آذر ۲۶۱۳۹۲
 

سوال اساسی : نسبت ATMS و ATIS
در ATMS : مدیریت تقاطع ها
در ATIS مدیریت اطلاع رسانی کاربران ، خبرگان

معماری ارتباط بین ATMS و ATIS را می تواند برقرار کند
معماری سراسری و معماری منطقه ای داریم

در مبحث استاندارد سازی به چند نکته اشاره می کنیم
۱- در حوزه مفاهیم : در سطح ملی بایستی استاندارد سازی مفاهیم شود
۲- استاندارد سازی در حووزه سخت افزار ها
۳- استاندارد سازی نرم افزاری

استاندار های بازار یابی

استاندارد ها به صورت قوانین می توانند تبدیل شوند
سازمان استاندارد در حوزه های IT و ITS استاندارد های خوبی داریم
TC 204 در ISO به ITS اختصاص دارد – ولی در ایران نداریم
جا دارد که در حوزه های خدمات ITS این استاندارد ها را تکمیل کنیم
TC204 مرجع اساسی جمع بندی سیستم های ITS هست

روی اقلام مختلف ITS استاندارد های مختلفی را داریم
۱۳۷ مورد موسسه ایزو استاندارد های مختلف در حوزه ITS قرار داده است

تمرین : ( مهلت تا ۶ دی )
فرم های آپلود شده در LMS
پرسشنامه – مصاحبه برای نیازمندی ها
با آگاهی از کاربر
معماری اصل است
معماری به ما کمک می کند خطا به حداقل برسد ، ریسک پایین بیاد
الگوی های استاندارد از پیش تعیین شده پیش برویم
ارتباط برقرار کردن بین سیستم ها برسیم
در یکی از بحث های مهم استاندارد های تدوین معماری هست

برای تدوین استاندارد های معماری بر اساس استاندارد مناسب با توجه به جنبه های
موثر در معماری
کتاب هم به چاپ رسیده توسط موسسه توسعه معماری

تاکید مضاعف بر توسعه معماری : حوزه های مختلف را باید بتوانیم پوشش بدهیم
شروع کار از سطوح مطالعاتی است
تاکید بر فرایند بازگشت پذیر بودن
زیر ساخت های
در قالب Teamwork ها در بخش های صاحب نفوذ
پیدا کردن راه حل های مشترک

policy نویسی
Strategic plan on ITS

در کلیه بخش های ITS نیازمند اول Policy های مربوط به بخش را پیدا کنند و سپس
تعریف کار در حوزه انجام شود

برای پشتیبانی از Policy چه خدماتی باید ارائه شود
بر روی آن سرویس های کاربر را بتواند پوشش دهد

در حوزه آینده پژوهی باید بسیار کار شود
ITS effisient
Green ITS
Feature ITS

امتحان :
۱- خدمات ITS (زیر سیستم ها – )
۲- الگوریتم ( تخصیص ترافیک – شمارش مسیر ها – الگوریتم لاگرانژ – مطابقت دو طرفه ) در حد مباحث اسلاید ها

آذر ۱۹۱۳۹۲
 

خلاصه درس حمل و نقل هوشمند – دکتر قطعی – ۹۲/۰۹/۱۹

الگوریتم بهترین مسیر بین دو گره
تلاش های متفاوتی در این زمینه انجام شده
ولی زمان زیادی می برد
باید در زمان معقول بدست بیاید

بهترین مقدار w را پیدا می کنیم
میو = ۱٫۵ پیشنهاد شده
دوباره برای این مسیر Cp و Tp را محاسبه کردم
خط جدیدی بدست آمده
فضای w که کران پاین با رنگ آبی نمایش داده شده ایت
لاگرانژ برابر ۲ شده در ضریب لاگرانژین گذاشتیم
مقدار لاگرانژین بهینه همان ۲ بدست می آید
بنابر این با ۲ بار تکرار لاگرانژ مساوی دیگر الگوریتم را متوقف می کنیم

its-lagrange

[image lagrange ]

سوال : ایا لاگرانژین ربطی به LP هم دارد یا نه
یک تئوری :
فرض می کنیم یک تابع خطی داریم که می خواهیم شبیه سازی کنیم
یا این مساله جواب بهینه دارد یا ندارد
اگر جواب بهینه داشته باشد مثلا عدد ۱۰۰ یا ۲۰۰ باشد
این امکان هست که یک نقطه گوشه ای وجود دارد که جواب بهینه باشد

its-extremePoints-Optimization

[image extreme points and optimization]

در مسایل شبکه نقاط گوشه ای جایشان را می دهند به مسیر ها

بنابراین ما مسیر ها را مانند گوشه ها در نظر می گیریم
در شبکه ها هم جواب بهینه مانند نقاط گوشه ای پیدا می شود مانند LP

در مسایل ITS انتخاب هایی گسسته داریم
یا به صورت Integer
پس فضای شدنی و فضای جواب به صورت چند وجهی نیست بلکه مانند نقاط گسسته داخل فضا هست

در شکل خارجی ترین نقاط را به هم وصل می کنیم تا شکل چند وجهی محدب بست بیاید

این چند وجهی به ما کمک می کند که جواب بهینه تقریبی را بدست بیاوریم
پس یک ارتباط دو طرفه برقرار می شود

در تئوری می توان ثابت کرد x1 تا xn نقاط راسی ما باشند بقیه نقاط به صورت ترکیبی از نقاط قابل نوشتن هست

its-convex-hulls

Convex Hulls

در لاگرانژین مینیمم سازی cx

مساله لاگرانژ تبدیل به مساله لاگرانژ روی نقاط راسی تبدیل می شود

در این حالت یک کران بالا برای w ها پیدا می شود
بهترین مقدار w با این شرایط محاسبه می شود
مقدار بهینه *L پیدا می شود
مقدار بهینه لاندا ها پیدا می شود

ITS-constraint-Generation

البته مسایل لاگرانژین بخاطر کاربرد های متنوعی که در بهینه سازی دارد خیلی ها به دنبال راهکار هایی برای بهبود هستند که الگوریتم های لاگرانژین محکم و مستدل هستند

 

آذر ۱۲۱۳۹۲
 

مدل ریاضی انتخاب تکنولوژی

f هزینه نصب تکنولوژی هست

هر تصمیم گیری ITS در رفتار کاربران تاثیر می گذارد

 Ci,j هزینه ای است که کاربر K پرداخت می کند تا از مبدا i به مقصد j پرداخت می کند

Xi.j مسیر بین  i , j هست

برای پیدا کردن مسیر از لاگرانژ استفاده می کنم

قید ها به دو دسته تقسیم می شود ( آسان و سخت )

مثال  : متغیرصفر و یک برای الگوریتم های درختی (این متغیر برای این الگوریتم متغیر آسان است)

ولی اگر الگوریتم اگر حرکت باشد متغیر صفر و یک بدرد نمی خورد و در اینجا قید سخت محسوب می شود

