תכנון ארגונים (MPOs) להשתמש במודלים כדי להעריך עשרות או מאות פרויקטים פוטנציאליים כחלק מתהליכי תכנון תחבורה לטווח ארוך, דירוג אותם על בסיס קריטריונים כגון הפחתה של עומס, שיפור נגישות, הטבות סביבתיות, שיקולים שיטתיים אלה עוזר להבטיח כי משאבים ציבוריים הם בכיוון הנכון לספק את היתרון הכולל.

ניתוח מדיניות ותכנית Scenario

מודלים של ביקוש תחבורה מאפשרים מתכננים להעריך מגוון רחב של התערבויות מדיניות ולחקור תרחישים עתידיים חלופיים.מדיניות מחירים, כגון חיובים של עומסי חתונות, דמי חניה או שינויים במעבר, ניתן לנתח על ידי שינוי רכיבי העלות בבחירה במצב מודלים בחירה ומודלים בחירה של נתיב.מודלים לחזות כיצד נוסעים יגיבו לשינויים במחירים, כולל שינויים להתנהגויות חלופיות, מסלולים, ימים, או יעדים, כמו גם שינויים בסך הכל.

מדיניות השימוש בקרקע משפיעה באופן משמעותי על הביקוש לתחבורה על ידי השפעה על המקום שבו אנשים חיים, עובדים ועושים פעילויות אחרות.מודלים של שימוש בקרקע משולבת יכולים להעריך כיצד דפוסי פיתוח שונים - כגון פיתוח קומפקטי, מעורבב לעומת מפוזר, פיתוח לשימוש יחיד - קילומטרים של רכב עובר, מניות מצב, ודרישות תשתיות.זה מודיע על מאמצי תכנון מקיף, קביעת החלטות, ואסטרטגיות פיתוח מעבר שמטרתו ליצור יותר בר קיימא, קהילות נגישות.

תכנון Scenario משתמש במודלים של ביקוש כדי לחקור כיצד מערכות תחבורה יכולות להתפתח תחת הנחות שונות לגבי תנאים עתידיים. Scenarios עשוי להשתנות גורמים כגון שיעורי צמיחה באוכלוסייה, דפוסי פיתוח כלכלי, מחירי דלק, אימוץ טכנולוגיה (כגון כלי רכב חשמליים או אוטונומיים), או הנחיות מדיניות.על ידי השוואת תוצאות בתרחישים, מתכננים יכולים לזהות אסטרטגיות חזקות המבוצעות גם תחת מספר עתידים ולפתח תוכניות עקביות לטיפול באי-ודאות.

הערכת ההשפעה הסביבתית מייצגת יישום מדיניות חשוב נוסף של הביקוש מודלים מודלים.מודלים מעריכים את טווחי המשאיות של כלי רכב, מהירויות, והרכב צי, אשר ניזונים למודלים פליטה אשר מחשבים את פליטות האוויר ואת פליטות גזי החממה.ניתוחים אלה תומכים בתהליכי ביקורת סביבתיים הנדרשים לפרויקטים גדולים ומסייעים להעריך אסטרטגיות עבור עמידה בסטנדרטים האיכותיים של איכות האוויר ומטרות האקלים.מודלים יכולים להעריך את ההשפעות של התערבויות שונות, מפרויקטים של התערבויות לתמריצים ועד לתמריצים לרכבים ועד לתמריצים לרכבת תחבורה.

ניתוח ופיתוח הון

הביקוש לתחבורה תומך יותר ויותר בניתוח נגישות, אשר מודד כמה בקלות אנשים יכולים להגיע ליעדים חשובים כגון מקומות עבודה, בתי ספר, מתקני בריאות, קניות. בניגוד מדדי ניידות מסורתיים המתמקדים במהירויות נסיעה ובכרכים, מדדי נגישות לשקול הן את מערכת התחבורה ואת חלוקת המרחב של הזדמנויות. High נגישות גבוהה אומר שאנשים יכולים להגיע ליעדים רבים בתוך זמן נסיעה סביר, גם אם מהירות התנועה מתונה, בעוד נגישות נמוכה מצביעה על הזדמנויות רחוקות או קשה להגיע.

