Professional Documents
Culture Documents
Ne mogu svi modeli biti primenjeni na oba naina. Na primer ako model sadri
mnogo parametara koji nisu prnosivi na budue mesto ili vreme, takav model je
manje pogodan za predvianje buduih zahteva putovanja.
y = f ( , x)
gde je:
model parametra
-primarnu matricu
-Uvid preko reg. Tablica. Ovo je specijalan tip uvida gde je prolaz vozila zabeleen
na nekoliko lokacija na mrei. To se obino radi manualno, ali poslednjih decenija
razvija se oprema za automatizaciju ovog zadatka. Sve take prelaska kada su
udruene prave kompletan uvid. Ovo u realnosti obino nije tako, zato to se prave
greke prilikom zabeleke registracija. Zbog ovog nedostatka obino se javljaju
neloginosti u tabelama koje moraju biti ispravljene. Na primer, kada se na
kordonima loe zabelei registracija to moe delovati kao da su napravljena dva
putovanja umesto jednog. Ovo moe dovesti do precenjivanja broja putovanja i
podcenjivanja broja putovanja kroz prouavanu oblast. Pored ispravljanja greaka
poput zamene dva znaka, dve modifikacije u eksperimentalnoj postavci su mogue
koje su namenjene redukciji loih tumaenja.
Primer 8.1
Uzmimo neko podruje prouavanja za koju nam treba procena matrice bazne
godine (spoljne zone nisu uzete u obzir). Dostupni su sledei podaci:
y = f ( , x)
Deterministiki modeli su definisani u vidu jednaina, npr. Sve ili nita model.
Stohastiki model je definisan u uslovima verovatnoe distribucije. Jednaine
modela sadre greke uslova:
y = f ( , x) +
D( y, y( , x)) (8.4)
Gde je:
y = [ y1 , y2 ,...yn ] : posmatrane vrednosti
y( , x) = [y1( , x), y1( , x) yn( , x) ] : vrednosti predviene modelom
= [1 , 2 ,... k ] : parametric modela
k : broj nepoznatih parametara
n : broj posmatranja
D(a,b) = 0 a=b
raspodela pokazuje
Multinominalna podaci uvida verovatnou uspeha xi
prilikom izvoenja N
sa istom verovatnoom
Treba istai da su Poasonova i Normalna raspodela skoro indentine ako su
njihove vrednosti vee od 12 (E[x] > 12) a njihove varijacije jednake ( = 2).
Zbog ovoga izbor raspodele koriene u modelu u praksi esto zavisi od praktinih
razloga, kao to je lakoa manipulacije matematikim jednainama koje iz njih
proizilaze.
Za podatke dobijene iz OD-a uslov E[x] > 12 e teko biti ispunjen. Obino je broj
putovanja posmatranih u OD elijama mali. U ovakvim sluajevima ne moemo
koristiti Normalnu raspodelu ve su povoljnije Poasonova ili Multinominalna.
Zajedno sa:
Qi sposobost proizvodnje
Xj sposobnost atrakcije
F(cij) funkcija diskretne raspodele
cij generalizovani trokovi putovanja
Zajedno sa:
Tij ~ Poason[Qi X j F k ]
Drugim reima:
exp[Qi X j F k ] (Qi X j F k )
P[Tij ] =---------------------------
- Tij !
Fk je skraeno za Fk kij .
Ako uzmemo u obzir interpretaciju Tij u planiranju transporta, onda mozemo uzeti
Poasonovu raspodelu iz sledeih razloga:
Pregled se uzima preko sluajno izvuenog putovanja i izraen je preko {nij} sa:
sa:
N
c= ---
T
i:
T = Tij
Zato to rezultati prikaza mogu biti smatrani nezavisnim, pa verovatnoa ishoda
{nij} sa parametrima {Qi}, {Xj} i {Fk} je data od:
exp[cQi X j F k ] (cQi X j F k )
P[nij | Qi , X j , F k ] = ----------------------------------
nij !
Qi 0 X j 0 j
F k 0 k
Maksimizacija logverodostojnsti
log L
= 0 i
Qi
log L
= 0 j
X j
log L
= 0 k
kF
(cX j F) Sij=0 i
(cQ F i k + X)Sij = 0 j
Pa je ekvivalentno:
Qi = S ij nij / S ij cX j F k , i
X j = S ij nij / S ij cQi F k , i
Algoritam reavanja
Korak 4 stop
Zakljuak
-Cene uvida mogu biti sauvane kada su mete uvida svedene na pojedine grupe
elija. U ovom sluaju i dalje je mogua procena parametara. Meutim u zavisnosti
od izbora lokacija, brojanje saobraaja moe biti veoma korelativno to moe
dovesti i do nejedinstvenih reenja.
Primer 8.2
Uzeti u obzir da su svi podaci dosledni, zato nema potrebe za balansom krajeva
putovanja i OTLD-a.
Raunanje:
Ovaj postupak moe biti ponovljen do, na primer, 10 iteracija. Posle desete
iteracije konaan rezultat je:
Preanji primer i slini prorauni mogu biti programirani veoma prosto. Kao
ilustracija dole je prikazan Matlab-ov kod koji je potreban za procenu parametara
preanjeg primera.
-kraj primera-
Tij = Qi X j F(cij )
Kada je za F(cij) data funkcija raspodele. Ova raspodela moe biti diskretna,
eksponencijalna ili drugacija. Drugi uslovi su:
Korak 0 Balansiranje dolaznih i odlaznih putovanja. Ovo moe biti odraeno ili
promenom dolaznih ili odlaznih putovanja ili promenom i jednih i drugih. Ovaj
korak je potreban za garanciju konvergencije algoritma.
Xj 2.
Korak 4- stop
n ( p) n (q)
Tij( n ) = i j F (c ij )
p =1 q =1 Zajedno sa:
n ( p) n (q)
Qi = i X j = j
p =1 q =1
8.6 Procena parametara u eksponencijalnoj funkciji
raspodele
U sekciji 8.4 pokazali smo kako parametri mogu biti odreeni za diskretnu
funkciju raspodele kada su dostupni krajevi putovanja i OTLD. Slina je procedura
i za procenu parametara u eksponencijalnoj raspodeli. Ovaj metod je poznat kao
Hajmanov metod. Slina procedura moe biti dobijena za procenu parametara u
drugim uslovima kontinuirane funkcije raspodele.
F (cij ) = exp[c ij ]
Gde je parametar koji treba da bude procenjen. Izbor ima veliki uticaj na OD
matricu kada se koristi proces iz 8.5. Zato to funkcija raspodele predstavlja
relativnu volju putovanja u funkciji trokova. Veliko znai veliki broj kratkih
putovanja i obrnuto.
Za j : Sa:
( n +1) Aj
( n) Aj (n)( n +1)X (j n ) t ij, with: Tij =
Xj = ------------------ = Xj ---------------
- Qi( n +1) t ij Qi
Tij( n )
(c c ( n 1) ) ( n 1) (c c ( n ) ) ( n )
=
c ( n ) c ( n 1)
Korak 4 Proveriti da li se parametri izraunati u trenutnoj iteraciji sutinski
razlikuju od parametara iz prethodne iteracije. Ako je to sluaj ponoviti korak 2.
Korak 4 stop
Ova procedura je poznata pod mnogim imenima
Tij = Qi X j t ij , i, j
kao to je Furnesovo balansiranje i
bioproporcionalno uklapanje. Lako je videti posle ponavljajueg slaganja kolona i
redova nai odgovarajue granice koje zadovoljavaju:
rr
q a = ij ra Tij = Tij ij ra
ij rijr
Veza izmeu OD matrice i protoka veza qa je data kao:
a0 < ij < 1
Tij = Tij( n ) , i, j
Korak 4 stop
Kao to je sluaj kada je matrica unapreena pomou krajeva putovanja, moe biti
pokazano da rezultujua matrica putovanja Tij maksimizira entropiju.
8.9 Diskusija
U ovom poglavlju algoritmi su prezentirani da procene OD matrice i parametre
funkcije raspodele. Teorijsko pokazivanje koje se odnosi na Poasonov procenjiva.
Na slian nain druge metode mogu biti pokazane, meutim ovo je ostavljeno kao
veba. Zato to se sve metode sastoje od sekvence reajuih operacija, OD elije
koje ne doprinose ni jednoj taki ni margini (Ai ili Pi) ostaju nepromenjene. Ovo
moe biti nepoeljan efekat, na primer, kada je stara matrica unapreena na novu
baznu godinu. U ovom sluaju neko bi eleo da izrazi generalni rast saobraaja sa
reajuim faktorima koji se odnose na sve elije, i prihvati ova reanja pre reanja
malih grupa elija. Modifikacije kao to je ova na metodama opisanim u ovom
poglavlju su koriene esto u praksi zbog mnogih razloga.