در این مسایل هم قید های سخت را باید حذف کنیم

باید کرانی برای جواب پیدا کنیم

لاگرانژ به جای اینکه جواب دقیق پیدا کند یک جواب تقریبی برای مساله پیدا می کند

در اینجا فقط با یک قید سخت Complicated Constrained  کار می کنیم

Ci,j هزینه سفر از i به j هست

Xi,j صفر یا یک می گیریم

لاگرانژ کمک می کند تا قید سخت را در این مسایل حذف کنیم

آزاد سازی لاگرانژ

فرض کنیم که لاندا مقدار جریمه باشد
با اضافه کردن ضریب جریمه لاندا در تابع هدف  قید سخت را حذف می کنیم

تابع هدف که مینیمم سازی هزینه می خواست بکند
حالا با جریمه لاندا این قید های سخت را هم حذف می کنیم

حالا جریمه چقدر باشد تا جواب معقول بدست بیاوریم ؟

آیا مکانیزمی داریم که بعد از حذف قید های زاید جواب بهینه را پیدا کنیم ؟

بله لاندا را باید ثابت فرض کنیم

یک عدد ثابت را در یک تابع مینیمم سازی اضافه یا کم کنیم در جواب مساله تاثیر حاصل نمی شود

اول منفی لاندا تی را در نظر نمی گیریم

its--select-technology

چجوری میشه لاندا را کم و زیاد کرد
آیا مقادیر بهینه لاندا را پیدا کرد؟

برای پاسخ به این سوال تست عددی را محاسبه می کنیم

در ابتدا لاندا را صفر در نظر می گیریم ( بدون در نظر گرفتن ترافیک یا شلوغی مسیر)

C1,6 : که مسیر ۱ به ۲ به ۴ به ۶ کوتاه ترین مسیر هست که با ۳ مسیر به مقصد می رسیم

T1,6 : ولی زمان سفر ۱۰+۱+۷ می باشد

حالا جریمه لاندا را اضافه می کنیم که به ازای لاندا مساوی ۱ با توجه به مقادیر ثابت یالها هزینه رسیدن به مقصد را پیدا می کنیم

(Ci,j+(Lamba)(Ti,j

its--select-technology-landa1

همین کار را گسترش می دهیم با لاندا مساوی ۲ که می بینیم بهبودی مشاهده نمی شود

its--select-technology-landa2

همین کار را برای مقادیر دیگر لاندا هم انجام میدهیم

در این شکل به ازای مقادیر مختلف لاندا هزینه های مسیر مشاهده می شود

its--select-technology-Lambda-All

اگر می توانستیم به ازای تمام مقادیر جریمه های لاندا جواب بهینه را پیدا کنیم ، خیلی خوب بود
ولی نمی توانیم تمام مقادیر لاندا را پیدا کنیم
پس لاندا را باید به صورت رندوم یا به صورت غیر خطی پیدا کنیم

اگر متناسب با L لاندا که یک عدد ثابت حقیقی هست جوابی را پیدا کنیم P جواب مساله می شود

its--select-technology-formula
در مساله لاگرانژین درسته که هدف ما ماکزیمم سازی L میو هست
اگر یک جواب بهینه پیدا کردیم که مساوی L میو شد بهترین حالت رخ داده است
ولی اگر پیدا هم نشد به عنوان جواب تقریبی قبول می کنیم

به عنوان homework مساله را با T=13 پیدا کنید

its-homework

 

آذر ۰۹۱۳۹۲
 

 

Mobility Management Evaluation
مدیریت موبیلیتی
به دنبال ارزیابی مدیریت حمل و نقلی هستیم

برنامه ریزی حمل ونقل

ارزیابی روی Benchmark یا Pilot
انتخاب پایلوت باید دقیق باشد

چرا از ابزار های نرم افزاری برنامه ریزی حمل و نقل استفاده می کنیم

مدل های ریاضی قابل اطمینان برای تست کردن روش های مختلف رایج و سیستم های آینده بدست بیاوریم

کانادا و آمریکا یک زیر سیستم ITS خیلی قوی را ایجاد کرده

سسیتم نباید کاملا انتقال پیدا کنه و سیستم باید بومی سازی بشه

مدل ریاضی تخصیص ترافیک
مدل های شبیه سازی را در اندازه میکروسکوپی ، ماکروسکوپی ، ماکزوسکوپی طبقه بندی کرد

ماکزوسکوپی Aim sum , emm , Transcad ,
ماکروسکوپی نرم افزار های Visum ،Cube , Paramics

مقایسه نرم افزار های شبیه ساز :

its-Compare-Simulation-Software

 

فلوچارت ارزیابی

در سه فاز (Planning , Analysis , Classification )

its-Evaluation-Flow

آذر ۰۵۱۳۹۲
 

نسبت حمل و نقل عمومی با ITS
شناسایی فناوری ITS و ترسیم درخت فناوری
مدل ریاضی انتخاب تکنولوژی

HOT , HOV , PT
اگر بخواهیم در تهران مکان یابی ۵ دوربین را انجام بدهیم
چون تعداد مکان ها زیاد هست مساله را تحلیلی باید حل کرد

روش های غیر تحلیلی در انتخاب تکنولوژی : تطابق دو طرفه
- تغییر در هر کمان یا گره، تغییر رفتار های سفری کاربران
- تغییر رفتار های کاربران، تغییر در انتخاب تکنولوژی

مسایل در دیدگاه تطابق دو طرفه
- مساله ۱ : ( مساله شارژ یا ساخت کمان با قیود حاشیه ای
- مساله ۲ : مساله انتقال

روش های حل مساله ساخت کمان : شبیه سازی – بهینه سازی (Simulation – Optimization)
- نظام بخشیدن به داده های شبکه در قالب یک ابر مدل مانند درونیاب اسپلاین، رگرسیون یا شبکه عصبی
- به کار گیری یک تکنیک بهینه سازی کلاسیک یا ابر مکاشفه ای روی ابر مدل

در الگوریتم دمبرگ کوتاهترین مسیر را پیدا می کردیم
مشابه آن در این شمارش مسیر را انجام میدهیم

الگوریتم ابر ابتکاری هیبریدی با استفاده از تکنیکهای شمارش مسیر

 

 

آذر ۰۲۱۳۹۲
 

خلاصه مباحث تدریس یار حمل و نقل هوشمند – ۹۲/۰۹/۰۲

ATIS
سامانه اطلاعات مسافران

سناریوی ۱ : اطلاع رسانی در نزدیکترین قطعه ممکن به مکان وقوع
سانحه با درصد تطابق ۴۰

میزان تبعیت رانندگان

پس از آمارگیری و لحاظ کردن داده های واقعی می توان در مورد مسیر
های مختلف پیشنهادی و انتخاب مسیر بهتر نیز اظهار نظر کرد

نتایج بدست آمده از اثر تصادف بر روی شبکه
سناریو ۲ : اطلاع رسانی قبل از رمپ شیخ فضل ا… با در صد تطابق
۵۰ %

سناریو ۳ : اطلاع رسانی در ورودی رمپ چمران با درصد تطابق ۱۰

سناریو ۴ : اجرای همزمان سناریوی ۱ با درصد تطابق ۴۰ و سناریوی ۲
با درصد تطابق ۵۰

سناریو ۵ : ترکیب سناریو های ۱ و ۳ با درصد تطابق به ترتیب ۵۰ و ۱۰

سناریو ۶ : ترکیب سناریوهای ۲ و ۳ با درصد تطابق به ترتیب ۵۰ و ۱۰

سناریوی ۷ : ترکیب سناریوی ۱ و ۲ و ۳ با در صد تطابق به ترتیب ۴۰ و
۵۰ و ۱۰

 

