شبیه سازی عامل بنیان حرکت ناوگان اتوبوس های تندرو شهری(BRT)

نورمحمدی, رحمان; خاتمی فیروزآبادی, محمدعلی; عالم تبریز, اکبر; احتشام راثی, رضا; دانشور, امیر

doi:10.22119/jte.2022.362206.2621

شبیه سازی عامل بنیان حرکت ناوگان اتوبوس های تندرو شهری(BRT)

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

² استاد، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران و استاد مدعو، گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

³ استاد،گروه مدیریت صنعتی و فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران

⁴ استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

⁵ استادیار،گروه مدیریت فناوری اطلاعات، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

10.22119/jte.2022.362206.2621

چکیده

امروزه سیستم‎های حمل و نقل زمینی با چالش بزرگی به نام ازدحام روبه‌رو هسـتند. از آنجـا کـه پدیده‌های ترافیکی و ازدحام دارای خصوصیاتی از جمله پیچیدگی و پویـایی هستند، مدل‌سازی آنها با مدل‎های ریاضی معمول بسیار دشوار و بعضاً غیرممکن است. به همین منظـور، مـی‌تـوان در مدل‌سـازی پدیـدۀ ازدحـام و تشـخیص پارامترهـای مـؤثر در کـاهش یـا افـزایش آن، از تکنولوژی‌های مبتنی بر عامل‎های دارای همخـوانی بـالا بـا ایـن خصوصـیات بهـره گرفـت. با توجه به جایگاه اتوبوس‌های تندرو شهری در جابه‌جایی مسافران، کاهش ترافیک و همچنین کاهش پارامترهای زمان انتظار مسافران و زمان سفر از اهداف این تحقیق هستند. لذا برای تحقق این اهداف از شبیه‌سازی عامل بنیان حرکت ناوگان اتوبوس‌های تندرو شهری (BRT) استفاده شده است. در این تحقیق، برنامۀ پایۀ NetLogo برای کدنویسی مدل و اجرای شبیه سازی آن مورد استفاده قرار گرفته است. در این بررسی سه سناریو متفاوت در نظر گرفته شد. نتایج عملکرد سیستم حمل و نقل تندرو شهری با تغییرات به عمل آمده در هر یک از پارامترهای مؤثر، در هر یک از سناریوها، قابل توجه بود. در نهایت، پس از آنالیز و تحلیل کلی و همچنین مقایسۀ وضعیت‌های مختلف، نتایج و پیشنهاداتی برای بهبود عملکرد ناوگان اتوبوس‌های تندرو شهری ارائه شد. از جمله اینکه در خصوص دستیابی به اهداف مورد نظر (یعنی کاهش زمان انتظار مسافران در ایستگاه‌ها و کاهش زمان سفر) وضعیت سناریوی پل نسبت به دو سناریوی چراغ هوشمند و حالت جاری مناسب‌تر است.

کلیدواژه‌ها

20.1001.1.20086598.1401.14.2.11.4

عنوان مقاله [English]

Agent Based Simulation of the Movement of Bus Rapid Transit Fleets (BRT)

نویسندگان [English]

rahman noormohammadi ¹
seyed mohammadali khatami firoozabadi ²
akbar alamtabriz ³
Reza Ehtesham Rasi ⁴
amir daneshvar ⁵

¹ PhD student, Department of Industrial Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Professor, Department of Industrial Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran and Visiting Professor, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran

³ Professor, Department of Industrial Management and Information Technology, Faculty of Management and Accounting, Shahid Beheshti University, Tehran, Iran

⁴ Assistant Professor, Department of Industrial Management, Qazvin Branch, Islamic Azad University, Qazvin, Iran

⁵ Assistant Professor, Department of Information Technology Management, Electronic Branch, Islamic Azad University, Tehran, Iran

چکیده [English]

Today, ground transportation systems are facing a major challenge which has come to be known as traffic congestion. Since traffic and congestion are complex and dynamic phenomena, it is difficult and sometimes impossible to apply conventional mathematical models on them. Thus agent-based technologies with high compatibility with the afore-mentioned characteristics can be used to model the phenomenon of congestion and detect effective congestion mitigation/aggravation parameters. Considering the role of bus rapid transit in the transportation of passengers, mitigation of congestion and reduction of passenger waiting time and travel time are among the objectives of the present study. Therefore, agent-based simulation of the movement of bus rapid transit (BRT) fleets is used to achieve the afore-mentioned goal. In the present study, NetLogo is used to code the model and run the simulation. Three different scenarios were taken into account in this study. Change of effective factors in each of the three scenarios led to significant improvements in the BRT performance analysis results. Finally, after general analysis and comparison of different scenarios, results and suggestions were presented to improve the performance of BRT fleets. In the attempt to achieve the goals (i.e. reduction of passenger waiting time at stations and reduction of travel time), the bridge scenario was found to be more suitable and effective than the smart light and status quo scenarios.

کلیدواژه‌ها [English]

simulation
modeling
NetLogo
agent-based
transportation

مراجع

- حقانی، محمود و میرابی و حیدرضا، امام جمعه، سیدمیثم (1394) "رابطه بین کیفیت زندگی کاری و عملکرد سازمانی کارکنان مراکز فرمان شرکت بهره برداری راه آهن شهری تهران و حومه (مترو)" پانزدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران.

- گلزارشهری، احمد و آقاباقری، مصطفی و دلشاد، محمدحسین (1394) "بهبود عملکرد شبکه خطوط اتوبوسرانی در محدوده شهر یزد با هدف ارتقای کیفیت خدماتدهی و کاهش هزینه ها" پانزدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران،

- فغانی، علی و بزرگمهرنیا، رضا و بابایی، شروین (1394) "تحلیل اثر تعداد فضای توقف در ایستگاه بر ظرفیت خط ویژه اتوبوس مطالعه موردی: سامانه دو اتوبوس های تندرو شهر تهران" پانزدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران.

- فلفلانی، محمدرضا و صفاریان، محسن (1395) "تحلیل علل عدم دقت کافی رانندگان به عابران در حال گذر از تقاطع ها (مطالعه موردی : مشهد)" چهارمین همایش ملی کاربرد فناوری های نوین در علوم مهندسی، تربت حیدریه.

- ابوالفتحی، احسان و طلوعی اشلقی، عباس و حمیدی زاده، محمدرضا (1399) "بهبود انتشار نوآوری از طریق تحلیل عملیاتی مدلسازی عامل بنیان" چشم انداز مدیریت صنعتی، سال دهم، شماره، 37، ص ص 117-142.

- کاظمی، مبشر و حسینعلی، فرهاد. (1401) "مسیریابی چندساختی مبتنی بر عامل در سیستم حمل و نقل عمومی" فصلنامه مهندسی حمل و نقل، شماره 3، ص 1783-1796.

- فائزی، سید فرزین و کی منش، محمودرضا و ساسانی، مصطفی (1398) "بررسی معیارهای تأثیرگذار در تعیین مسیر اتوبوس تندرو (نمونه موردی شهر کرج)" فصلنامه علمی جاده، ش 100، ص 33-44.

- غفاری، علیرضا و اکبرزاده، میثم (1400) "بررسی تأثیر اولویت‌دهی فعال غیرمشروط به حمل‌ونقل همگانی در زمان‌بندی چراغ راهنمایی با شبیه سازی" نشریه مهندسی عمران امیرکبیر، شماره 1، ص 201-212.

- نجفی زنگنه، سعید و همکاران (1395) "بهبود بهره‌وری نیروی انسانی تعمیرگاه با در نظر گرفتن قابلیت اطمینان سیستم مطالعه موردی سامانه اتوبوسرانی تندرو تهران (BRT)" نشریه کیفیت و بهره وری صنعت برق ایران، ش 10، ص 118-130.

- Bonabeau E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(suppl 3): 7280-7287.

- B. Chen and H. H. Cheng (2010) “A review of the applications of agent technology in traffic and transportation systems,” IEEE Transactions on Intelligent Transportation Systems, vol. 11, no. 2, pp. 485–497.

- D. Srinivasan, M. C. Choy, and R. L. Cheu (2006) “Neural networks for real-time traffic signal control,” IEEE Transactions on Intelligent Transportation Systems, vol. 7, no. 3, pp. 261–272.

- H. Yu, P. Liu, Y. Fan, and G. Zhang (2021) “Developing a decentralized signal control strategy considering link storage capacity,” Transportation Research Part C: Emerging Technologies, vol. 124, Article ID 102971.

- Huang, Jiangyan, Cui, Youkai, Zhang, Lele, Tong, Weiping, Shi, Yunyang, and Liu, Zhiyuan (20022) “An Overview of Agent-Based Models for Transport Simulation and Analysis” Journal of Advanced Transportation, Vol.2022, pp. 1-17.

- Ioannis Patias , and Vasil Georgiev (2017) “Modeling and Implementation of Bus Rapid Transit corridor based on isolated or coordinated Traffic Prioritization and Automatic Location” Emerging Research and Solutions in ICT, Vol.1, No. 1, pp. 17-24.

- K. Gkiotsalitisa, Z. WubO and Cats (2019) “Transportation Research Part C” Emerging Technologies Vol 98, p, 14-36.

- Kamarudeen N, Sundarakani B, Manikas L "(2020) “An Assessment of the Dubai Metro Service’s Performance Using SCOR Model and ARENA Simulation” FIIB Business Review, Vol.9, No. 3, pp. 1-13.

- Nesmachnow, Sergio, Renzo Massobrio, Efraín Arreche, Christine Mumford b, Ana Carolina Olivera, Pablo Javier Vidal, Andrei Tchernykh (2019) “Traffic lights synchronization for Bus Rapid Transit using a parallel evolutionary algorithm” International Journal of Transportation Science and Technology, Vol 8, Issue 1, Pp. 53-67

- Pooya, A., Pakdaman, M., Fadaei, S., Chaichi Motlagh, M., Sadraei, S. (2021) “Design of optimization model and Decision Support System to determine the capacity of a number of types of public transportation of urban bus lines” Journal of Transportation Research, Vol 18(3), pp. 185-206.

- Sargent, R. G. (2007). Verification and validation of simulation models. Simulation conference, Washington, DC, USA.

- Suryani E, Hendrawan RA, Adipraja PFE, Indraswari R, Ahyudanari E, Jauhari A, Prambayanto P (2020) “Modeling and Simulation to Improve the Efficiency of Transportation Systems” A Tool for Decision Support, Preprint from Research Square, Europe PMC,1-33.

- Wang, Chao, Zhirui Ye, Yuan Wang, Yueru Xu, and Wei Wang (2016) “Modeling Bus Dwell Time and Time Lost Serving Stop in China” Journal of Public Transportation, Vol. 19, No. 3, pp. 55-77.

- Y. Gu, X. Fu, Z. Liu, X. Xu, and A. Chen (2020) “Performance of transportation network under perturbations: reliability, vulnerability, and resilience” Transportation Research Part E: Logistics and Transportation Review, vol. 133, Article ID 101809.

- Zhou, L., Wang, Y., & Liu, Y. (2017) “Active signal priority control method for bus rapid transit based on Vehicle Infrastructure Integration” International Journal of Transportation Science and Technology, Vol.6, No. 2, pp. 99-109.