%0 Journal Article %A Seyedabrishami, Seyedehsan %A Mohades Deylami, Ali %A amini, vajihe %A Iranmanesh, Maryam %T Short-term prediction of passenger demand in bus stations, case study: Karimkhan bridge- Jomhoori square %J Modares Civil Engineering journal %V 18 %N 4 %U http://mcej.modares.ac.ir/article-16-15425-fa.html %R %D 2018 %K Bus stattions passenger demand, Short- term prediction, Times series, Sarima, Neural network, %X افزایش روزافزون جمعیت در شهرها، متوسط مالکیت وسیله نقلیه و توسعه ارتباطات بر پیچیدگی‌های سیستم حمل‌و‌نقل و مشکلات ناشی از آن از جمله تراکم، آلودگی محیط زیست و مصرف منابع تجدیدناپذیر افزوده است. بنابراین تغییر در سیاست‌های حمل‌و‌نقل شهری و تلاش در جهت توسعه حمل‌و‌نقل عمومی، به ویژه اتوبوس، یکی از مهم‌ترین اقدامات در حوزه حمل‌و‌نقل شهری است. برنامه‌ریزی برای استفاده بهینه از زیرساخت‌های اتوبوسرانی نیازمند وجود اطلاعات در زمینه زیرساخت و تقاضای سفر ایستگاه‌های اتوبوس است. بر این اساس، انجام مطالعاتی جهت برآورد تعداد مسافر ایستگاه‌های اتوبوس به منظور برنامه‌ریزی عملیاتی خطوط اتوبوسرانی در شهر تهران ضروری است. در این مطالعه با استفاده از دو پایگاه داده: داده‌های ثبت‌شده تراکنش‌های کارت‌بلیت‌ها و داده‌های ثبت شده توسط موقعیت‌یاب خودکار موجود در اتوبوس‌ها و ساخت مدل مناسب، تعداد مسافر ایستگاه‌های اتوبوس برای آینده کوتاه‌مدت پیش‌بینی می‌گردد. ابتدا اطلاعات یاد شده مربوط به هر خط اتوبوس مرتب شده و سپس، برای تعیین ماتریس مبدأ- مقصد مسافران، دو پایگاه داده با استفاده از کدنویسی در نرم‌افزار متلب تطبیق داده می‌شود. پس از تهیه ماتریس مبدأ- مقصد مسافر، این ماتریس به عنوان پایگاه داده مطالعه مورد نظر قرار گرفته و بر اساس آن مدل ساریما و شبکه عصبی پرداخت می‌شوند. نتایج مدل نشان می‌دهد، مدل پروسپترون چند لایه از لحاظ شاخص‌های خطا در پیش‌بینی تعداد مسافر ایستگاه‌های اتوبوس هر خط از مدل ساریما برتر بوده و روش مناسب‌تری جهت برآورد تعداد مسافر ایستگاه اتوبوس می‌باشد. %> http://mcej.modares.ac.ir/article-16-15425-fa.pdf %P 115-129 %& 115 %! %9 %L A-16-13187-1 %+ Assistant Professor of Transportation Engineering %G eng %@ %[ 2018