אמצעי נגישות שמקורם במודלים של ביקוש מסייעים בתכנוןנים להעריך כיצד מערכות תחבורה משרתות קהילות שונות לזהות אזורים עם גישה ירודה לשירותים חיוניים.ניתוחים אלה יכולים לחשוף פערים בגישות בקרב קבוצות דמוגרפיות, תמיכה בהערכות הון עצמיות שבחנו אם השקעות תחבורה ומדיניות מחלקים הטבות ונטלים באופן הוגן.לדוגמה, מודלים עשויים להראות כי קהילות בעלות הכנסה נמוכה יש גישה מוגבלת למרכזי תעסוקה, מה שמצביע על צורך בשיפור שירות תחבורה או שימוש בקרקע שמשפר את השינויים הקרובים יותר לתושבים.

ניתוח צדק סביבתי משתמש במודלים ביקוש כדי להעריך אם פרויקטים של תחבורה ומדיניות יש השפעות לא פרופורציונליות על מיעוטים ואוכלוסיות בעלות הכנסה נמוכה. תקנות פדרליות דורשות ניתוחים כאלה לפרויקטים שקיבלו מימון פדרלי, וסוכנויות מקומיות רבות אימצו דרישות דומות.מודלים עוזרים לזהות קהילות שעשויות לחוות עלייה בתאונות דרכים, זיהום אוויר או רעש מפרויקטים המוצעים, כמו גם אלה אשר ירוויחו מהשתתפות משופרת או צמצום של מידע זה, על שינויים בעיצוב ופחתת הקטנת אמצעי הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת התחזיות לשיטות.

תכנון חירום וניתוח אחריות

מודלים של ביקוש תחבורה תומכים בתכנון חירום על ידי הדמיה של תרחישים פינוי וזיהוי צווארי בקבוק פוטנציאליים ברשתות תחבורה חירום.מחקרי ההוריקן להשתמש במודלים כדי להעריך את זמני ההנקה - כמה זמן זה ייקח כדי לפנות אזורים מאוימים - תחת תרחישים שונים של סערה ואסטרטגיות פינוי.זה מנתח החלטות לגבי מתי להזמין פינוי, אשר מסלולים לתכנן כמו מסדרונות, והיכן למקם משאבי חירום.

ניתוח עמידות משתמש במודלים כדי להעריך כיצד מערכות תחבורה פועלות כאשר משיבושים על ידי אסונות טבע, תקלות תשתיות או אירועים אחרים.על ידי סימול תנאי רשת עם מתקנים מרכזיים מתוך השירות, מודלים חושפים פרצות ועזרה עדיפות השקעות ב Redundancy ו- Powerness. Post-disaster התאוששות מתמכת באופן דומה על מודלים כדי להעריך אסטרטגיות חלופיות לשיקום שירותי תחבורה ותמיכה התאוששות כלכלית.

מערכות תחבורה חכמות

בעוד מודלים מסורתיים של הביקוש להתמקד בתכנון לטווח ארוך, טכניקות דוגמנות יותר מותאמות לפעילות בזמן אמת ומערכות תחבורה חכמות (ITS) דינמי משימות הקצאת תנועה יכול לחזות תנאי תנועה לטווח קצר על בסיס תצפיות הנוכחיות, תמיכה יישומים כגון מערכות מידע נוסעים, אופטימיזציה של אותות התנועה וניהול אירועים.מודלים תפעוליים אלה בדרך כלל משתמשים ייצוגים פשוטים ואלגוריתמים מהירים יותר כדי לייצר תחזיות בתוך מגבלות זמן מתוחכמות של קבלת החלטות בזמן אמת.