آبان ۲۱۱۳۹۲
 

خلاصه مباحث درس حمل و نقل هوشمند – دکتر قطعی – ۹۲/۰۸/۲۱

Green Intelligent Transportation System

its-green
برای حمل و نقل بیشترین سرمایه گذاری در انرژی سبز را داشته باشند

سه ضلع :
۱- Next Generation Electric Vehicles
2- Enabling Electric Highwayes ( شبکه الکتریکی – شارژ در وسیله – ایستگاه های تعویض باتری )
۳- Intelligenr Vehicles and Highways (ارتباطات خودرویی – )

Mutli discipiliary Design Optimization : بهینه سازی طراحی چند تخصصی
علاوه بر وظایف خودرو برای جاده هم باید وظایفی تعریف شود.

در سیستم های مرتبط با پیل های خورشیدی امکان شارژ در وسیله نقلیه موجود هست

Car sharing :

مشکل :
در مدلهای ترافیکی شبیه ساز ترافیکی به راحتی نمی توان سیستم های کنترلی درون خودرویی را شبیه سازی کرد

در حوزه شبیه سازی نرم افزارهایی تولید کنیم که رفتار های مختلف درون خودرویی را هم شبیه سازی کند.

 

—————————–

پروژه بزرگراه همت
سوال تحقیق : تعداد سرنشینان خودرو
سه فرضیه مطرح شد ، که اگر یک خط ویژه به حمل و نقل عمومی اختصاص پیدا کند سهم آن به ازای تمایل مسافران به استفاده از حمل و نقل عمومی چند درصد است

its-hemmat-research

درصد کاهش co2
درصد کاهش نیترات ها
درصد کاهش فسفات ها

مشابه اینکه به یک آدم چاق برای حل مشکل چاقی ، پوشیدن لباس بزرگتر راه حل نیست
یعنی در شهر های پر ازدهام همواره ایجاد بزرگراه ها راه حل اصلی نیست

طراحی باید چند تخصصی باشد ( حوزه صنعت ،حوزه اجتماعی …)

مدیریت تقاضا
تعریف سیستمهای حمل و نقل عمومی محله محور ( با هدف سفر های درون منطقه ای )
ظراحی شبکه و تعریف استراتژیهای محله محور
سیستم های هدایت مسیر
سیستم های زمانبندی
سیستم های مدیریت پویای ناوگان

تعریف شبکه های حمل و نقل عمومی انبوه در CBD شهر ها و تعریف مکانیزم های عوارض گذاری ورود به طرح ترافیک

لایه دوم سفر های بین مناطق

نقش APTS : هماهنگی بین این سه بخش
۱- مسیر یابی ( طراحی سفر با استفاده از نرم افزار های مسیر یابی )
۲- زمانبندی ( کمک به زمان رسیدن سه لایه – تبادل سفر – سرویس های به محله های مشترک
۳- مدیریت پویای ناوگان : جابجایی اساسی روی سرویس ها نداریم بلکه با توجه ب هنیاز های هر خط ( پویش و پایش ) به صورت آنلاین ببینیم
در تفکر GITS همه چیز باید برنامه ریزی باشد
اگر در یک ساعت نیازی به سرویس دهی وجود ندارد

سیستم کنترل طرح  با جریمه  و بدون جریمه ( HOT – HOV)

Office of Transportation and Air Quality
مرکز در ایالات متحده هست که در این زمینه کار میکند

تمرین :

یک سیستم که به نظر شما در حمل و نقل هوشمند سبز قرار دارد معرفی و توجیه و تفسیر نمایید

 

آبان ۲۰۱۳۹۲
 

 

Dear ….

Thank you for registering for “TRANSYT 15 – Demonstration of Features & Enhancements”.

Please send your questions, comments and feedback to:traffic@trl.co.uk

How To Join The Webinar

Fri, Nov 15, 2013 1:30 PM – 2:15 PM GMT

Add to Calendar

1. Click the link to join the webinar at the specified time and date:

https://global.gotowebinar.com/join/9041814434045891073/744777553

Note: This link should not be shared with others; it is unique to you.

2. Choose one of the following audio options:

TO USE YOUR COMPUTER’S AUDIO:
When the webinar begins, you will be connected to audio using your computer’s microphone and speakers (VoIP). A headset is recommended.

–OR–

TO USE YOUR TELEPHONE:
If you prefer to use your phone, you must select “Use Telephone” after joining the webinar and call in using the numbers below.
United Kingdom
Toll: +۴۴ ۲۰ ۷۱۵۱ ۱۸۷۵
Access Code: 724-553-679
Audio PIN: Shown after joining the webinar

Webinar ID: 105-776-275

View System Requirements

To Cancel this Registration

If you can’t attend this webinar, you may cancel your registration at any time.

آبان ۱۸۱۳۹۲
 

خلاصه درس حمل و نقل هوشمند – خانم مهندس نیک سیرت ۹۲/۰۸/۱۸

سامانه AITIS ( مدل تحلیلی – مدل شبیه ساز )

VISUM
نرم افزاری شبیه سازی است
در سطح ملی یا منطقه ای امکان شبیه سازی دارد
برای تحلیل Multi Modal هست
همه مد های حمل و نقل را می توانیم با هم در نظر بگیریم

مدل شبیه سازی میکروسکوپی
عمل و عکس العمل Particle های مختلف را می سنجیم
با پیاده سازی عمل و عکس العمل حمل و نقل را شبیه سازی می کنیم
یکی از کاربرد های مهم شبیه ساز این است که مدل هزینه / فایده داشته باشد

مدل پویا بودن : در مدل های شبیه ساز می توانند مل پویا داشته باشند
شبیه ساز مدل تصادف دارد
پیشنهاد مسیر به صورت real time

یک سری از فعالیت های مدل شبیه سازی میکرو :
car-following
Lane-changing
Gap-acceptance
Lane-Choice
Models of intersection controls

————————–
VISSIM
نرم افزار شبیه ساز میکرو بر اساس رفتار Particle ها هست
هم برای ترافیک شهری و حمل و نقل عمومی استفاده می شود.
زمان سفر – سرعت -
نمودار های تحلیلی خوبی ارائه می دهد

مثال های دوبعدی و ۳ بعدی در VISSIM

its-AITS-system its-visum

 

آبان ۱۴۱۳۹۲
 

خلاصه درس حمل و نقل هوشمند – دکتر قطعی – ۹۲/۰۸/۱۴
its-920814Mutual Consistency

با استفاده از تقریب های ریاضی مشتق را ساده کرده
یک روشی را ارائه کرده مثل الگوریتم های مقدار بهینه ( گردایان نزولی Steepest Decent )این هم روند همگرایی به سمت نقطه بهینه دارند.

