کاربرد روش ترکیبی بهترین- بدترین و الگوریتم ژنتیک در تخمین میزان اهمیت اصول برنامه‌ریزی حمل‌‌ و نقل شهری زیست‌پذیر

خویشداری, ابوالفضل; میرزاحسین, حمید; صالحی کمامردخی, سید کمیل; انصاری, رامین

doi:10.22034/aaud.2024.436788.2859

کاربرد روش ترکیبی بهترین- بدترین و الگوریتم ژنتیک در تخمین میزان اهمیت اصول برنامه‌ریزی حمل‌‌ و نقل شهری زیست‌پذیر

نوع مقاله : مقاله پژوهشی

نویسندگان

ابوالفضل خویشداری ¹

حمید میرزاحسین ²

سید کمیل صالحی کمامردخی ³

رامین انصاری ⁴

¹ دانشجوی دکتری عمران-برنامه‌ریزی حمل و نقل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران.

² دانشیار گروه مهندسی عمران-برنامه‌ریزی حمل و نقل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران (نویسنده مسئول).

³ استادیار گروه مدیریت دولتی و مدیریت شهری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران.

⁴ دانشیار گروه مهندسی عمران-عمران، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی، قزوین، ایران.

10.22034/aaud.2024.436788.2859

چکیده

امروزه با رشد روزافزون شهرنشینی و عدم تناسب زیرساخت‌های حمل و نقل با تقاضای استفاده از خودروی شخصی، اتخاذ برنامه‌های مناسب به منظور ایجاد تناسب مابین تقاضا و عرضه موجود حائز اهمیت است. در این راستا، برنامه‌ریزی حمل و نقل مبتنی بر اشتراک مدهای مختلف یک روش مناسب برنامه‌‌ریزی متناسب با فضا و طراحی المان‌‌های شهری است که بر اساس ۱۰ اصل بنیادین بنا نهاده شده است. این مقاله سعی در تعیین میزان اهمیت هر یک از آن‌ها در حوزه برنامه‌ریزی حمل و نقل شهری زیست‌پذیر دارد. بدین منظور از ترکیب روش بهترین- بدترین با الگوریتم ژنتیک وزن بهینه هر یک از اصول تعریف‌شده تخمین زده شده است. جهت پیاده‌سازی روش پیشنهادی، کلان‌شهر تهران به عنوان یکی از پرتراکم‌ترین شهرهای خاورمیانه به عنوان نمونه موردی مدنظر قرار گرفت. برای جمع‌آوری نظرات خبرگان در ابتدا پرسش‌نامه شناسایی بهترین (بااهمیت‌ترین) و بدترین (کم‌‌اهمیت‌‌ترین) اصل طراحی و جمع‌آوری شد و در ادامه، پرسش‌نامه دوم به‌منظور بررسی وزن هریک از ۱۰ اصل معرفی‌شده در منابع استفاده شد. نتایج پرسش‌نامه اول نشان داد که از بین ۱۰ اصل معرفی‌شده، برای شهر تهران، اصل برنامه‌‌ریزی حمل‌‌ونقل و شهر توأمان بیش‌ترین و اصل تعیین نرخ کرایه عادلانه مدهای مختلف حمل‌‌ونقلی کم‌ترین میزان اهمیت را داشته اند. مطابق با تحلیل پرسش‌نامه دوم و اجرای الگوریتم ژنتیک تا رسیدن به پایداری پاسخ‌‌ها، مشخص شد که اصل برنامه‌‌ریزی حمل‌‌ونقل و شهر توأمان حدوداً سه برابر سایر اصول اهمیت دارد و در برنامه‌‌ریزی‌‌های حمل‌‌ونقل شهری باید به آن توجه ویژه‌ای شود. دلیل این موضوع می‌‌تواند فاصله‌ی قابل توجه شهر تهران از اصول زیست‌پذیر باشد و لذا هم‌‌افزایی در راه‌‌کارهایی که از دید یکپارچه و توأمان به‌دست خواهد آمد می‌‌تواند راهگشای حل مسائل پیچیده شهری باشد.

کلیدواژه‌ها

برنامه‌‌ریزی حمل ‌‌و نقل شهری

شهر زیست‌پذیر

بهترین- بدترین

الگوریتم ژنتیک

عنوان مقاله English

The Use of Hybrid BWM and GA in Estimating the Importance Rate of Planning Principles of Livable Urban Transportation

نویسندگان English

Abolfazl Khishdari ¹

Hamid Mirzahossein ²

Seyyed Komeil Salehi Kamamardakhi ³

Ramin Ansari ⁴

¹ Ph.D. Candidate in Civil Engineering-Transportation Planning, Faculty of Technology and Engineering, Imam Khomeini International University, Qazvin, Iran.

² Associate Professor of Civil Engineering-Transportation Planning, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran (Corresponding Author).

³ Assistant Professor of Public Administration and Urban Management, Faculty of Management and Accounting, Allameh Tabatabaei University, Tehran, Iran.

⁴ Associate Professor of Civil Engineering, Faculty of Engineering and Technology, Imam Khomeini International University, Qazvin, Iran.

چکیده English

Now, the increasing growth of urbanism and inconsistency between transportation infrastructures and demand for personal car use have made it necessary to adopt proper plans to match the existing supply and demand. In this case, transportation planning based on sharing various modes is an appropriate technique of planning matched with the space and design of urban elements structured based on ten fundamental principles. This paper aims to determine the importance rate of these principles in the field of livable urban transportation planning. For this purpose, the optimal weight of defined principles is estimated by using the hybrid Best-Worst Method (BWM) and Genetic Algorithm (GA) technique. To implement the proposed technique, the Tehran metropolis which is one of the overpopulated cities in the Middle East is considered a case study. First, a questionnaire for detecting the best (most important) and worst (less important) principles was designed to collect experts' ideas, and the second questionnaire was then used to examine the weight of the ten principles introduced in the references. Results of the first questionnaire showed that among 10 introduced principles for Tehran, the principle of simultaneous transportation and city planning had the highest importance, and the principle of determining fair carfare for different transportation modes had the lowest importance. According to the analysis of the second questionnaire and implementation of GA until response stability is reached, the principle of simultaneous transportation and city planning is three times more important than other principles, and it must receive special attention in urban transportation planning. The reason may be related to the considerable gap between Tehran and livable principles; thus, synergy in solutions obtained from integrated and simultaneous points of view can solve the sophisticated urban issues.

کلیدواژه‌ها English

Urban Transportation Planning

Livable City

Best-Worst

Angelo, Hillary, and Boris Vormann. 2018. “Long waves of urban reform.” City 22(5-6): 782-800. https://doi.org/10.1080/13604813.2018.1549850.
Antony Arokia Durai Raj, K., and Chandrasekharan Rajendran. 2012. “A genetic algorithm for solving the fixed-charge transportation model: Two-stage problem.” Computers & Operations Research 39(9): 2016-2032. https://doi.org/https://doi.org/10.1016/j.cor.2011.09.020.
Ardjmand, Ehsan, William A. Young, Gary R. Weckman, Omid Sanei Bajgiran, Bizhan Aminipour, and Namkyu Park. 2016. “Applying genetic algorithm to a new bi-objective stochastic model for transportation, location, and allocation of hazardous materials.” Expert Systems with Applications 51: 49-58. https://doi.org/https://doi.org/10.1016/j.eswa.2015.12.036.
Chandra, Aitichya, M. N. Sharath, Agnivesh Pani, and Prasanta K. Sahu. 2021. “A multi-objective genetic algorithm approach to design optimal zoning systems for freight transportation planning.” Journal of Transport Geography 92: 103037. https://doi.org/https://doi.org/10.1016/j.jtrangeo.2021.103037.
Fazayeli, Saeed, Alireza Eydi, and Isa Nakhai Kamalabadi. 2018. “Location-routing problem in multimodal transportation network with time windows and fuzzy demands: Presenting a two-part genetic algorithm.” Computers & Industrial Engineering 119: 233-246. https://doi.org/https://doi.org/10.1016/j.cie.2018.03.041.
Gao, Xuehong, and Gyu M. Lee. 2019. “Moment-based rental prediction for bicycle-sharing transportation systems using a hybrid genetic algorithm and machine learning.” Computers & Industrial Engineering 128: 60-69. https://doi.org/https://doi.org/10.1016/j.cie.2018.12.023.
Ghassemi Tari, Farhad, and Zahra Hashemi. 2016. “A priority based genetic algorithm for nonlinear transportation costs problems.” Computers & Industrial Engineering 96: 86-95. https://doi.org/https://doi.org/10.1016/j.cie.2016.03.010.
Goetz, Andrew R. 2019. “Transport challenges in rapidly growing cities: is there a magic bullet?” Transport Reviews 39(6): 701-705. https://doi.org/10.1080/01441647.2019.1654201.
Gwilliam, K. M. 1974. “Appraising urban transport policy - the new regime.” Projection of population and households : PTRC summer annual meeting.
Hanczar, Paweł, and Arash Zandi. 2021. “A novel model and solution algorithm to improve crew scheduling in railway transportation: A real world case study.” Computers & Industrial Engineering 154: 107132. https://doi.org/https://doi.org/10.1016/j.cie.2021.107132.
INRIX. 2018. “Global traffic scorecard.” http://inrix.com/scorecard/.
Katoch, S., S. S. Chauhan, and V. Kumar. 2020. “A review on genetic algorithm: past, present, and future.” Multimed Tools Appl (80): 8091-8126. https://doi.org/https://doi.org/10.1007/s11042-020-10139-6.
Mahmoudabadi, Abbas, and Reza Tavakkoli-Moghaddam. 2011. “The use of a genetic algorithm for clustering the weighing station performance in transportation – A case study.” Expert Systems with Applications 38(9): 11744-11750. https://doi.org/https://doi.org/10.1016/j.eswa.2011.03.061.
Rezaei, Jafar. 2015. “Best-worst multi-criteria decision-making method.” Omega 53: 49-57. https://doi.org/https://doi.org/10.1016/j.omega.2014.11.009.
SMP. 2017. “Shared Mobility Principles for Livable Cities Launched by Consortium of Transport Experts.” https://www.sharedmobilityprinciples.org/.
Starkie, D. N. M. 1976. “Transportation Planning, Policy and Analysis.” Elsevier.
Tech Business Insider. 2016. 10 million self-driving cars will be on the road by 2020. https://www.businessinsider.com/report-10-million-selfdriving-cars-will-be-on-the-road-by-2020-2015-5-6.
WHO. 2018. Road traffic injuries. https://www.who.int/newsroom/fact-sheets/detail/road-traffic-injuries.
Woo, Young-Bin, and Byung Soo Kim. 2019. “A genetic algorithm-based matheuristic for hydrogen supply chain network problem with two transportation modes and replenishment cycles.” Computers & Industrial Engineering 127: 981-997. https://doi.org/https://doi.org/10.1016/j.cie.2018.11.027.
Zegordi, S. H., and M. A. Beheshti Nia. 2009. “A multi-population genetic algorithm for transportation scheduling.” Transportation Research Part E: Logistics and Transportation Review 45(6): 946-959. https://doi.org/https://doi.org/10.1016/j.tre.2009.05.002.