מודלים הביקושים גם לעזור להעריך השקעות ITS כגון מערכות אותות תנועה אדפטיבית, רמפה, או ניהול נתיב דינמי.על ידי הדמיה של איך מערכות אלה משפיעות על זרימת התנועה ועל התנהגות הנסיעות, מודלים יכולים להעריך את היתרונות שלהם אסטרטגיות פריסה מדריך.כפי שטכנולוגיות רכב מחוברות ואוטונומיות עולות, מודלים ביקוש מועברים לנתח כיצד החידושים הללו עשויים להפוך מערכות תחבורה ומה הסתגלות מדיניות הם עשויים לדרוש.

ניתוח השפעה כלכלית והערכה לקרקע

שיפורים בתחבורה משפיעים על הכלכלות האזוריות על ידי צמצום עלויות ההובלה, שיפור נגישות לשווקים וללקוחות, והשפעה על החלטות המיקום לעסקים ולמשקי הבית.מודלים המשפיעים על עלויות הביקוש במודלים כדי להעריך כיצד פרויקטים תחבורה משפיעים על יעילות כלכלית, תעסוקה, ודפוסי פיתוח.זה ניתוחי פיתוח.זה עוזר להצדיק השקעות תשתית גדולות על ידי הוכחת היתרונות הכלכליים הרחבים שלהם מעבר לשיפורי תחבורה ישירים.

ערך הנכס משפיע על שיקול חשוב נוסף בתכנון התחבורה.מחקר מראה באופן עקבי כי שיפורים נגישות להגדיל את ערכי הנכס, בעוד השפעות שליליות כגון תנועה מוגברת או רעש יכול להפחית ערכים.מודלים הביקוש לספק את הנגישות ואת אמצעי החשיפה הדרושים כדי להעריך את השפעות ערך הנכס, להודיע החלטות על תכנון פרויקט, רכישת רכוש, ולכידת מנגנונים ערך המאפשרים לקהילות לגבות חלק מההשקעה הציבורית באמצעות הכנסות מס הכנסה מוגברת של נכסים.

אתגרים ומגבלות בביקוש תחבורה

למרות השימוש הנרחב שלהם והערך המוכח, מודלים של הביקוש לתחבורה עומדים בפני אתגרים ומגבלות משמעותיים כי מתכננים חייבים להבין ולענות.הכרה במגבלות אלה מסייעת להבטיח כי מודלים מוחלים כראוי וכי התוצאות שלהם מתפרשות בזהירות מתאימה.

דרישות נתונים ונושאים איכותיים

מודלים של ביקוש תחבורה דורשים נתונים נרחבים על התנהגות נסיעות, שימוש בקרקע, דמוגרפים, ותכונות מערכת תחבורה. איסוף נתונים אלה הוא יקר וזמן-consuming, וסוכנויות רבות נאבקות לשמור על מערכות נתונים מקיפים, עדכניים כי מודלים דורשים סקרי נסיעות משק בית, המספקים את הבסיס ההתנהגותי עבור רוב המודלים, במיוחד הם בעלי שיעור תגובה יקר בשנים האחרונות, העלאת חששות על דגימות ונתונים איכותיים ואיכותיים.

מגבלות נתונים הן חמורות במיוחד עבור מצבי נסיעה מתעוררים והתנהגויות. סקרים מסורתיים עשויים לא ללכוד כראוי נסיעות רכיבה על אופניים, שימוש לשיתוף אופניים, או שרשרת הנסיעות המורכבות הקשורים בדפוסי פעילות מודרניים.כפי אפשרויות תחבורה proLiferate ו-Travel התנהגות הופכת מגוונת יותר, מודלים חייבים להתפתח לייצג דפוסים חדשים אלה, אבל הנתונים הדרושים כדי להתאים ולאמת מודלים כאלה לעתים קרובות מפגרים מאחורי התפתחויות השוק.

חוסר ודאות וחיזוי

כל התחזיות אינן ברורות, ותחזיות הביקוש לתחבורה אינן יוצאות דופן.מודלים חייבים להניח הנחות לגבי אוכלוסייה עתידית, תעסוקה, הכנסה, מחירי דלק, טכנולוגיה, וגורמים רבים אחרים שקשה לחזות במדויק ב-20 ל-30 שנות תכנון טיפוסי של תכנון תחבורה. שגיאות קטנות בהנחות אלה יכולות להצטבר לאורך זמן, מה שמוביל לשגיאות חיזוי משמעותיות.

מחקרים על דיוק החיזוי חשפו הטיות שיטתיות במודלים של ביקוש תחבורה, במיוחד עבור פרויקטים גדולים של תחבורה.מחקרים מצאו כי תחזיות רכבת רוכבי רכבת לעתים קרובות overestimate בפועל, לפעמים באופן משמעותי, בעוד תחזיות התנועה הכבישיות מראות דפוסים פחות עקביים.ממצאים אלה הובילו שיחות לניתוח אי ודאות קפדני יותר, כולל השימוש של מרווחי ביטחון סביב תחזיות ורגישות כדי להבין כיצד שינויים עם הנחות מפתח.

אי הוודאות ההתנהגותית מייצגת אתגר נוסף.מודלים מבוססים על מערכות יחסים נצפות בין התנהגות הנסיעות לבין הקביעה שלה, אך מערכות יחסים אלה עשויות להשתנות לאורך זמן ככל שההעדפות מתפתחות, טכנולוגיות חדשות עולות, או מדיניות משנה את ההקשר לקבלת החלטות.לדוגמה, את הצמיחה המהירה של עבודה מרחוק במהלך ואחרי מגפת COVID-19 ייצגו שינוי התנהגותי שרוב המודלים לא חזו, תוך הדגשת הקושי של חיזוי האופן שבו אנשים יתאימו לנסיבות משתנות.

מורכבות מודל ושקיפות

כמו מודלים הפכו ליותר מתוחכם, הם גם הופכים מורכבים וקשה יותר להבין.מודלים מבוססי פעילות, במיוחד, כרוכים במודלים ופרמטרים רבים אשר אינטראקציה בדרכים מורכבות, מה שהופך אותו מאתגר עבור מתכננים ומקבלי החלטות להבין מדוע מודלים לייצר תוצאות ספציפיות.מורכבות זו יכולה להפחית שקיפות ולוודא שקשה להסביר מודלים לבעלי העניין ולציבור.

האופי "הקופסא השחורה" של מודלים מורכבים מעורר חששות לגבי אחריות ועל הפוטנציאל של מודלים להשפיע באופן בלתי חד-משמעי על החלטות ללא בדיקה נאותה.כאשר תוצאות המודל הן קשות להסביר או לאמת, קיים סיכון כי ניתוח טכני תחליף להחלטות מאשר להודיע על מדיניות. Balancing את הרצון למודלים מתוחכמים, התנהגותיים מציאותיים עם הצורך בשקיפות ופירושיות נשאר אתגר מתמשך בתחום.

דרישות והגדרות משאבים

טכניקות מתקדמות, במיוחד מודלים מבוססי פעילות ומשימות תנועה דינמיות, דורשות משאבים חישוביים משמעותיים ומומחיות טכנית. סוכנויות תכנון קטנות יותר עשויות להיות חסרות יכולת צוות, תשתיות מחשוב או תקציב לפתח ולתחזק מודלים מתוחכמים, פוטנציאל להגביל את יכולתם לבצע ניתוח קפדני של שאלות תכנון מורכבות.זה יוצר פערים ביכולות אנליטיות בין סוכנויות ועשוי לגרום פחות קבלת החלטות מושכלות בתחום השיפוט המוגבל.