nonlinear programming
gradient approximation

Bilevel Programming – برنامه ریزی دوسطحی

its-920814-bilevelProgramming

در کنار این قید یک قیددیگر وجود دارد که یک مساله بهینه سازی جدید هست ( مینمم سازی f بین x و y)

مثلا x ها تعداد چراغ های راهنمایی هستند
و y ها متغیر های تخمین جریان هستند که توسط مساله دوم قابل پیگیری هست

شرایط KKT
یک مساله بهینه سازی می توانیم به صورت سیستم غیر خطی عنوان کنیم
یعنی برای پیدا کردن یک مساله بیهنه سازی یک دستگاه معادلات غیر خطی چند مجهوله حل کرد ، جوابهایی که صدق می کند یکی از آنها جواب بهینه باشد.
مقاله : یک روش تقریبی با استفاده از روشهای simplex
مقاله دیگر : برای حل مساله bilevel با استفاده از الگوریتم ژنتیک
مقاله دیگر : یک الگوریتم هوشمند ترکیبی

مساله bilevel programming روی سیستم غیر خطی کار می کنند

Simulation Optimization : برای بهینه سازی تابع خیلی وقت ها تابعی از مشتق استفاده نمی کنیم و بر اساس مقادیر خود تابع کار می کنیم.

گروه اول : تابع داشتیم ، نقطه پیدا می کردیم
گروه دوم : نقاط را داشتیم از روی آنها تابع پیدا می کردیم
گروه سومی گفتند اطلاعاتی را که از فرایند آماری پیدا کردیم این رابیاییم قالب تابع بدهیم

رگرسیون می تواند از روی مقادیر مختلف …

به این تابعی که بر اساس این روش بدست می آید متا مدل می گوییم

متا مدل : درباره یک فراند یکسری اطلاعات آماری جمع آوری کردیم فرایندی که تابع ساز باشد – ممکن است یک رگرسیون باشد یا شبکه عصبی باشد یا درون یاب باشد
الگوریتم های متا هیورستیک را روی متا مدل بکار بگیریم

چرا simulation Optimization ؟

فعالیت اول : ساخت سناریو های کنترلی
فعالیت دوم : قراردادن این فرابند کنترلی در نرم افزار های شبیه ساز
ستون دوم
فعالیت سوم :
مدلسازی مساله ATMS & ATIS

پارامتر های کنترلی را در مساله خودتان تغییر بدهید
ستون اول و دوم

جمع بندی نایی :
در ارتباط ATMS & ATIS سه تا تکنیک مطرح کردیم
نقاط قوت بر اساس چه دیدگاهی
نقاط ضعف برای چه شرایطی
فرصت برای چه سازمانی
محدودیت برای چه بخشی
تمرین : چه جنبه هایی از ATMS و ATIS برای شما مفید هست ؟

پیاده سازی نمی خواهیم ، فقط مدلسازی مفهومی می خواهیم
یک تحلیل SWOT تشکیل بدهید ( مثلا برای کنترل چراغ راهنما نقاط قوت برای هر یک از Entity ها چگونه است مثلا برای پلیس برای هم محله شما )

دو تا فایل درباره تحلیل SWOT قرار داده شده
از این دو تا مرجع استفاده کنید

تحویل : جلسه حضوری ۲۰ آذر

 

آبان ۱۱۱۳۹۲
 

خلاصه درس تدریس یار حمل و نقل هوشمند – خانم مهندس نیک سیرت ۹۲/۰۸/۱۱
برنامه ریزی برای ارائه پرزنت ها گروه ها اماده باشند
متغیر های ترافیکی
دسته بندی کلی :
تقسیم بندی مدل ها بر اساس کلیات
از دیدگاه اجرایی : تحلیی و شبیه سازی

بر اساس معادلات ریاضی می توانیم مشخص کنیم
یک سری معادلات داریم که سیستم ترافیکی را مدل سازی می کنند.

در مدل تحلیلی به داده های زیادی احتیاج داریم
که بدست آوردن اطلاعات و ساخت مدل هزینه بر هست

مدل های شبیه ساز برای سیستم های وابسته به زمان خیلی خوب است
سطح مدل های را به ۳ سطح تقسیم بندی می کنیم :

مدلهای ماکرو
مدلهای مزو
مدلهای میکرو

فاکتور های اصلی در شبیه سازی ترافیک :
۱- تحقیقات پیشرفته در تئوری ترافیک
۲- استفاده از سخت افزار پیشرفته
۳- استفاده از نرم افزار پیشرفته
۴- توسعه در اطلاعات
۵-افزایش ترافیک و حمل و نقل اجتماعی
سیستم شبیه سازی را نباید کاملا شبیه سیستم واقعی تصور کنیم
در شبیه سازی برخی از پارامتر ها را نمی توانیم لحاظ کنیم ، مثل رفتار راننده ها

شبیه سازی بسیار ارزان تر از مدل تحلیلی است

در شبیه سازی می توانیم محل VMS را تغییر دهیم و نتایج را ببینیم

به مدل شبکه اضافه می کنید
رو روی vms اطلاعات جایگزین را می دهید

OD : مقدار جریان از هر مبدا به هر مقصد وجود دارد

یکی ار شبیه ساز های ماکرو Tansyt هست

مسیر های شریانی شهری و کنترل چراغهای ترافیک

تمرین این هفته : تحقیق در نرم افزار Tansyt

بقیه نرم افزار های شبیه ساز را هم در جلسه آینده بررسی می کنیم

 

 

آبان ۰۷۱۳۹۲
 

Damberg 1996

مرحله ۱ : زمان سفر در هر یال ثابت (زمان سفر تک تک خیابان های ممکن در مسیر بدون ترافیک ) در نظر می گیریم (بهترین حالت زمان سفر آزاد – کاملا بدون ترافیک – را در هر خیابان در نظر می گیریم ) تمام مجموعه مسیر های بین مبدا و مقصد را پیدا می کنیم
مرحله ۲ : تابع لاجیت را برای بدست آوردن بار ترافیکی روی هر مسیر استفاده می کنیم
و از روی فرمول … میزان جریان ترافیکی که از روی یک یال (خیابان) عبور می کند را نسبت به جریان های ترافیکی مسیر ها می توانیم بدست بیاوریم

ترکیبی از الگوریتم دایکتسرا و جریمه کردن

مثلا سه بار الگوریتم دایکسترا با در نظر گرفتن پارامتر های جریمه ای
حذف کردن یال مناسب نیست

its-920807

در فاز پیاده سازی ۳ تا کوتاهترین مسیر را در نظر بگیرید

مسیر منتخب رو از مدار انتخاب خارج میکنیم

ابتدا با یک الگوریتم مسیرهای کوتاه را پیدا می کنیم-وقتی پیدا کردیم حالا مجموع مثلا ۳ مسیر کوتاه را پیدا می کنیم(برای مخرج لاجیت)

حذف یال خیلی مناسب نیست
ولی جریمه کردن ممکن است نتیجه خوبی بدهد

its-920807-2

الگوریتم k shoertest path

میران تفاضل جریان ثانویه را حساب می کنیم اگر بزرگتر از اپسیلون بود ادامه میدهیم
و اگر کمتر از اپسیلون بود متوقف می کنیم

cost ترکیبی از زمان و هزینه است

۲ تا flow داریم (جریان اولیه –  جریان ثانویه )

