دانلود ترجمه مقاله بهبود مدل های خدمات حمل و نقل عمومی با نظر گرفتن کووید-19

1. مقدمه 2. مروری بر مقالات 3. مدل الگوی خدمات 4. آزمایش های عددی 5. نتیجه گیری

مروری بر مقالات: بررسی های صورت گرفته حاکی از آن است که طراحی الگوی سرویس یک وسیله نقلیه در سطح عملیاتی (به طور مثال، زمانی که در حال حرکت است) مستلزم این است که مشخص شود کدام یک از ایستگاه های خط بایستی شروع به کار کند و کدام یک بایستی در انتظار باقی بماند (لی و همکاران1991، لین و همکاران، 1995؛ ابرلین، 1997؛ فو و همکاران، 2003؛ گیوتسالیتیس، 2020). لازم به ذکر است که تعیین الگوی خدمات برای هر وسیله نقلیه به صورت مجزا به کاهش پیچیدگی مسئله منجر می شود و مشابه مطالعه حاضر، مطالعات متعدد به روش های جستجوی جامع (سریع و ناشیانه) روی آورند تا از طریق خطوط معمولی حمل و نقل عمومی و با استفاده از مقیاس نسبتاً کوچک، مسئله پویا را حل کنند، زیرا خطوط معمولی حمل و نقل عمومی در کمتر از 40 ایستگاه کار می کنند. (فو و همکاران، 2003؛ سان و هیکمن، 2005؛ گیوتسالیتیس و کتس، 2021). شایان ذکر است که مسئله الگوی سرویس پویا، به عنوان یک مسئله ایستگاه- پرش پویا تلقی می شود که در آن با زمان حرکت وسیله نقلیه، تمام ایستگاه های نادیده گرفته شده تعیین می شوند و به عنوان یک برنامه عدد صحیح غیر خطی متشکل از مفروضات توزیع تصادفی سوار شدن و پیاده شدن (سان و هیکمن، 2005) مدلسازی می شود. همانند مطالعه حاضر، فو و همکاران (2003) برای تعیین توقف های نادیده گرفته شده یک سفر در یک زمان از یک جستجوی جامع استفاده نمودند. همچنین، فو و همکاران (2003) عواملی نظیر کل زمان انتظار مسافران، زمان سپری شده در داخل وسیله نقلیه و کل زمان سفر را به عنوان اهداف مسئله تعیین کردند. همچنین با شبیه سازی مسیر D7 در واترلو، کانادا مزیت بالقوه مورد آزمایش قرار گرفت. فرمول های مختلف مدل ارائه شده از سوی لیو و همکاران (2013)، به اعمال محدودیت ‌های ایستگاه- پرش شدیدتری منجر شد، به طوریکه اگر در یک سفر، یک ایستگاه نادیده گرفته شود، سفر قبلی و بعدی آن نباید هیچ ایستگاهی را نادیده بگیرد. لیو و همکاران (2013) به دلیل پیچیدگی مسئله غیرخطی اعداد صحیح مختلط فرموله شده، به یک الگوریتم ژنتیک روی آوردند که از شبیه‌سازی‌های مونت کارلو ستفاده می کند. ابرلین (1995) از طریق مدل سازی آن به عنوان یک برنامه غیرخطی عدد صحیح با تابع هدف درجه دوم و محدودیت هایی که حل تحلیلی آن را امکانپذیر می کند، مسئله را تا حدوی ساده کرد.

Literature review: Devising the service pattern of a vehicle at the operational level (e.g., when it is about to be dispatched) requires to determine which stops of the line should be served and which should be skipped by that vehicle (see (Li et al., 1991; Lin et al., 1995; Eberlein, 1997; Fu et al., 2003; Gkiotsalitis, 2020)). Determining the service pattern for each vehicle in isolation reduces the problem complexity and, similarly to our study, several works resort to exhaustive search methods (bruteforce) to solve the dynamic problem taking advantage of the relatively small scale of the problem since typical public transport lines operate less than 40 stops (Fu et al., 2003; Sun and Hickman, 2005; Gkiotsalitis and Cats, 2021a). The dynamic service pattern problem, which can be seen as a dynamic stop‐skipping problem where all skipped stops are determined by the time the vehicle is dispatched, is typically modeled as a nonlinear integer program including assumptions of random distributions of boardings and alightings (Sun and Hickman, 2005). Similar to our work, Fu et al. (2003) used an exhaustive search to determine the skipped stops of one trip at a time. Fu et al. (2003) considered the total waiting times of passengers, the in‐vehicle time, and the total trip travel time as problem objectives. The potential benefit was tested with a simulation of route 7D in Waterloo, Canada. Different model formulations, such as Liu et al. (2013), imposed stricter stop‐skipping constraints so that if a trip skips one stop, its preceding and following trip should not skip any stops. Liu et al. (2013) resorted to the use of a genetic algorithm incorporating Monte Carlo simulations because of the complexity of the formulated mixedinteger nonlinear problem. Eberlein (1995) simplified the problem by modeling it as an integer nonlinear program with quadratic objective function and constraints enabling its analytic solution.