פיתוח מודלים ותחזוקה דורשים גם השקעה מתמשכת. כמו מקורות נתונים, פלטפורמות תוכנה, ושיטות יעילות מתודולוגיות להתפתח, מודלים חייבים להיות מעודכנים כדי להישאר הנוכחי והאמין.עם זאת, קווי זמן ארוכים ועלויות גבוהות הקשורות לעדכונים במודלים גדולים אומר כי סוכנויות רבות פועלות מודלים המבוססים על נתונים ושיטות שעשויות להיות עשור או יותר ישנות, פוטנציאל להגביל את הדיוק והרלוונטיות שלהם.

דרישות עתידיות ב-Fretain Demand

תחום הביקוש לתחבורה ממשיך להתפתח במהירות, מונע על ידי התקדמות טכנולוגית, מקורות נתונים חדשים, מצבי תחבורה מתעוררים ושינוי סדרי עדיפויות תכנון.הבנת מגמות אלה מסייעת לתכנן יכולות עתידיות להתכונן לדור הבא של כלים מודלים ויישומים.

Big Data and Passive Data Collection

הפצת הטלפונים החכמים, כלי רכב מחוברים, והמכשירים הדיגיטליים האחרים מייצרים כמויות עצומות של נתונים על התנהגות של מיקום הטלפון הנייד, נתוני מיקום הטלפון הנייד, עקבות GPS, עסקאות כרטיסי טיסה חכמים במעבר, ורשומות נסיעות ממושכות מספקות תצפיות מפורטות ומתמשכות של דפוסי נסיעה בפועל בקנה מידה כי סקרים מסורתיים לא יכולים להתאים. "מקורות נתונים גדולים" אלה משולבים יותר ויותר לתוך הביקוש, תוספת או במקרים מסוימים החלפת שיטות איסוף נתונים קונבנציונליות.

איסוף נתונים עוברי מציע מספר יתרונות על סקרים מסורתיים, כולל גדלים מדגם גדול, ניטור רציף, והפחתה של נטל המשיב.עם זאת, מקורות נתונים אלה גם מציגים אתגרים הקשורים לפרטיות, ייצוגיות ואיכות נתונים.נתוני טלפון סלולרי, לדוגמה, עשויים לא ללכוד את כל מגזרי האוכלוסייה באותה מידה, ולקדם מטרות נסיעה מהנתונים מיקום בלבד יכול להיות קשה.

למידת מכונה ואינטליגנציה מלאכותית

טכניקות למידת מכונות מוחלות על היבטים שונים של הביקוש לתחבורה, החל מחיזוי התנהגות נסיעות כדי להעריך את תנאי התנועה כדי לחדד את הפרמטרים מודל.רשתות נילי יכולות לזהות יחסים מורכבים, לא ליניאריים בנתונים ששיטות סטטיסטיות מסורתיות עלולות להחמיץ, בעוד שיטות הרכב משלבות מודלים מרובים כדי לשפר את הדיוק. Reinforcement Learning מראה לדגימה כיצד מטיילים לומדים ולהתאים את התנהגותם לאורך זמן בתגובה למידע ומידע.

עם זאת, גישות למידת מכונה גם להעלות שאלות על הפרשיות ו סיבתיות.בעוד ששיטות אלה עשויות לייצר תחזיות מדויקות, הן פועלות לעתים קרובות כקופסאות שחורות המספקות תובנה מוגבלת למנגנונים התנהגותיים בסיסיים של בחירות נהיגה.עבור יישומים תכנון הדורשים הבנה מדוע אנשים נוסעים כפי שהם עושים וכיצד הם עשויים להגיב להתערבויות מדיניות, הכוח המתבקש של מודלים התנהגותיים המסורתי נשאר בעל ערך בעתיד בגישות היברידיות המשלבות את הכוח החיזוי של מודלים למידה.

מודלים של שירותי ניידות

הופעתה המהירה של שירותי ניידות חדשים - כולל רכיבה על אופניים, שיתוף אופניים, שיתוף קטנוע ומיקרוטרנסיט - היא הופכת תחבורה עירונית ומאתגרת מסגרות מודלים מסורתיים. שירותים אלה טשטשים את הגבולות בין תחבורה פרטית וציבורית, ליצור אפשרויות נסיעות חדשות המשלבות מצבים מרובים, ומאפשרות דפוסים נסיעות כי מודלים קונבנציונליים נאבקים לייצג.