۱- TrueFlow (جریان ترافیکی بدون ترافیک )

۲- Estimated Flow by Logit  (یک بار داخل تابع logit می گذاریم)

 

یک بار بر اساس جریان یالی آزاد میزان جریان را حساب می کنیم
جریان اولیه و با توجه به جریان های قبلی هزینه ها را Update کردیم
با توجه انتخاب الگوریتم logit جریان بعدی باید نزدیک به هم بشوند

۲ هفته دیگه مهلت تمرین تمدید می شود
در جلسه حضوری ۴ شنبه کد ها را از نزدیک بررسی میکنیم

مطابقت دوطرفه برای مساله تنظیم

تخمین سفر path estimator

استفاده از الگوریتم ژنتیک :
- نحوه نمایش ژنتیکی جوابهای مساله
راهی برای ساختن جمعیت اولیه جواب ها
تابع ارزشیابی که میزان شایستگی جواب ها را نشان می دهد.
عملگر های ژنتیکی که ترکیب ژنی فرزندان را صورت داده و جمعیت جدید تولید نماید.
مقادیر پارامتر های ژنتیکی
گام ۱ : پارامتر های مورد ننیاز الگوریتم ژنتیک تعیین و متغیر های تصمصم را به صورت دودویی و بر اساس کران پاین و بالا و کد نمایید.
گام ۲ : جمعیت تصادفی اولیه از متغیر های چراغ راهنما تولید کند
گام ۳ : سطح پایین را به وسیله روشی از PFE حل و جریانهای تعادل کاربر تصادفی برای هر یال شبکه محاسبه کنید.
گام ۴ : زمانهای چراغ راهنمای مطرح شده در گام دو و جریان های تعادلی یال های شبکه محاسبه شده در گام سه را به نرم افزار Transyt داده ، معیار کارایی سیستم را به وسیله آن محاسبه نمایید
گام ۵ : عملگر آمیزش و عملگر ژنتیکی را به کار ببرید
گام ۶ : جمعیت جدید را از روی جمعیت قبلی و فرزندان بسازید.
گام ۷ : اگر تفاوت میان میانگین شایستگی جمعیت و شایستگی بهترین عضو جمعیت کمتر از ۵% باشد جمعیت اولیه ساخته و به قدم سه باز گردید . در غیر انصورت به سراغ قدم بعد بروید.
گام ۸ : اگر بیشترین تعداد مجاز جمعیت گیری حاصل شده باشد، جواب با بالاترین شایستگی را جواب بهینه مساله گرفته و در غیر این صورت به سراغ قدم سه بر گردید

بعد از پیاده سازی تخصیص ترافیک را که انجام دادید

به عنوان تمرین ۲ : جواب مقادیر سبز چراغ راهنما بر این اسا س قابل پیاد هسازی هست یا نه

کد الگوریتم ژنتیک برای بهینه سازی زمانبندی چراغ راهنما بنویسید

مهر ۳۰۱۳۹۲
 

شرح استفاده از نرم افزار Turbo Architect
توسط خانم مهندس روشنی

۱- تعیین اهداف و راهبرد ها – تعیین ذینفعان و نیاز کاربران
۲- تعیین موجودیت ها – تعیین مفاهیم عملیاتی – تعیین نیاز های عملکردی – تعیین خدمات
۳- تعیین جریان اطلاعات – تعیین رابط ها
۴- استاندار سازی ITS – تهیه لیت توافق نامه ها
۵- استفاده از معماری
۶- نگهداری از معماری
از Stack Holder Group می توانیم ذینفعان را مشخص کنیم

فهرست موجودیت ها
باید مشخص کنیم که این سیستم شامل کدام زیر سیستم استاندارد شده در آمریکا هست.

سر برگ خدمات : AutoSelect Services

http://bounced.azdot.gov/Highways/TTG/ITS-Architecture/index.html

 

دانلود نرم افزار Turbo Architecture ۷٫۰

مهر ۲۷۱۳۹۲
 

Traffic Control Systems

صحبت درباره پروژه دکتر قطعی
بایستی الگوریتم ها را با استفاده از داده ها استفاده کنید

Control and Management Functions
توابع مدیریت و کنترل :
TSM یک فلسفه درباره Planing ,Programming , Implementation , Operation هست
یک سری سرویس ها را میخواهیم ارائه بدیم

برای مدیریت سیستم های حمل و نقلی
جمع آوری دیتا برای گسترش برنامه ریزی زمانبندی چراغ و توابع دیگر هستیم

بخش ها را Section بندی می کنیم
Section ها منطقه ای هست که تغییرات زیادی نداشته باشد ( قسمتی از آن ترافیک سنگین و یک قسمتی ترافیک سبک نداشته باشد)

مرز ها را مشخص میکنیم ، پارامتر های کنترلی را مشخص می کنیم ( در جلسه بعد )

اجرای زمانبندی چراغ ( implement )
بحث Traffic Responce واکنش ترافیکی هست

بعد از اینکه اطلاعات رو پردازش کردیم باید به کاربران هم اطلاع بدهیم

اطلاعات را میتوانیم با استفاده از CMS Changable Messege Systems به مردم اطلاع بدهیم
DMS یک سری تابلو ثابت هست
سرویس رادیو ، وب سایت هم مدیا های دیگری برای انتقال اطلاعات هست

مدیریت تصادفات : توابع دیگری مطرح هست ( اطلاع رسانی انتخاب مسیر ، تخلیه ترافیک تصادف [مدیریت بحران] )
Integration : ارتباط بین زیر سیستم های مختلف را داریم

هماهنگی بین Agency ها
می تواند توسط ارتباطات Data Communication

یک تابع مهم طراحی DataFlow است

TMDD : traffic management data dictionary
صفحه ۶/۵۳ اسلاید
توابع سیستم معمولی :

سه ستون داریم

۱- نوع سیستم
۲- سیستم های بالقوه
۳- امکانات مختلف

 

Typical System Functions

Typical System Functions

چرا ما به سیستم های کنترل ترافیک نیاز داریم ؟

………….
سازگاری با شرایط
پیاده سازی ( implementation )
راحتی اجرا
—————————-
Traffic Control Systems Objective

سیستم های شناسایی ترافیک
به دنبال ۴ موضوع هستیم :
۱- شناسایی کننده های ترافیکی چه هستند
۲- اهمیت شناسایی کننده ترافیکی
۳- انواع شناسایی کننده ترافیکی
۴- مثال شناسایی کننده ترافیکی
انواع شناسایی کننده های ترافیک
- inductive loops – Video – Microwave – Infrared – Acostic – Radar – Magnetic – Radio Frequency – Global Poritioning System ( GPS )

Share of Detector Types at new ATMS Sites
میزان استفاده از شناسایی کنندگان
loop های القایی بیشتر از همه استفاده می شود

تمرین : تحقیق درباره AVI – VIP Detector (video Image Processor )

 

 

مهر ۲۳۱۳۹۲
 

خلاصه جلسه ششم درس حمل و نقل هوشمند ۹۲/۰۷/۲۳
در هر مساله کنترلی یک پارامتری داریم مثل ساو
هر تغییری که در ساو اتفاق بفتد در سفر های مردم تغییر حاصل می شود.

