Loading...

Solving Location Problem for Vehicle Identification Sensors to Observe or Estimate Path Flows in Larg-Scale Networks

Talebian Yazdi, Pegah | 2018

1541 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 50806 (09)
  4. University: Sharif University of Technology
  5. Department: Civil Engineering
  6. Advisor(s): Shafahi, Yousef
  7. Abstract:
  8. Origin-Destination (OD) demand is one of the important requirements in transportation planning. Estimating OD demand could be an expensive and time consuming procedure. These days using vehicle identification sensors for OD estimation has become very common because of its low cost and high accuracy. In this study, we focus on solving location problems of these sensors with the aim of observe and estimate path flows. These problems have only been solved for small-scale networks until recently due to being computationally expensive. These years two basic models have been introduced : one, without considering time of vehicle ID detection and one, with considering that information. In this study, we try to present a method to solve these models for large-scale networks. Due to resemblance of these models and set covering problem, we used heuristic and meta-heuristic methods based on set covering problem. For this purpose, we defined our new set covering matrix based on prime matrix. In order to determine which method and which model is more appropriate, we chose a large-scale and six medium-scale networks. The results represent that in observation models, considering time of vehicle ID detection doesn't have any affect on number of using sensors; But in estimation models considering that information, specially in low budgets, could increase quality of paths flow estimation. Also results show that through heuristic methods and meta-heuristic methods a greedy algorithm and a Tabu search are more appropriate respectively
  9. Keywords:
  10. Location ; Heuristic Method ; Metaheuristic Method ; Location-Routing Problem (LRP) ; Vehicle Identification Sensor ; Large-Scale Networks

 Digital Object List

 Bookmark

  • فهرست مطالب
  • فهرست اشکال
  • فهرست جداول
  • فصل1 فصل 1 : پیشگفتار
    • 1-1 مقدمه
    • 1-2 تعریف مسئله
    • 1-3 هدف پژوهش
    • 1-4 ساختار پژوهش
  • فصل2 فصل 2 : مروری بر ادبیات پیشین
    • 2-1 مقدمه
    • 2-2 مدلهای مکانیابی سنسورهای تشخیص خودرو جهت برآورد جریانهای هدف
      • 2-2-1 مدل کاستیلو و همکاران
      • 2-2-2 مدل مینگوئز و همکاران
      • 2-2-3 مدل مشاهده جریان هادوی و شفاهی
      • 2-2-4 مدل برآورد جریان هادوی و شفاهی
    • 2-3 مسئله پوشش مجموعه
    • 2-4 حل مسئله پوشش مجموعه
      • 2-4-1 الگوریتم حریصانه جانسون
      • 2-4-2 الگوریتم حریصانه کورمود و همکاران
      • 2-4-3 الگوریتم حریصانه واسکو و همکاران
      • 2-4-4 الگوریتم جستجوی ممنوع سرونه و همکاران
      • 2-4-5 الگوریتم الکترومغناطیس
      • 2-4-6 الگوریتم GRASP
      • 2-4-7 الگوریتم Meta-RAPS
      • 2-4-8 الگوریتم ژنتیک
    • 2-5 جمعبندی
  • فصل3 فصل 3 : مدلهای مکانیابی سنسورهای تشخیص خودرو برای برآورد جریان در مسیرها: الگوریتمها و روشهای حل
  • فصل3 فصل 3 : مدلهای مکانیابی سنسورهای تشخیص خودرو برای برآورد جریان در مسیرها: الگوریتمها و روشهای حل
    • 3-1 مقدمه
    • 3-2 معرفی روشهای حل منتخب مسئله پوشش مجموعه
      • 3-2-1 الگوریتم حریصانه جانسون
      • 3-2-2 الگوریتم حریصانه واسکو و همکاران
      • 3-2-3 الگوریتم جستجوی ممنوع سرونه و همکاران
      • 3-2-4 الگوریتم Meta-RAPS
    • 3-3 تطبیق مدلهای مکانیابی و مسئله پوشش مجموعه
      • 3-3-1 تطابق مدل اول با مسئله پوشش مجموعه
      • 3-3-2 تطابق مدل دوم با مسئله پوشش مجموعه
      • 3-3-3 تطابق مدل سوم با مسئله پوشش مجموعه
      • 3-3-4 تطابق مدل چهارم با مسئله پوشش مجموعه
  • فصل4 فصل 4 :کاربرد مدلهای مکانیابی سنسورهای تشخیص خودرو برای برآورد جریان در مسیرها
  • فصل4 فصل 4 :کاربرد مدلهای مکانیابی سنسورهای تشخیص خودرو برای برآورد جریان در مسیرها
    • 4-1 مقدمه
    • 4-2 معرفی شبکههای مورد مطالعه
      • 4-2-1 شبکههای کوچک مورد مطالعه
      • 4-2-2 شبکه بزرگ مورد مطالعه
    • 4-3 پیشپردازش و آمادهسازی دادهها
      • 4-3-1 آمادهسازی و پیشپردازش دادهها جهت استفاده در مدل اول
      • 4-3-2 آمادهسازی و پیشپردازش دادهها جهت استفاده در مدل دوم
      • 4-3-3 آمادهسازی دادهها جهت استفاده در مدل سوم و چهارم
    • 4-4 نتایج مدلسازی مدل اول و دوم با روشهای یابنده روی شبکههای کوچک
    • 4-5 تعیین مقادیر پارامترها برای الگوریتمهای فرایابنده
      • 4-5-1 رویکرد تعیین پارامترها
      • 4-5-2 تعیین مقادیر پارامترهای الگوریتم جستجوی ممنوع
      • 4-5-3 تعیین مقادیر پارامترهای الگوریتم Meta-RAPS
      • 4-5-4 جمعبندی آزمایشها
    • 4-6 نتایج اجرای مدلهای اول و دوم روی شبکه بزرگ
    • 4-7 نتایج اجرای مدلهای سوم و چهارم روی شبکههای کوچک
    • 4-8 نتایج اجرای مدلهای سوم و چهارم روی شبکه بزرگ
    • 4-9 جمعبندی نتایج
  • فصل5 فصل 5 : خلاصه، نتیجهگیری و پیشنهاد برای ادامه مطالعه
    • 5-1 مقدمه
    • 5-2 خلاصه پژوهش
    • 5-3 محدودیتهای پژوهش
    • 5-4 پیشنهادهایی برای ادامه مطالعه
  • مراجع
...see more