پیش‌بینی تقاضای سفر با استفاده از روش‌های سری زمانی میانگین متحرک خود همبسته (مطالعه موردی: آزادراه قم-تهران)

مهندسی عمران فردوسی

دوره 36، شماره 1 - شماره پیاپی 41، فروردین 1402، صفحه 35-50   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2023.77217.1157

نویسندگان

حسن خاکسار^{* 1}؛ سید احمد الماسی²؛ امیر گلرو³؛ محمد مهدی خبیری⁴؛ حسین بهمنی⁵

¹گروه حمل‌ونقل، دانشکده عمران، دانشگاه آزاد اسلامی واحد تهران شمال، ایران

²گروه برنامه ریزی حمل و نقل، دانشگاه بین المللی امام خمینی، قزوین، ایران

³دانشکده مهندسی عمران و محیط زیست گروه آموزشی ژئوتکنیک و راه و ترابری دانشگاه صنعتی امیر کبیر

⁴دانشکده مهندسی عمران - بخش ژئوتکنیک و راه ، دانشگاه یزد

⁵دانشکده مهندسی عمران، دانشگاه یزد

چکیده

کیفیت جریان ترافیک یکی از مشخصات اصلی شبکه حمل‌ونقل است که کاربرد فراوانی در مسائل مرتبط با برنامه‌ریزی شهری، اولویت بندی مسیرها، کاهش تراکم ترافیک و زمان سفر دارد؛ بنابراین برآورد میزان حجم ترافیک و پیش‌بینی آن در آینده یکی از مسائل مهم برنامه‌ریزان حوزه حمل‌ونقل است. مسئله پیش‌بینی، مستلزم مدل‌سازی و تعیین متغیرهای تأثیرگذار روی تغییرات پدیده‌ای خاص است. در این پژوهش به پیش‌بینی تقاضای سفر با استفاده از روش‌های سری زمانی پرداخته شده است. داده‌های موردنیاز این تحقیق، از سازمان راهداری و حمل‌ونقل جاده‌ای تهیه گردیده است. در این مطالعه به منظور ساخت مدل، از دو فرآیند اتورگرسیو و میانگین متحرک با رویکرد باکس-جنکینز استفاده شده است. . با استفاده از روش‌های فوق، میزان تقاضا در سال‌های آتی تا افق 1404 در آزادراه قم-تهران پیش‌بینی شده است. نتایج مطالعه نشان داد، از بین مدل‌های خود همبسته و میانگین متحرک و تلفیق دو مدل یعنی میانگین متحرک-خود همبسته، مدل سوم دقت قابل‌قبول‌تری دارد. پارامترهای این مدل (4,5)ARMA به دست آمد. همچنین صحت سنجی مدل ساخته شده، بر اساس مقدار میانگین درصد خطای مطلق، 047/0، مقادیر R و R2 به ترتیب 94/0 و 89/0 محاسبه شد که نشان می‌دهد مدل از دقت قابل قبولی برخوردار است.

کلیدواژه‌ها

تقاضای سفر؛ سری زمانی میانگین متحرک خود همبسته؛ روش باکس-جنکینز؛ مدل پیش‌بینی

مراجع

1. Afandizadeh, A. Momenpour, “Analysis of demand for travel analysis with approach to neural network model and regression method, case study (Khalkhal-Ardabil)”, 14th International Conference on Transport and Traffic Engineering, 14 p. (in Persian), 2014.
2. E. Kimes, “Transportation revenue management: could it work”, Journal of Revenue and Pricing Management, Vol. 4, No. 1, pp. 95-97, 2005.
3. Misuk, “Modeling and forecasting hotel room demand based on advance booking information”, Tourism Management, Volume 66, pp. 62-71, 2017.
4. Tiago, F. Dantas, C. Luiz, H. Oliveira, V. R. Miguel, “Air transportation demand forecast through Bagging Holt Winters methods”, Journal of Air Transport Management ,Vol. 59, pp. 116-123, 2017.
5. Usman, T. Umer, S. Güven, “Forecasting performance of smooth transition autoregressive (STAR) model on travel and leisure stock index”, The Journal of Finance and Data Science, Vol. 4, Issue 2, pp. 90-100, 2018.
6. Guo, T. Zhang, “A residual spatio-temporal architecture for travel demand forecasting”, Transportation Research Part C: Emerging Technologies ,115: 102639, 2020.
7. F. Rossi, “Travel Demand Forecasting: Where are we and What are the Emerging Issues”, 2021.
8. Liang, et al, “On region-level travel demand forecasting using multi-task adaptive graph attention network”, Information Sciences, 2022.
9. Hamad, L. Obaid, “Tour-based travel demand forecasting model for a university campus”, Transport Policy, 117, pp. 118-137, 2022.
10. Marc, P. B. Gelhausen, W. Dieter, “A new direct demand model of long-term forecasting air passengers and air transport movements at German airports”, Journal of Air Transport Management, Available online 12 April, p. 16 2018.
11. Chyon, et al, “Time series analysis and predicting COVID-19 affected patients by ARIMA model using machine learning.”, Journal of Virological Methods, 301: 114433, 2022.
12. Ghasemi, “Application of Neural Networks in Time Series Forecasting and Comparison with ARIMA Model”, Commercial Journal, pp. 88 to 110 (in Persian), 2001.
13. Sarlak, “Comparative evaluation of AR, MA, ARMA, ARIMA time series models in predicting the stock index of Tehran Stock Exchange”, New research in management and accounting, second year, No. 3, pp. 130-145 (in Persian), 2017.
14. Gupta, A. Kumar, “Two-step daily reservoir inflow prediction using ARIMA-machine learning and ensemble models”, Journal of Hydro-environment Research 45: 39-52, 2022.
15. Nazeri Tohridi, “Evaluation of univariate, multivariate and time series compilations in predicting and estimating the average annual sediment load (Case study: Sistan River),” Environmental Erosion Research, pp. 52-70 (in Persian), 2016.
16. Chakraborty, S. K. Sanyal, “Time-series data optimized AR/ARMA model for frugal spectrum estimation in Cognitive Radio.”, Physical Communication, 44: 101252, 2021.
17. R. Sahbald, “Performance Comparison Genetic Planning and Time Series Pattern In the short-term forecast of passenger demand for Iranian Railways”, the Railway Research and Training Center No. 287, 6 p (in Persian), 2015.
18. Afandizadeh, “Formulation of a Methodology for Assessing Parameters Effective on the Demand of Air Travel in Iran”, International Journal of Engineering Sciences of Iran University of Science and Technology, Vol. 19, p. 89-97(in Persian), 2008.
19. Pourkazemi, M. Asadi, “Dynamic prediction of crude oil prices using artificial neural networks and with the use”, Master's thesis, faculty, Petroleum Systems of the Economic and Political Sciences of the Shahid Beheshti University, p. 73(in Persian), 2009.
20. P. Karmy and S. Maldonado, “Hierarchical time series forecasting via support vector regression in the European travel retail industry”, Expert Systems with Applications 137: 59-73, 2019.
21. Taymouri, “Designing the Mathematical Model for predicting demand for travel by train using time series of case studies: Khorasan axis”, Eighth Railway Transportation Conference, 15 p, 2006. (in Persian)