سیاست گذاری پیشرفت شهری

سیاست گذاری پیشرفت شهری

بهینه‌سازی زمان‌بندی سیستم متروی شهری برای کاهش زمان سفر و ارتقای کارایی سامانۀ حمل‌و‌نقل

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدمهدی مبارکی 1
علی روغنی عراقی 2
یونس نوراللهی 3
1 دانشجوی کارشناسی ارشد مهندسی سیستم‌های انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای، دانشگاه تهران، تهران، ایران
2 استادیار گروه مهندسی سیستم‌های انرژی پایدار، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای، دانشگاه تهران، تهران، ایران
3 استاد گروه مهندسی سیستم‌های انرژی پایدار، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری‌های میان‌رشته‌ای، دانشگاه تهران، تهران، ایران
10.22034/judpm.2025.504991.1008
چکیده
در این پژوهش، از الگوریتم بهینه‌سازی گرگ خاکستری (GWO) برای تنظیم بهینۀ جدول زمانی سیستم متروی شهری استفاده شده است. هدف اصلی این مطالعه، به حداقل رساندن زمان کلی سفر مسافران شامل زمان انتظار در ایستگاه‌ها و زمان سواری در قطارها است. در مدل پیشنهادی، پارامترهایی نظیر نرخ ورود مسافران، زمان‌های توقف و متغیر بهینه‌سازی h مد نظر قرار گرفته‌اند تا زمان‌های حرکت و توقف به ‌صورت هم‌زمان بهینه شوند. نتایج حاصل از پیاده‌سازی الگوریتم روی داده‌های واقعی نشان می‌دهد با استفاده از این روش، تابع هدف به‌ طور قابل توجهی کاهش یافته و مقدار آن از 75/23500 ثانیه به 12/16939 ثانیه رسیده است. همچنین، کاهش زمان انتظار در ایستگاه‌های پرتردد به بهبود قابل ‌توجه کارایی سیستم و افزایش رضایت مسافران منجر شده است. این رویکرد نوین می‌تواند زمینه‌ساز توسعۀ راهکارهای هوشمند در سامانه‌های حمل‌و‌نقل عمومی، کاهش هزینه‌های عملیاتی و ارتقای عملکرد سیستم مترو شود. نتایج به‌دست‌آمده، افق‌های جدیدی را برای تحقیقات آتی در جهت بهبود بیشتر زمان‌بندی و مدیریت سامانه‌های مترو فراهم می‌آورد
کلیدواژه‌ها
بهینه‌سازی
زمان انتظار
زمان سفر
مترو
الگوریتم گرگ خاکستری
موضوعات

عنوان مقاله English

Optimization of Urban Metro Scheduling for Reducing Travel Time and Enhancing Transportation System Efficiency

نویسندگان English

Mohammad Mahdi Mobaraki 1
Ali Roghani Araghi 2
Younes Noorollahi 3
1 M.Sc. Student, School of Energy Engineering and Sustainable Resources, College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran
2 Assistant Professor, School of Energy Engineering and Sustainable Resources, College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran
3 Professor, School of Energy Engineering and Sustainable Resources, College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran
چکیده English

In this study, the Grey Wolf Optimizer (GWO) algorithm is effectively employed to optimally schedule an urban metro system. The primary objective of this research is to significantly minimize the total passenger travel time, including waiting time at stations and in-train travel time. The proposed model considers parameters such as passenger arrival rates, stop durations, and the optimization variable h to simultaneously optimize departure and stop times. The implementation results on real-world data indicate that the cost function is significantly reduced from 23,500.75 seconds to 16,939.12 seconds using this approach. Additionally, the reduction in waiting time at high-traffic stations leads to a substantial improvement in system efficiency and passenger satisfaction. This innovative approach can pave the way for developing intelligent solutions in public transportation systems, reducing operational costs, and enhancing metro system performance. The results obtained open new avenues for future research aimed at further improving metro scheduling and management.

کلیدواژه‌ها English

Optimization
Waiting Time
Travel Time
Metro
Grey Wolf Algorithm
  1. Adjiman, C.S., et al., A global optimization method, αBB, for general twice-differentiable constrained NLPs—I. Theoretical advances. Computers & Chemical Engineering, 1998. 22(9): p. 1137-1158.
  2. Serafini, P. and W. Ukovich, A mathematical model for periodic scheduling problems. SIAM Journal on Discrete Mathematics, 1989. 2(4): p. 550-581.
  3. Kroon, L., et al., The new Dutch timetable: The OR revolution. Interfaces, 2009. 39(1): p. 6-17.
  4. Carey, M., A model and strategy for train pathing with choice of lines, platforms, and routes. Transportation Research Part B: Methodological, 1994. 28(5): p. 333-353.
  5. Caprara, A., M. Fischetti, and P. Toth, Modeling and solving the train timetabling problem. Operations research, 2002. 50(5): p. 851-861.
  6. Vansteenwegen, P. and D. Van Oudheusden, Developing railway timetables which guarantee a better service. European Journal of Operational Research, 2006. 173(1): p. 337-350.
  7. Hänseler, F., B. Farooq, and M. Bierlaire. Preliminary ideas for dynamic estimation of pedestrian origin-destination demand within train stations. in Swiss Transport Research Conference. 2012.
  8. Cacchiani, V. and P. Toth, Nominal and robust train timetabling problems. European Journal of Operational Research, 2012. 219(3): p. 727-737.
  9. Barrena, E., et al., Single-line rail rapid transit timetabling under dynamic passenger demand. Transportation Research Part B: Methodological, 2014. 70: p. 134-150.
  10. Cordone, R. and F. Redaelli, Optimizing the demand captured by a railway system with a regular timetable. Transportation Research Part B: Methodological, 2011. 45(2): p. 430-446.
  11. Niu, H. and X. Zhou, Optimizing urban rail timetable under time-dependent demand and oversaturated conditions. Transportation Research Part C: Emerging Technologies, 2013. 36: p. 212-230.
  12. Muro, C., et al., Wolf-pack (Canis lupus) hunting strategies emerge from simple rules in computational simulations. Behavioural processes, 2011. 88(3): p. 192-197.
  13. Mirjalili, S., S.M. Mirjalili, and A. Lewis, Grey wolf optimizer. Advances in engineering software, 2014. 69: p. 46-61.
سیاست گذاری پیشرفت شهری
دوره 2، شماره 1
بهار 1404
صفحه 17-30

  • تاریخ دریافت 25 آذر 1403
  • تاریخ بازنگری 25 دی 1403
  • تاریخ پذیرش 25 بهمن 1403
  • تاریخ انتشار 15 فروردین 1404