ستاره هم به معنی تعادل است
مثلا چراغ راهنمایی را زمانش را تغییر میدهیم ، مثلا ترافیک بیشتری ایجاد می شود تا جایی که در خیابان های اطراف هم تاثیر می گذارد

Ca هزینه است که یک نفرپرداخت می کند
Qa تعداد افراد هستند

نقطه تعادل محل تقاطع دو منحنی است
تقاضا و عملکرد
برای بیان تعادل اصل اول و دوم wardrop را مطرح می کنیم
در اصل دوم wardrop هوش راننده ها هم دخیل هست
برای پیاده سازی الگوی تعادل کاربر تصادفی
….
تعریف مجدد زمان پیمایش

برای پیاده سازی مساله
یک احتمال انتخاب مسیر p در زمان t داریم

مدل های انتخاب
Probit (شرط نرمال بودن خطا)
Logit (تحلیلی )

——————————-
Logit model
فرم تحلیلی دارد
وابسته بودن مسیر ها به هم انکار می شود و به همگرایی می رسد
توزیع خطا از نوع گامبل در نظر گرفته می شود
تابع احتمال انتخاب مسیر در این مدل از رابطه زیر به دست می آید

its-logit-formula

یک مساله Convex هست مثل مساله سهمی که حتما یک جواب بهینه دارد

میزان جریان مسیر =میزان تقاضای سفر * تابع انتخاب logit

its-logit

آقای دمبرگ Damberg از این فرمول استفاده کرد

برای هر مبدا مقصد یک مجموعه مسیر در نظر گرفته و یک جریان شدنی اولیه روی مسیرها بیابید.

در هر تکرار جریان به دست آمده از فرمول انتخاب لاجیت به دست آورده جریان فعلی را با آن مقایسه و به کمک آن جریان فعلی را به هنگام نمایید.

بر اساس جریانهای به دست آمده، هزینه پیمایش مسیرها را به هنگام و دوباره مسیریابی نمایید و به مجموعه مسیرها افزوده واین عملیات را تا حصول همگرایی تکرار کنید.

 

مساله شمارش مسیر ها و ایده های حل
۱- برچسب های مختلف بر اساس سلیقه ها (زیبایی ، خلوت بودن ، کوتاه ترین ، ارزان ترین )
۲- تولید ستون
۳- k مین مسیر کوتاه
۴- ابتکار بر اساس حذف یالها
۵- ابتکار برای وضع قوانین جریمه یالها
۶- مسیر های حداکثر k مشابه
۷- مسیر های نا متشابه
۸- مسیر های تصادفی
۹- مسیر های نامغلوب فازی

 

ایده جریمه : 

۱٫ واحدهای جریمه، (یال یا گره یا هر دو)
۲٫ ساختار جریمه،(جمعی یا ضربی)
۳٫ بزرگی جریمه
۴٫ مسیر جریمه (مسیر فعلی یا کل مسیرها تا حال)
ویژگی‌های ایده جریمه
سادگی ایده
فاقد عمومیت برای همة مثالها
فاقد راهی برای ارزشیابی میزان شایستگی مسیرهای انتخاب شده
انتخاب مسیرها وابسته به نحوة انتخاب پارامترهای فوق
در به کارگیری روش جریمة ضربی ریسک ناپایداری عددی
نیاز به وجود یک ترتیب برای ورود جریانهای مختلف شبکه، که در بحث جریمه شدن جریانی خاص دخیل است.
ایدة مسیرهای نامتشابه
یک اندازه تنافر بین مسیرهای موجود در یک مجموعه داده‌شده، بیشینه می‌شود. از این جهت این ایده یکی از کاراترین روشهای انتقال مواد استراتژیک و خطرناک می‌باشد.
ایده‌های ساخت مسیرهای نامتشابه (متنافر)
۱ – ایده جریمه‌های متوالی
۲ – ایده کوتاه‌ترین مسیر دروازه‌ای
۳ – ایده کمینه گرفتن روی بیشینه‌ شباهتها
۴ – ایده p-پخش ( بیشینه گرفتن روی حداقل تنافر)
مطابقت دوطرفه برای مساله تنظیم
نرم افزار TRANSYT برای محاسبه مقدار کارایی سیستم به ازای متغیرهای کنترلی چراغ راهنما و نرم‌افزار PFE برای تعیین مقدار جریان تعادلی.
تنظیم چراغ راهنما با آلگوریتم ژنتیک دودویی کد
نکاتی که در پیاده‌سازی آلگوریتم ژنتیک بایستی به آنها توجه شود:
•نحوة نمایش ژنتیکی جوابهای مساله
•راهی برای ساختن جمعیت اولیة جوابها
•تابع ارزشیابی که میزان شایستگی جوابها را نشان دهد.
•عملگرهای ژنتیکی که ترکیب ژنی فرزندان را صورت داده و جمعیت جدید تولید نماید.
• مقادیر پارامترهای ژنتیکی
its-genetic
گام ۱٫ پارامترهای مورد نیاز آلگوریتم ژنتیک تعیین و متغیرهای تصمیم  را به صورت دودویی بر اساس کران پایین و بالا و کد نمایید.
گام ۲٫ جمعیت تصادفی اولیه از متغیرهای چراغ راهنما تولید کنید.
گام ۳٫ مسالة سطح پایین را به وسیلة روشی از PFE  حل و جریانهای تعادل کاربر تصادفی برای هر یال شبکه محاسبه کنید.
گام ۴٫ زمانهای چراغ راهنمای مطرح شده در گام دو و جریانهای تعادلی یالهای شبکه محاسبه شده در گام سه را به نرم افزار TRANSYT داده، معیار کارایی سیستم را به وسیلة آن محاسبه نمایید.
گام ۵٫  عملگر آمیزش و  عملگر جهش ژنتیکی را به کار برید.
گام ۶٫ جمعیت جدید را از روی جمعیت قبلی و فرزندان بسازید.
گام ۷٫ اگر تفاوت میان میانگین شایستگی جمعیت و شایستگی بهترین عضو جمعیت کمتر از ۵% باشد، جمعیت اولیة جدیدی ساخته و به قدم سه بازگردید. در غیر این صورت به سراغ قدم بعد بروید.
گام ۸٫ اگر  بیشترین تعداد مجاز جمعیت گیری حاصل شده باشد،  جواب با بالاترین شایستگی را جواب بهینة مساله گرفته و الا به سراغ قدم ۳ برگردید.

تمرین : با یکی از روش های ۱ و۴و ۷ فوق پیاده سازی کنید و تا هفته بعد ارسال کنید.