מודלים אלה דורש גישות חדשות שיכולים ללכוד את המאפיינים הייחודיים שלהם, כגון האופי על פי דרישה של רכיבה על אופניים, הגמישות של ניידות משותפת, ואת שילוב של שירותים מרובים באמצעות פלטפורמות ניידות-as-a-שירות. החוקרים מפתחים מודלים בחירה מצב משופרים אשר מטפלים בשירותים אלה כמו חלופות נפרדות, כמו גם מודלים משולבים המייצגים כיצד מטיילים משלבים שירותים מרובים כדי להשלים שרשראות נסיעות מורכבות.

רכב אוטונומי ומקושר

האימוץ הנרחב של כלי רכב אוטונומיים (AV) מייצג את אחת הודאות המשמעותיות ביותר העומדות בפני תכנון תחבורה. AVs יכול לשנות באופן יסודי את התנהגות הנסיעות על ידי צמצום עלויות הנסיעה, המאפשרות קבוצות נוסעים חדשות (כגון ילדים או אנשים עם מוגבלויות) לנסוע באופן עצמאי, ולשנות את הכלכלה של בעלות רכב מול ניידות משותפת.שינויים אלה עלולים להיות השלכות עמוקות על נסיעות, גודש, שימוש בקרקע, תשתיות וצרכים.

מודלים של AVs דורש התייחסות לא בטוח עמוק על פיתוח טכנולוגיה, אימוץ שוק, מסגרות רגולטוריות, ותגובה התנהגותית. גישות מבוססות Scenario כי לחקור מגוון של עתידי AV אפשריים משמשים כדי לזהות אסטרטגיות תכנון חזקות והתערבות מדיניות פוטנציאלית. כמו AV טכנולוגיה בוגרת ונתוני פריסה בעולם האמיתי הופכת להיות זמין, מודלים יהיה מעודן כדי לייצג את ההשפעות האלה, אבל אי הוודאות משמעותית תמשיך להתקיים במשך שנים רבות כדי להגיע.

שינויי אקלים וקיימות

דאגה גוברת לגבי שינויי האקלים היא העלאת הדגשה על מודלים של פליטת גזי החממה של מערכות תחבורה והערכה של אסטרטגיות כדי להפחית אותם.זה דורש שילוב משופר בין מודלים ביקוש לבין מודלים פליטות, כמו גם ייצוג טוב יותר של גורמים המשפיעים על אימוץ טכנולוגיה, כגון תשתיות רכב חשמלי הטעינה ותוכניות תמריצים.

מודלים ממוקדים של קיימות גם מחשיבים השפעות סביבתיות וחברתיות רחבות יותר מעבר לפליטה, כולל צריכת אנרגיה, יעילות הקרקע, השפעות בריאות הציבור של תחבורה פעילה, ושוויון בגישה לאפשרויות הערכת בר קיימא. [+] רב-קריטריה לשקול את ההשפעות המגוונות הללו לצד ניידות מסורתית ומדדים כלכליים הופכים נפוצים יותר בתכנון תחבורה, הדורשים מודלים לייצר מערך עשיר יותר של ביצועים.

שיפור הריאליזם ההתנהגותי וההתאמה האישית

מודלים עתידיים עשויים לכלול ייצוגים מתוחכמים יותר של התנהגות אנושית, ציור על תובנות מכלכלה התנהגותית, פסיכולוגיה ומדע חברתי.זה כולל מודלים טובים יותר של היווצרות הרגל, השפעה חברתית, רציונליות כבולה, ותפקיד עמדות ותפיסת החלטות בהחלטות תיירותיות. מסגרות מודלים מבוסס הסוכן לספק פלטפורמה טבעית לייצג את המורכבות והאפקטים המצטברים שלהם על מערכות תחבורה.

