Journal of Geomatics Science and Technology

fa استفاده از یک مدل پیش‌بینی الگوی حرکتی شهری در برآورد ماتریس توزیع سفر Using a Human Mobility Pattern Prediction Model to Estimate Trip Distribution Matrix سامانه های اطلاعات مکانی GIS پژوهشي Research یکی از مباحث کلیدی در برنامه ریزی حمل و نقل شهری پیشبینی تقاضای سفر است و درک و مدلسازی آن کاربردهای فراوانی در طراحی زیرساختهای شهری، مدلسازی مکانی شیوع بیماریها، سیاستگذاریها و برنامهریزی شهری و تحلیلهای مکانی-زمانی در GIS دارد. به طور سنتی برای پیشبینی تقاضای سفر از یک مدل چهار مرحلهای استفاده میشود. خروجی مرحله دوم از این مدل ماتریس مبدأ-مقصد یا ماتریس توزیع سفر نام دارد و درایههای این ماتریس میزان سفرهای انجام شده از هر مبدأ به هر مقصد را نشان میدهند. ماتریس توزیع سفر میتواند بهعنوان یک ورودی مهم در بسیاری از تحلیلهای مکانی GIS استفاده شود. مهمترین بخش توزیع سفر تعیین مدل مورد استفاده جهت برآورد ماتریس مبدأ-مقصد است. تا به امروز مدلهای مختلفی نظیر مدل جاذبه جهت برآورد ماتریس توزیع سفر معرفی شده است. در سالهای اخیر نیز برخی مدلهای دارای پارامتر و بدون پارامتر نظیر PWO، تابش و رتبهمبنا در حوزه پیشبینی الگوی حرکتی شهری توسعه داده شده است. در این مقاله کاربرد مدل رتبهمبنا در برآورد ماتریس توزیع سفر شهری بررسی شده است. در این مقاله به عنوان مطالعه موردی، مدل رتبهمبنا در منطقه منهتن شهر نیویورک ایالات متحده پیادهسازی شده و نتایج آن به صورت کمی و در مقایسه با مدل جاذبه مورد ارزیابی قرار گرفته است. نتایج نشان میدهد که بر اساس شاخص همانندی سورنسن مدل رتبهمبنا توانسته است حدود 67 % سفرها را شبیه به سفرهای واقعی برآورد کند. همچنین مقدار r-squared حاصل از تحلیل رگرسیون خطی برابر 32/0 به دست آمد که این عدد بیانگر انطباق مناسب اعداد ماتریس برآوردشده با واقعیت است. Travel demand forecasting is an important topic in transportation planning. Understanding and modeling the travel demand has numerous applications in designing urban infrastructures, managing the spread of diseases, monitoring the dispersion of computer viruses, urban planning and policies, spatiotemporal analyses in GIS, and Location-Based Services (LBS). Traditionally, in order to predict the travel demand, a four step model is used, of which the second step is called trip distribution. The output of trip distribution step in this model is termed Origin-Destination (OD) matrix. The elements of this matrix indicate the amount of trips departing from origin zones to destination zones. The OD matrix is considered as an important input in various spatial analyses in Geospatial Information Systems (GIS). The most essential part of trip distribution is the model used for OD matrix estimation. Up to now, various models such as gravity have been introduced to estimate the trip distribution. Recently, some parameterized and non-parametric models of human mobility pattern prediction, also known as spatial interaction (SI) models, have been developed. Among them are the rank-based (parameterized), radiation (non-parametric), and PWO (non-parametric) models. These models can be applied to a broad range of scales, from within a house or stadium, to a city, country, or even the whole earth. The probabilistic form of these models is the same as OD estimation models. In addition, in these models, computational mechanisms of trip distribution are not limited and different behavioral and decision-making characteristics of people are also taken into account. In this paper, the applicability of PWO, radiation and rank-based models in OD matrix estimation is addressed. As a case study, the rank-based model has been applied for Manhattan, New York City (NYC) and the results have been evaluated. Manhattan is one of the most important trade centers in the world and its mobility rate is remarkable. In order to calibrate the models in which adjustable parameters are appeared, the Hyman method was employed. Hyman method is a repetitive algorithm which uses secant procedure to minimize the difference between the real trips’ average distance and the modelled trips’ average distance. Also, in order to balance the resulting matrix, another process is needed. In this paper, the Furness method has been used. For the purpose of evaluating the results, trajectory data of taxi vehicles within NYC was employed. These dataset are published monthly by NYC Taxi and Limousine Commission (TLC). To capture a more complete pattern, the trajectories of yellow- and white-colored taxis were combined together. Finally, we used Sorensen Similarity Index (SSI), Regression Analysis, and a visual measure, termed sparsity pattern, to examine the model. The results show that the rank-based model can predict trip distribution up to 67 percent according to Sorensen Similarity Index. Additionally, the r-square measure obtained from regression analysis is 0.32 that shows a good agreement between estimated and ground truth matrices. Taking the huge volume of point data being regressed into account, this value shows a good agreement between modeling results and real trips. These results show the potential of recently introduced spatial interaction models in trip distribution estimation. الگوی حرکتی شهری, دینامیک شهری, توزیع سفر, ماتریس مبدأ-مقصد, برنامه ریزی حمل و نقل, مدل رتبه مبنا OD Matrix, Human Mobility, Rank-Based Model, Trip Distribution, Transportation Planning, Urban Dynamics 51 62 http://jgst.issgeac.ir/browse.php?a_code=A-10-380-2&slc_lang=fa&sid=1 O. R. Abbasi امیدرضا عباسی oabbasi@mail.kntu.ac.ir 10031947532846005201 10031947532846005201 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی A. A. Alesheikh علی اصغر آل شیخ alesheikh@kntu.ac.ir 10031947532846005202 10031947532846005202 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی