کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6780461 1432191 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Exploring the role of spatial cognition in predicting urban traffic flow through agent-based modelling
ترجمه فارسی عنوان
بررسی نقش شناخت فضایی در پیش بینی جریان ترافیک شهری از طریق مدل سازی مبتنی بر عامل
کلمات کلیدی
مدلسازی حمل و نقل، انتخاب مسیر، جریان ترافیک، شناخت فضایی، پیچیدگی،
ترجمه چکیده
سیستم های شهری به شدت پیچیده و غیر خطی در طبیعت هستند، تعریف شده توسط رفتار و تعاملات بسیاری از افراد. با استفاده از داده های جدید و روش های شبیه سازی پیشرفته، تحقیقات مرسوم در سیستم های شهری به دنبال این پیچیدگی، اندازه گیری و مدل سازی شهرهای با جزئیات و قابلیت اطمینان بیشتری است. مدل سازی حمل و نقل، با وجود پیشرفت های اخیر، عقب مانده از این پیشرفت ها است. در این مقاله، پیامدهای ناشی از تغییرات در طراحی مدل، با تمرکز بر رفتار و شناخت رانندگان، نشان داده شده است که نشان می دهد چگونه مدل های مختلف انتخاب و تجربه به طور قابل توجهی بر توزیع ترافیک تاثیر می گذارد. این نشان داده شده است که چگونه مدل های متعارف ترافیک شهری، بسیاری از یافته های مهم از حوزه شناخت شناسی را به طور کامل وارد نمی کند، بلکه اغلب اقدامات را از لحاظ بهینه سازی فردی توصیف می کند. ما مدل سازی مبتنی بر عامل اکتشافی را معرفی می کنیم که نمایه های رفتار را از دیدگاه شناختی غنی تر نشان می دهد. به طور خاص، از طریق این شبیه سازی ها، ما شناسایی می کنیم که چگونه شناخت فضایی در مورد انتخاب مسیر و در نظر گرفتن ناهمگنی در دانش فضایی به طور قابل توجهی بر حجم فضایی و حجم جریان ترافیک در یک محیط واقعی در جهان تاثیر می گذارد. این نتایج اولیه نشان می دهد که مدل های فردی شناخت فضایی به طور بالقوه می تواند نقش مهمی در پیش بینی جریان ترافیک شهری ایفا کند و توجه بیشتری به این رویکردها به پیش می رود. یافته های این کار درس های مهمی در توسعه مدل های سیستم های حمل و نقل دارد و پیامدهای بالقوه ای برای سیاست گذاری دارد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
پیش نمایش مقاله
بررسی نقش شناخت فضایی در پیش بینی جریان ترافیک شهری از طریق مدل سازی مبتنی بر عامل
چکیده انگلیسی
Urban systems are highly complex and non-linear in nature, defined by the behaviours and interactions of many individuals. Building on a wealth of new data and advanced simulation methods, conventional research into urban systems seeks to embrace this complexity, measuring and modelling cities with increasingly greater detail and reliability. The practice of transportation modelling, despite recent developments, lags behind these advances. This paper addresses the implications resulting from variations in model design, with a focus on the behaviour and cognition of drivers, demonstrating how different models of choice and experience significantly influence the distribution of traffic. It is demonstrated how conventional models of urban traffic have not fully incorporated many of the important findings from the cognitive science domain, instead often describing actions in terms of individual optimisation. We introduce exploratory agent-based modelling that incorporates representations of behaviour from a more cognitively rich perspective. Specifically, through these simulations, we identify how spatial cognition in respect to route selection and the inclusion of heterogeneity in spatial knowledge significantly impact the spatial extent and volume of traffic flow within a real-world setting. These initial results indicate that individual-level models of spatial cognition can potentially play an important role in predicting urban traffic flow, and that greater heed should be paid to these approaches going forward. The findings from this work hold important lessons in the development of models of transport systems and hold potential implications for policy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part A: Policy and Practice - Volume 109, March 2018, Pages 14-23
نویسندگان
, ,