התאמה אישית מייצגת גבול אחר, עם מודלים המותאמים באופן פוטנציאלי לייצג אנשים ספציפיים או מגזרי אוכלוסייה קטנים ולא קטגוריות דמוגרפיות רחבות.כפי שהנתונים על דפוסי נסיעות בודדים הופכים להיות זמינים יותר ויכולות חישוביות להגדיל, מודלים מאוד disaggregate יכולים לספק תחזיות מדויקות יותר ומאפשרים התערבות ממוקדת המיועדת לקבוצות נוסעים ספציפיות.עם זאת, זה גם מעלה שיקולים חשובים של פרטיות ואתית לגבי איסוף ושימוש בנתונים אישיים.

שיטות יעילות לתחבורה יעילה

יישום מוצלח של הביקוש לתחבורה דורש לא רק יכולת טכנית, אלא גם תשומת לב זהירה לתהליך, תקשורת, שילוב של מודלים למסגרות תכנון רחב יותר וקבלת החלטות. כמה שיטות טובות הופיעו מעשרות שנים של ניסיון בפיתוח ויישום מודלים.

(FLT:0) מורכבות מודל מטבולית לשאלה התכנון.I.veFLT:1 ; לא כל ניתוח דורש גישה מתואמת ביותר זמין מודלים פשוטים עשוי להיות מספיק עבור בדיקות ראשוניות או כאשר מגבלות נתונים מונעות ניתוח מפורט יותר.conversely, שאלות מדיניות מורכבות עשויות לדרוש יכולות מודלים מתקדמות.בחירת רמת המורכבות המתאימה כרוכה איזון הצורך דיוק ופרטים נגד זמן, תקציב, וזמינות נתונים.

(FLT:0) Invest באיכות נתונים ומודל אימות.Buildation.of.com: מודלים 1:1 הם רק טובים כמו הנתונים שעליהם הם מבוססים.אוסף נתונים ריגאוריים, בקרת איכות זהירה, ואימות יסודי נגד מקורות נתונים עצמאיים הם חיוניים לייצור תוצאות אמינות. העדכונים של מודל רגיל להבטיח כי מודלים משקפים תנאים נוכחיים ומערכות יחסים התנהגותיות.

(FLT:0) ניתוח רגישות והערכה אי הוודאות.ראה .H.R.1) בהתחשב בחוסר הוודאות הטבוע בחיזוי, יש לבחון מודלים כדי להבין כיצד התוצאות משתנות עם הנחות מפתח.S רגישות מזהה אשר קלטות יש את ההשפעה הגדולה ביותר על התוצאות, עוזר להתמקד בודאות הקריטית ביותר.הצגת תוצאות כטווחים ולא הערכות נקודות מאשר אינטראקציה אי ודאות בכנות ותומכת יותר קבלת החלטות חזקות יותר.

(FLT:0Engage בעלי העניין בתהליך הדוגמנות.Building: ⁇ F1) תכנון תחבורה משפיע על קהילות ואינטרסים מגוונים, ומודלים צריכים להתבצע באופן שקוף, כוללני, לעודד בעלי עניין בהגדרת תרחישים, לסקור הנחות, ופרש תוצאות מסייע להבטיח כי ניתוח כתובת שאלות רלוונטיות וכי הממצאים הם מובנות ומאמינות.

(FLT:0) לדגימה עם כלים אחרים בתכנון ושיקולים.FLT:1 מודלים מספקים ניתוח כמותי יקר, אבל הם צריכים להשלים במקום להחליף צורות אחרות של ידע ושיפוט. מידע קוונטי מ קלט קהילתי, ניסיון מקצועי, ובמקרה מחקרים של פרויקטים דומים במקומות אחרים כולם תורמים להחלטות תכנון קול.מודלים צריכים להודיע, אך לא להכתיב החלטות סופיות, תוך כדי לשקף שיקול מאוזן של ממצאים אנליטיים, ומגבלות קהילתיות, פרקטיות, ערכים פרקטיים, ומגבלות פרקטיות.

(FLT:0) קיבולת מוסדית ומומחיות.FIRLT:1 דורש צוות מיומן אשר מבין הן את ההיבטים הטכניים של פיתוח מודל יישום ואת ההקשר התכנון שבו מודלים משמשים. Investing באימון, פיתוח מקצועי, ועברת ידע עוזר לסוכנויות לשמור על יכולות דוגמנות לאורך זמן. שיתוף פעולה בין סוכנויות, השתתפות בארגונים מקצועיים, מעורבות עם אנשי מחקר אקדמי לעזור להישאר הנוכחי עם שיטות מתפתחות ושיטות הטובות ביותר.

מסקנה: תפקידה של הביקוש מודלינג ב-Shaping Urban Futures

הביקוש לתחבורה התפתח מאימון טכני מיוחד למרכיב חיוני בתכנון העירוני וקביעת מדיניות.כפי שערים מתמודדות עם אתגרים גוברים הקשורים לעומס, איכות אוויר, שינויי אקלים, הון ואיכות החיים, היכולת לנתח באופן קפדני מערכות תחבורה ולדמיין את ההשפעות של התערבויות הופכת להיות יותר ויותר יקר.מודלים מספקים את הבסיס האנליטי לקבלת החלטות מושכלות על השקעות גדולות, הערכת מדיניות, פיתוח תוכניות לטווח ארוך לפיתוח עירוני.

התחום ממשיך להתקדם במהירות, מונע על ידי מקורות נתונים חדשים, יכולות חישוביות וחדשנות מתודולוגית. Big Data ממכשירים ניידים וכלי רכב מחוברים, טכניקות למידת מכונה, מודלים התנהגותיים משופרים מרחיבים את מה שניתן בניתוח תחבורה. במקביל, שירותי ניידות מתעוררים, כלי רכב אוטונומיים, והצורך לטפל בשינויי האקלים הם יצירת אתגרים חדשים מודלים והזדמנויות.

למרות ה תחכום והערך שלהם, המודלים נשארים כלים שיש ליישם אותם בקפידה ומפורשים בקפידה.הם מפשטים את המציאות המורכבת, להסתמך על הנחות לא ברורות, ולא יכולים ללכוד את כל הגורמים המשפיעים על תוצאות ההובלה.שימוש יעיל במודלים דורש הבנה של היכולות והמגבלות שלהם, ביצוע ניתוח אימות קפדני ורגישות, ושילוב ניתוח כמותי עם צורות אחרות של ידע וספקי עניין.

עבור מתכננים עירוניים, אנשי תחבורה, וקובעי מדיניות, פיתוח אוריינות בביקוש לתחבורה מודלים - על פי מה מודלים יכולים ולא יכולים לעשות, כיצד לפרש את התוצאות שלהם, וכיצד לשלב אותם לתוך תהליכי תכנון - מייצג מכשול חיוני. כמו ערים להמשיך לגדול ולפתח, כמו טכנולוגיות תחבורה והתנהגויות נסיעות להמשיך להשתנות, היכולת לנתח קפדני תחבורה נשאר מרכזי כדי ליצור קהילות בר קיימא, שוויוניות, משגשגת, משגשגת, משגשגת, עירוניות, משגשגת.

(ה) ללמוד עוד על תכנון תחבורה ומודלינג, בקר ב-FLT:0 American Planning Association AssociationFelo:0 American Planning Association Association for Professional Resources andהכוונה.TheFLT:2, בקר ב-FLT:2, מספק תיעוד טכני נרחב על שיטות חיזוי נסיעות.עבור פרספקטיבה אקדמית על טכניקות ניהול מודלים מתפתחות, FLT:4 הנדסה מחקר Transportation BoardFLT5rea: