– از نتایج حاصله می‌توان در طراحی و اجرای سیستمهای مدیریت ترافیک آزادراهی و بزرگراهی استفاده نمود.
فصل دوم
پیش زمینه و مروری بر تحقیقات گذشته
۲-۱ مقدمه
در طول ۴۰ سال گذشته، انواع مختلفی از کنترل رمپ به صورت تجربی در بسیاری از مناطق جهان مورد استفاده قرار گرفته است. در آمریکا، از اوایل سال ۱۹۶۳، شیکاگو اولین کنترل رمپ موثر را در اتوبان آیزنهاور پیاده کرد. در سال ۱۹۷۱، بیش از ۳۰ کنترل رمپ با موفقیت در بزرگراه مرکزی شمالی در دالاس فعالیت می‌کردند. در حال حاضر، در حدود ۴۳۰ کنترل رمپ در مینیاپولیس، سنت پل نصب شده و استفاده می‌شود. اولین کنترل رمپ‌ها در این منطقه از سال ۱۹۷۰ در جنوب I-35E مرکز شهر سنت پل اجرا شد. در سال ۲۰۰۲، ۲۹ منطقه شهری در ایالات متحده آمریکا مجهز به سیستم کنترل رمپ شدند (U.S. Department of Transportation ، ۲۰۰۹ ).
۲-۲ بهبود در برآورد ظرفیت بزرگراه
محدودیت ظرفیت بزرگراه عنصر مرکزی برای کنترل رمپ است که از تعادل حساس بین ظرفیت و تقاضا حمایت می‌کند. به طور سنتی، ظرفیت بزرگراه ثابت فرض شده و مقداری از پیش تعیین شده است. که برای برخی از کاربردها مانند طراحی و برنامه‌ریزی بزرگراه مناسب است. با این حال، برای کاربردهای لحظه‌ای مانند کنترل رمپ مناسب نیست. زیرا همانطور که در مطالعه اولیه اشاره شد ظرفیت طبیعتی تصادفی^[۲۰] دارد. (Elefteriadou و همکاران، ۱۹۹۵؛ Evans و همکاران، ۲۰۰۱؛ Polus و Pollatschek، ۲۰۰۲؛ Brilon و همکاران، ۲۰۰۵). ثانیا، این موضوع به خوبی شناخته شده که معمولا وقتی تراکم شروع می‌شود، ظرفیت کاهش می‌یابد، با این حال از این موضوع در کنترل بزرگراه و کاربردهای شبیه سازی چشم پوشی می‌شود. در بسیاری از استراتژی‌های پیشرفته هماهنگ شده، مانند ZONE در Minnesota (Lau ، ۱۹۹۶) و Stratified Zone Metering در Minnesota (Lau ، ۲۰۰۱)، ظرفیت مقداری ثابت و اغلب بزرگتر از مقدار دیکته شده توسط شرایط حاکم است و منجر به تراکم بالاتر در بزرگراه به خاطر آزادسازی بیش از حد وسایل نقلیه از رمپ می‌شود. از جهتی دیگر، اگر مقدار ظرفیت ثابت انتخاب شده، کمتر از مقدار واقعی باشد منجر به تولید صف‌های طولانی در رمپ خواهد شد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

بر مبنای این مشاهدات، طراحی یک روش برای بهبود برآورد ظرفیت بزرگراه مطلوب است. در این روش، ظرفیت متغیر بزرگراه بر اساس شرایط حاکم به ویژه هنگامی که تراکم در یک مقطع آغاز می‌شود، محاسبه می‌شود. در اینجا دو روش برای حل این مشکل پیشنهاد شده است. اولین روش پیشنهادی، یک روش ساده به منظور برآورد ظرفیت لحظه‌ای به جای مقداری ثابت در بزرگراه با ظرفیت محدود شده است. وقتی تراکم شروع می‌شود، استفاده از ظرفیت عملی متغیر در زمان توصیه می‌شود. در اینجا، ظرفیت عملی توسط روش میانگین متحرک بر اساس شمارش ترافیک لحظه‌ای برآورد می‌شود. روش ترکیبی در استراتژی SZM از طریق میکرو شبیه ساز^[۲۱] آزمایش شده است.
دومین استراتژی کنترل رمپ یک روش توسعه یافته با محدود کردن احتمال برای از بین بردن کاستی‌های مقدار ظرفیت ثابت فرض شده در روش سنتی است. مطالعه تابع چگالی احتمال ظرفیت در شرایط متفاوت جریان با بهره گرفتن از داده‌های ۵ دقیقه‌ای در طول دوره‌ی آزمایش در ۲ گلوگاه از مقطع بزرگراه انجام شده است. در ادامه تشخیص داده شد که داده‌ها به صورت نرمال توزیع یافته‌اند. برای این نوع مشکل رفتار تصادفی، برنامه‌ریزی احتمال محدود شده^[۲۲] (CCP)، اهدافی قوی برای مدل کردن سیستم تصمیم گیری با رفتار تصادفی پیشنهاد می‌کند (Charnes و Cooper، ۱۹۶۳؛ Liu ، ۲۰۰۲). از این رو، یک برنامه خطی تصادفی^[۲۳] برای کنترل رمپ با محدودیت احتمال تنظیم شده است. در نهایت، الگوریتم ZONE پیشرفته با محدودیت احتمال تصادفی لحظه‌ای توسعه داده و با شبیه سازی میکروسکوپیک آزمایش شد.
۲-۲-۱ برآورد ظرفیت لحظه‌ای
ظرفیت بزرگراه یک متغیر اساسی در طراحی و برنامه ریزی مهندسی ترافیک است. تحقیقات در مورد این موضوع از چند دهه گذشته تاکنون ادامه داشته است و مدل‌های بسیاری برای برآورد ظرفیت بر اساس نوع داده‌های ترافیک در دسترس ارائه شده است. روش‌های سنتی برای برآورد ظرفیت در آیین نامه ظرفیت بزرگراه ارائه شده است (HCM، ۲۰۰۰). هر چند این روش برای مطالعات اولیه کافی است اما اشاره می‌کند که در واقعیت رفتار ظرفیت تصادفی است (Elefteriadou و همکاران، ۱۹۹۵؛ Evans و همکاران، ۲۰۰۱؛ Polus و Pollatschek، ۲۰۰۲؛ Brilon و همکاران، ۲۰۰۵). بر مبنای رابطه بین فاصله بین وسایل نقلیه یا سر فاصله^[۲۴] و ظرفیت، دو مدل برای فاصله بین وسایل نقلیه شناخته شده است، مدل تعمیم یافته صف Branston (Branston، ۱۹۷۶) و مدل نیمه پواسون^[۲۵] Buckley (Buckley، ۱۹۶۸)، با جمع آوری داده‌های زمانی فاصله بین وسایل نقلیه توسعه داده شد. این دو مدل بر مبنای نظریه‌ایست که تمام عناصر راننده و خودرو در سطح ظرفیت محدود شده اند. با این حال، روش فاصله بین خودرو یا روش سرفاصله ممکن است بهترین راه برای تخمین یک مقدار قابل اعتماد برای ظرفیت نباشد، چون با بررسی‌های مختلف معلوم می‌شود مقدار ظرفیت بالاتر از ظرفیت جاده در واقعیت تخمین زده شده است. (Hoogendoorn و Botma، ۱۹۹۶؛ Botma و Westland، ۱۹۸۰).
روش‌های مختلفی برای برآورد ظرفیت زمانی که حجم ترافیک می‌تواند مشاهده شود وجود دارد. به عنوان مثال، ظرفیت می‌تواند به سادگی با انتخاب نرخ جریان حداکثر اندازه گیری شده در طول مدت مشاهده یا مقدار حداکثر مورد انتظار با بهره گرفتن از روش توسعه یافته توسط Hyde و Wright (1986) برآورد شود. در این اینجا، دو رویکرد آماری در روش مقدار حداکثر مورد انتظار استفاده شده است: روش احتمال مستقیم و روش تقریبی. اما چون هر دو رویکرد بر اساس فرضیه مشاهده حجم ترافیک که به طور متوسط در تمام فواصل یکسان و از هم مستقل توزیع شده‌اند است، ظرفیت برآورد شده توسط این روش وابستگی بیشتری به مدت فاصله‌ی متوسط دارد. بنابراین، این روش ارزش عملی کمتری برای طراحی و مدل سازی بزرگراه دارد (Minderhoud و همکاران، ۱۹۹۷).
Minderhoud و همکاران (۱۹۹۷) درباره‌ی کاربرد روش محدودیت محصول برای برآورد ظرفیت بر اساس دو داده حجم ترافیک و سرعت بحث می‌کنند. این روش نیاز به مشاهده گروه‌های مختلفی از حالات ترافیکی شامل وضعیت ترافیک جریان آزاد و وضعیت ظرفیت دارد. برای اطمینان از وضعیت ظرفیت مشاهده شده، یک مکان گلوگاهی باید انتخاب شود. سپس روش محدودیت محصول می‌تواند به منظور برآورد توزیع ظرفیت استفاده شود. روشن است که این روش می‌تواند برآورد خوبی از ظرفیت فراهم آورد. زیرا از اطلاعات وضعیت ترافیک بهره می‌گیرد و به جای مقداری واحد یک توزیع را ارائه می‌دهد.