شبکه ای که آپلود شده در LMS استفاده کنید
شکل شبکه را در مقاله صفحه ۴۶۶ آمده روی هر کدام از یالها شماره گذاری شده در جدول صفحه ۴۶۷ تقاضای سفر ها آمده یک فرمول هم آمده جریان تقسیم بر سفر
در صفحه ۴۶۸ – پارامتر های لازم آمده

برای حل این مساله ۲ هفته فرصت هست
کدی پیاده سازی کنید با روش دمبرگ با همین ۳ تا ایده دمبرگ اسلاید شما ره ۹ ، یاد آوری با استفاده از ساو Q را پیدا میکنیم
۲ سطحی هست
در یک سطح با استفاده از Saw مقدار Q را پیدا کنیم
با استفاده از مقدار های Q مقدار Saw را آپدیت کنم
در این مسایل از نرم افزار های تخصصی برای هر بخش استفاده کنیم
نرم افزار Transyt برای چراغ راهنما
از نرم افزار PFE برای تعیین مقدار جریان تعادلی

استفاده از الگوریتم ژنتیک برای محاسبه پارامتر کنترلی

نحوه ساخت تابع ارزشیابی هم با این روش مشخص می شود

 

شنبه ۲۷/۷/۹۲ جلسه دفاع پایان نامه با نرم افزار TURBO توسط خانم روشنی برگزار می شود
و همچنین سه شنبه هفته آینده در جلسه تکمیل تر تکرار خواهد شد

مهر ۲۱۱۳۹۲
 

مدیرت تقاضای سفر TDM

دانلود جزوه TDM مدیریت تقاضای سفر

 

http://rpc.tehran.ir/default.aspx?tabid=306&ArticleId=8023

http://kaarmand.blogfa.com/post-388.aspx

http://files.spac.ir/%D9%87%D9%81%D8%AA%D9%87%20%D9%86%D8%A7%D9%85%D9%87%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87/Barnameh%20Electronical/464/%D8%B5%D9%81%D8%AD%D9%87%20%203.htm

 

مهر ۱۶۱۳۹۲
 

دستور العمل های خبرگی
در دهه ۹۰ الگوریتم های خوبی داریم که برای بهینه سازی چراغ های راهنمایی کار شده

یکسری افراد توسعه نرم افزار بسیار بزرگ را کار کرده اند

با استفاده از الگوریتم ژنتیک برای نصب در تقاطع ها کار شده
کاری که سیلان و بل هم در سال ۲۰۰۲ , ۲۰۰۴ , ۲۰۰۵ روی آن کار کرده اند

برخی هم حل مسایل دو سطحی را کار کرده اند
در یک دسته درباره یکسری مفاهیم و در دسته دیگه مفاهیم دیگری را بررسی می کنند

۳ تا نرم افزار معرفی می گردد :

MaxBand ( کنترل Pretime )نسبت پهنای باند به مدت زمان چراغ سبز ماکزیمم
۳- Transyt3- تعداد ایست و مقدار تاخیر مینیمم
۴- Scoot بهترین نرم افزار برای تنظیم چراغ راهنما ها ( طول سیکل ، زمانبندی ، بهینه سازی آفست )

الان در توسعه نرم افزار ها یک سطح جدیدی از نرم افزار ها هست مثل Scats
که عملیات بهینه سازی انجام نمی شود و بر اساس پلن های از پیش تعیین شده کار انجام می دهد

 

 

یکی از Simulator های خوب Aimsun و نسخه آنلاین آن Online Aimsum
و زمانهای ششبه بهینه را می تواند پیدا کند.
استفاده از ابزار شبیه سازی که باعث بهینه سازی نرم افزار ها شده

چه زمانبندی چراغ راهنمایی را زمانبندی مناسبی می دانید ؟
تابع کارایی
در مصاحبه با ذینفعان باید دید که چه چیزی را می خواهند کاهش با افزایش دهند

می خواهیم زمان انتظار کم باشد

تناسب کاربران هم مهم است ( منطقه فرهنگیان یا منطقه کارگران )
هر ایست و هر ترمز موجب افزایش مصرف سوخت می شود

در یکی از مقالات …
علاوه بر اینکه سیستم تلاش می کند کمترین ایست را داشته باشد

ایده های ساخت تابع کارایی
۱- محاسبه میزان انتظار در شبکه
۲- به دست آوردن ترکیبی خطی از میزان انتظار در یالهای شبکه
۳- حداقل زمان کل مسافرتها روی شبکه
۴- حداقل کردن تعداد کاربر در صف در مدت زمان انتظار

its-formula-optimization
فرمول :صفحه ۹
یک مساله کنترلی به این صورت قابل پیاده سازی هست که میخواهیم تابع کنترلی مثل ساو پیدا کنیم
جریانی که با توجه به پارامتر ساو به تعادل برسد.
معنای تعادل در سیستم ترفیک شهری
اصل اول وارداپ:
User EQuilibrium
تعادل کاربر :برای هر جفت مبدا – مقصد و برای هر نمونه زمانی مدت زمان پیمایش بین دو نقطه حرکت میکنند و مساوی و کمترین است.

تا زمانی که مسیر همیشگی خودشان را تغییر ندهند
تا زمانی که یک پل یا تونل جدی زده می شود
کاربران مسیر های همیشگی خود را تغییر می دهند تا بعد از یک مدت دوباره به تعادل برسند.
فرض فوق مقبول نیست ، چون :
۱- اجزای تصادفی در درک مسافران

اصل دوم واردراپ
Stochastic User Equilibrium
تعادل کاربر تصادفی:

 


برای پیاده سازی الگوی تعادل کاربر تصادفی

its-formula-wardrop

تعریف مجدد زمان پیمایش
مدل های انتخاب :
۱- Probit ( همه به صورت نرمال خطا می کنند )
۲- Logit( فرم تحلیلی دارد – وابسته بودن مسیرها به هم انکار می شود – توزیع خطا از نوع گامبل است – تابع احتمال انتخاب مسیر :

its-formula-gamble-logit
احتمال انتخاب مسیر S مساوی e  بتوان منفی تتا ( که عدد ثابتی است برای میزان حساسیت انتخاب مسیر) در جمع زمان سفر یک مسیر     تقسیم بر  e بتوان منفی تتا بقیه مسیر ها
برای بقیه مسیر هایی که از r به s انتخاب می شود

تتا یک عدد ثابت است که میزان حساسیت ما را نسبت به پارامتر های زمان سفر را نشان میدهد.

هر چه تتا کوچکتر باشد ، با احتمال بزرگتری مسیر انتخاب می شود

مهر ۱۳۱۳۹۲
 

خلاصه مطالب تدریس یار ITS
92/07/13

عنوان پروژه اعلام شود

مطابق نمونه در ۴ محور اصلی ارائه شود

محور ۱ : مدلها و تکنولوژی هایی که در ITS هست به صورت Large Scale

محور ۲ : معماری

قرار ما در پروژه دوم پیاده سازی یک زیر سیستم : تحقیق روی آن زیر سیستم
حتما نمونه پیاده سازی شده آن را بیاورید .

ارائه شفاهی بصورت Powerpoint باشد

شرط ارائه حضوری قراردادن مستندات تا روز دوشنبه روی سایت هست

فایل های زیر برای مطالعه روی پورتال قرار گرفته اند:

۱- review paper
2- Architecture
3- Optimal Investment Scheduling
4- Perspectives on Future Transportation Research
—————————————-
مبحث درس :

مدیریت TDM
از دیدگاه شهری مدیریت Demand :
هر استرازتژی که برای تغییر رفتار های ترافیکی به کار می رود
وسایط نقلیه با ظرفیت پایین را کم کنیم و حمل و نقل عمومی را افزایش دهیم

از منابع موجود بیشترین استفاده بهینه را انجام بدهیم

ایجاد حمل و نقل پایدار ، ایجاد انگیزه ، اطلاعات حمل و نقلی real time

تمایل افراد را از حمل و نقل شخصی برداریم و به حمل و نقل عمومی برسانیم

مثال TDM :
پلان های مدارس و دانشگاه ها
Spesial Events
Tourism Destinations
اطلاع رسانی به موقع
————————–
Integration with infrasctructure
ارتباط TDM با بزرگراه ها
انتخاب زمان یا مسیر به افراد
ارتباط TDM با اولویت دادن به وسایط نقلیه با حجم بالا
در TDM به وسایل نقلیه کاری نداریم ، فقط برای راننده ها که آنها ترغیب به استفاده از مسایل حمل و نقل عمومی استفاده شود

اضافه کردن زیر ساخت جدید نمی خواهیم

 

مهر ۰۹۱۳۹۲
 

۹۲/۰۷/۰۹ its – دکتر قطعی

طرح راهبردی ( استراتژیک ) ITS – ناصر پور معلم
گام ۱ : طرح ساختار یکپارچه
گام ۲ : بررسی محیطی
گام ۳ : تحلیل فرصت ها
گام ۴ : برنامه چارچوب کاری ITS
گام ۵ : طرح پیاده سازی ITS

ITS

ITS

رفتار های بین المللی
بازیگران در حوزه باید در نظر گرفته شوند
در its هم باید تمام حوزه ها حتی مردم کوچه و خیابان هم باید در نظر گرفته شوند
تمام ذینفعان باید در نظر گرفته شوند

ITS های ما ۹۹ درصد خودرو محور هستند و انسان محور نیستند

برای عبور نابینایان و معلولین امکاناتی در نظر گرفته نشده است
در برنامه توسعه موقعیت ها ی مورد نظر پیش رو را تعریف کنیم
اگر در برنامه توسعه ما نوشته شده باشد که نقش پلیس کم شود و تصمیم های سیستماتیک بیشتر شود به عنوان یک برنامه بالادستی در طرح راهبردی ITS بسیار حائز اهمیت است

در باره خدمات نابینایان : ایا در جامعه هدف ما اینقدر نابینایان ما زیاد هست که برای آن تعریف سیستم ITS داشته باشیم
در تعریف سیستم نیاز باید تصمصم گیری شود.

به پلیس و اورژانس چه قابلیتی می توانیم در اختیار قرار بدهیم

در ارزیابی عملکرد هم ارزیابی کمی وجود دارد هم ارزیابی کیفی

در مطالعه تطبیقی در جامعه هدف و حوزه دیگری که خدمات ITS را پیاده سازی کرده و بیان تشابهات می توانیم میزان بهبود در عملیات را نشان دهیم

بستر ها می تواند بستر های مالی ، قانونی ، زیر ساحتی باشد

بطور مثال در حوزه فرهنگ توجه کردن
در خیلی کشور ها سیستم های Taxi Sharing دارند
و روزانه مبدا و مقصد نزدیک هست به صورت اشتراکی از خودرو همدیگر و یا تاکسی اشتراکی استفاده می کنند.

استفاده از موبایل از وسایل بسیار مهم مورد استفاده در ITS هست

سیستم مدیریت اتوبوسرانی flit management
خود این سیستم زیر سیستم های مختلف دارد

در گام ۵ : پیاده سازی ، خیلی از این پروژه ها ممکن است سازمان های توسعه سخت افزار ما توجه لازم را نداشته باشد

در فعالیت ۵-۳ طرح های اجرایی را مورد بازنگری قرار می دهیم

OD Estimation

پرسشنامه ذینفعان : محور ها :
۱- مسولیت ، نقش ها و اختیارات
۲- ارتباطات / رابط های بالقوه
۳- کاربرد ها / نو آوری های ITS
4- نیاز های عملیاتی
۵- تامین بودجه و فرصت های تولید در آمد
۶- شیوه های مطلوب برقراری تماس
پرسشنامه ذینفعان : سوالات
۱- نیاز های مربوط به حمل و نقل
۲- مطلوب ترین خدمات ITS
3- معیار های عملکردی کاربرد های ITS
4- اولویت اصلی سازمان
۵- موانع موجود بر سر راه دستیابی به اولویت اصلی
۶- تحقیق در زمینه ITS
7- مزایای ITS
8- مزایای ITS برای ادارات حمل و نقل عمومی
۹- تجربه در خصوص ادارات قانونگذار و مجری قانون
۱۰ – فرصت های مشارکت ، بود.
کارگاه های آموزشی
نیاز های کاربران :
۱- کاهش تصادفات
۲- بهبود عملکد

 

دیدگاه های مختلف به سوی آینده
دیدگاه کاربر :
دیدگاه تجاری :
دیدگاه فرآیند :
در تحلیل ITS یکی از مهمترین کار ها شناسایی نقاط حادثه خیز است
جلسات بعدی :
چارچوب کاری ITS
طرح پیاده سازی ITS

 

استاد اصلاح طراحی هندسی خیابان ها هم جزء آی تی اس هست ؟
جواب : خیر اصلاح طراحی هندسی خیابان ها جزء آی تی اس نیست
y=f(x)

مهر ۰۲۱۳۹۲
 

۹۲/۰۷/۰۲
سیستم های حمل و نقل هوشمند

RITA

سایت RITA

http://www.its.dot.gov/
یک بخش برای استخراج و نظریات کاربران ( Open Dialog ) دارد

- تحلیل ذیفعان

تحلیل ذینفعان در سیستم های its درون تونل انجام گرفته است.

نرم افزار Turbo Architecture v7.0 را بگیرید و مطالعه و تحقیق کنید.

http://www.iteris.com/itsarch/html/turbo/turbomain.htm

استاندارد های بین المللی
استاندارد های ملی داریم
استاندارد های منطقه ای
استاندارد های شرکتی
استاندارد IEEE 802
یک سری گواهینامه ها برای نور و روشنایی محیط ها هست
یک سری هم برای تکنولوژی برای ساخت پیست های مناسب
مثل سیستم های ارزیابی کنترل سرعت

تعریف های روشن از نیازمندی ها باید باشد

بایستی نسبت به تجربیات its بنفیت های خودمان را تشخیص دهیم
در بخش هزینه ها باید بررسی ها

بررسی های کتابخانه ای
تجاری سازی ITS
تطبیق پذیری ITS ( باید در بعضی از بخش ها
تجربه phoenix
معماری سطح ۰ از its
ذینفعان مختلف
NTCIP

تجربه موفق دیگر : سیستم مدیریت ترافیک درون شهری
تجربه موفق Atlanta
مسیر یابی سفر ( حوزه یکپارچه سازی سیستم های اطلاعاتی )

 

با کلیک روی آگهی زیر مبلغ 400 ریال به حساب من واریز می گردد

با کلیک روی آگهی زیر مبلغ 1000 ریال به حساب من واریز می گردد