وقتی که دو متغیر از سه متغیر: جریان ترافیک، سرعت و چگالی شناخته می‌شوند، ظرفیت می‌تواند با بهره گرفتن از روشی که به اصطلاح روش نمودار اساسی^[۲۶] نامیده می‌شود برآورد شود. این روش بر اساس رابطه بین این سه متغیر است (May، ۱۹۹۰). در حال حاضر، نمودار اساسی به خاطر استفاده گسترده شناساگرهای حلقه^[۲۷]‌ ای که می‌توانند دو فاکتور حجم ترافیک و اشغال را ثبت کنند، به راحتی می‌تواند رسم شود. با این حال، مقدار ظرفیت تخمین زده شده به مدل انتخاب شده وابسته است. چرا که مدل‌های فراوانی^[۲۸] برای یافتن تناسب بین داده‌ها موجود است.
یک روش آنلاین توسط Arem و Van der Vli (1993) به منظور برآورد ظرفیت فعلی ارائه شده است. این روش بر اساس پردازشی برای به روز رسانی نمودار اساسی که تحت شرایط اولیه و از پیش تعیین شده معین شده است، عمل می‌کند. با بهره گرفتن از کالیبراسیون، این روش نشان می‌دهد که ظرفیت در وضعیت ترافیکی و شرایط آب و هوایی متفاوت، تغییر می‌کند. اما این روش در برآورد ظرفیت در حالی که هنوز ترافیک جریانی آزاد دارد انجام شده است. این موضوع برای برآورد ظرفیت لحظه‌ای وقتی که تراکم شروع می‌شود مناسب نیست.
تا وقتی که روش‌های فوق ظرفیت نظری^[۲۹] را برآورد می‌کنند، برای کاربردهای لحظه‌ای مانند کنترل رمپ کافی نیستند. زیرا به طور کلی هنگامی که ظرفیت کاهش می‌یابد، تراکم شروع می‌شود. در عوض، آنچه نیاز است ظرفیت عملی لحظه‌ای است که در شرایط ترافیکی فعلی بسیار موثر است.
۲-۲-۲ برآورد جریان ترافیک کوتاه مدت
مقالات زیادی در رابطه با برآورد جریان ترافیک در کوتاه مدت وجود دارد. ساده‌ترین آنها استفاده از روش‌های آرام سازی است. به عنوان مثال، Stephanedes و همکاران (۱۹۸۱) از روش ساده‌ی میانگین متحرک به منظور برآورد جریان ترافیک ۵ دقیقه‌ای برای کنترل لحظه‌ای استفاده کرده است. پس از آن، Okutani وStephanedes (1984) اعمال الگوریتم Kalman Filter را به منظور برآورد حجم ترافیک شهری اجرا کردند. روش متداول دیگر میانگین متحرک جامع کاهنده خودکار^[۳۰] (ARIMA)است که برای اولین بار توسط Ahmed و Cook (1979) برای پیش بینی ترافیک تولید شد. پس از آن، Davis و همکاران (۱۹۹۰) یک مدل واحد از ARIMA را برای پیش بینی فرموله کردن گلوگاه یک بزرگراه به کار بردند. Hamed و همکاران (۱۹۹۵) یک مدل برای پیش بینی حجم ترافیک شهری به کار بردند. Williams و همکاران (۱۹۹۸) روش فصلی ARIMA را برای پیش بینی جریان ترافیک شهری پیشنهاد دادند. به تازگی، به روش‌های غیر پارامتریک پرداخته شده است. برای مثال، Smith و Demetsky (1996) عملکرد نزدیکترین همسایگی برای مدل رگرسیون غیر پارامتریک را آزمایش کرد. Clark و همکاران (۱۹۹۳) شبکه عصبی مصنوعی^[۳۱] (ANN) موثری را بررسی کرده‌اند.
روش‌های پیشرفته‌تر مانند ARIMA، ARIMA فصلی ، Kalman Filter و ANN، ممکن است برآورد دقیق‌تری را تولید کنند. با این حال، دو عامل برای محاسبه نیاز است. اول این که آیا روش برای اجرا آسان است. چون روش‌ها در سیستم کنترل رمپ لحظه‌ای نیاز به اجرا شدن دارند، بنابراین بهتر است که روش ساده‌تر باشد. به عنوان مثال، ANN برای اجرا کمی مشکل است. عامل دوم، زمان محاسبه است. علاوه بر این، بهتر است پارامتری که نیاز به کالیبراسیون آفلاین دارد وجود نداشته باشد، انتخاب شود. با توجه به ملاحظات فوق، از روش ساده میانگین متحرک به منظور برآورد جریان ترافیک حداکثر در فاصله زمانی بعدی^[۳۲] استفاده می‌شود. این روش عملکرد برجسته‌ای در ارزیابی آفلاین داشته است.
۲-۳ الگوریتم‌های کنترل رمپ
در طول سال‌های گذشته، تعدادی از استراتژی‌های کنترل رمپ از نوع ساده به استراتژی‌های کنترل پیچیده و بسیار پیچیده‌تر توسعه یافته‌اند. استراتژی‌های کنترل رمپ براساس واکنش^[۳۳] به ترافیک می‌تواند به دو دسته‌ کنترل بهینه استاتیک و کنترل بهینه دینامیک تقسیم شود.
کنترل بهینه استاتیک شامل استراتژی‌های کنترل رمپ ثابت ، پیش زمان بندی شده و زمانی از روز است. این استراتژی‌ها به صورت نا به هنگام و بر پایه تقاضای زمانی (داده‌های ترافیک) تعیین می‌شوند. نرخ‌های کنترل رمپ متفاوت برای زمان‌های متفاوتی از روز مطابق با تقاضا تنظیم خواهد شد. مزیت این استراتژی‌ها این است که اجازه می‌دهند تعداد وسایل نقلیه سرویس داده شده حداقل شود تا مسافت پیموده شده کل، کمینه شده یا صف‌های رمپ بالانس شود. عیب به کارگیری این استراتژی‌ها آن است که تغییر تقاضا در یک روز و یا از یک روز به روز دیگر را که می‌تواند به اضافه بار جریان اصلی در زمان ازدیاد تقاضا یا بهره‌برداری پایین‌تر در زمان کاهش تقاضا در بزرگراه منجر شود درنظر نمی‌گیرند. استراتژی کنترل رمپ زمان ثابت توسط Papageorgiou به استراتژی کنترل پویا توسعه یافته است. (Papagiorgiou M., ۱۹۹۱)
کنترل رمپ‌های واکنشی که کنترل بهینه دینامیک نیز نامیده می‌شود به صورت به هنگام و بر اساس داده‌های زمان واقعی ترافیک در بزرگراه به منظور تعیین سیاست کنترل تعیین می‌شوند. داده‌های ترافیک مانند جریان، سرعت و اشغال شناسایی خواهد شد و نرخ‌های کنترل رمپ‌ در طول زمان تغییر می‌کند. کنترل رمپ‌ واکنشی مزیت‌های مشابهی با کنترل رمپ زمان ثابت دارد. با این وجود این کنترل رمپ‌ها به علت توانایی‌شان برای جلوگیری از ازدحام برجسته‌اند.
با توجه به ساختار کنترل مورد بحث، استراتژی‌های کنترل رمپ‌ واکنشی می‌تواند به دو دسته تقسیم بندی شود:
کنترل رمپ محلی (و یا جدا شده)^[۳۴] که کنترل رمپ جدا شده تنها در شرایط ترافیکی که به صورت محلی اندازه گیری شده، می‌باشد. و بخش‌های بزرگراه را به صورت جدا شده بررسی می‌کند، مانند ورودی بزرگراه، شبکه منطقه‌ای بزرگراه که آنها را در رمپ خاصی محاسبه می‌کند. چون شرایط ترافیکی به صورت محلی اندازه‌گیری می‌شود می‌تواند بر ازدحام محلی در نزدیکی رمپ اثر بگذارد.
و سیستم کنترل رمپ گسترده (و یا هماهنگ شده)^[۳۵] که گروهی از کنترل کننده‌های رمپ‌های ورودی در بزرگراه با در نظر گرفتن شرایط ترافیک در کل بزرگراه هماهنگ خواهند شد. سیستم کنترل گسترده شرایط محاسبه را فراتر از رمپ‌های مجاور و در مقطع طولی بزرگراه انجام می‌دهد. زمانی که نرخ کنترل^[۳۶] برای هر رمپ منحصر به فرد محاسبه شد، اطلاعات به منظور دستیابی به سطح بالای سیستم جمع بندی می‌شود. هدف سیستم هماهنگ شده، دستیابی به شرایط ترافیکی بهینه برای کل سیستم است. این گروه شامل کنترل رمپ اشتراکی، کنترل رمپ رقابتی و کنترل رمپ‌ مکمل است.
الگوریتم‌های ALINEA و الگوریتم Bottleneck در این فصل و الگوریتم ZONE و استراتژی SZMدر این فصل بعد شرح داده شده‌اند. این الگوریتم‌ها نمونه‌هایی از طراحی تجربی هستند که در مقیاس بزرگ با موفقیت پیاده سازی شدند.
۲-۳-۱ الگوریتم ALINEA
ALINEA (Asservissement LINeaire d’Entree Autroutiere) یک الگوریتم کنترل محلی است که به صورت بازخورد ترافیکی عمل می‌کند. این الگوریتم توسط Papageorgiou و همکاران (۱۹۹۱) توسعه یافته است. ALINEA یکی از متداول‌ترین و موثرترین الگوریتم‌هایی است که بسیار استفاده می‌شود. عملکرد این الگوریتم به این صورت است که نرخ کنترل را برای نگه داری درصد اشغال رمپ پایین دست بزرگراه در یک سطح مطلوب تنظیم می‌کند. یک معادله ساده برای محاسبه نرخ کنترل مورد استفاده قرار گرفته است:
(۲-۱)
: ۱، ۲، … . شاخص گسسته زمان؛
: نرخ آزاد شده رمپ در طول اجرای دوره کنترل K؛
: نرخ آزاد شده رمپ در طول اجرای دوره کنترل K-1؛
: درصد اشغال اندازه گیری شده در پایین دست بزرگراه (میانگین روی تمام باند^[۳۷]ها) برای دوره کنترل K-1؛
: پارامتر تنظیم؛
: به طور معمول مقدار مطلوب درصد اشغال برای پایین دست، اما لزوما نیست.
: (درصداشغال بحرانی^[۳۸]، زمانی که نرخ جریان پایین دست بزرگراه به ظرفیت می‌رسد، مشابه درصد اشغال پایین دست بزرگراه است).
نگرانی اصلی از کنترل محلی اینست که در نزدیکی رمپ محلی باید تراکم کاهش و شرایط بهبود یابد. با این حال، مشکلات تراکم ممکن است به محل پایین دست رمپ منتقل و در آنجا آشکار شود. از اینرو، کنترل رمپ محلی توصیه نمی‌شود.
روند رایج نزدیک به الگوریتم‌های هماهنگ شده است که در آن جریان ترافیک در سراسر یک مقطع از بزرگراه و بیشتر از یک رمپ واحد به صورت بهینه طراحی می‌شود. این موضوع به منظور دستیابی به بهره‌وری گسترده در سیستم است. از نمونه‌های معمول می‌توان الگوریتم گلوگاه یا Bottleneck در Seattle، الگوریتم ZONE در Minnesota و استراتژی کنترل ZONE طبقه بندی شده یا SZM اشاره کرد.
۲-۳-۲ الگوریتم Bottleneck
اصل اساسی الگوریتم گلوگاه یا Bottleneck (Jacobsen و همکاران، ۱۹۸۹) توسط وزارت حمل و نقل در واشنگتن^[۳۹] توسعه داده شد و ثابت کرد که جریان در هیچ یک از مناطق گلوگاه از پیش تعیین شده از ظرفیت تجاوز نمی‌کند. محاسبات الگوریتم شامل دو مورد اندازه گیری نرخ کنترل محلی و نرخ کنترل گلوگاه است. محدودترین مورد از این دو به عنوان نرخ کنترل نهایی انتخاب خواهد شد.
نرخ کنترل محلی که از قبل تعیین شده به صورت مجموعه‌ای محدود از نرخ‌های کنترل گسسته، بر مبنای سطح اشغال در مجاورت رمپ انتخاب می‌شود. برای هر کنترل رمپ یک رابطه نرخ سنج / اشغال راه اصلی توسط پنج جفت اشغال- نرخ کنترل معرفی می‌شود. نرخ کنترل با ورود بین هر جفت برای اشغال راه اصلی واقعی تعیین می‌شود.
نرخ گلوگاه زمانی که هر دو شرط زیر با هم مواجه شوند محاسبه می‌شود:
اشغال آستانه ای از حد خود فراتر رود.
وسایل نقلیه همچنان در مقطع ذخیره شوند.
اگر هر دو شرط با هم برقرار شوند، نرخ کنترل برای قطعه^[۴۰] i در مدت زمان t+1 که به صورت زیر تعریف می‌شود، کاهش می‌یابد: