ارائه رویکرد فازی برای طراحی خطوط مترو، نمونه موردی توسعه متروی تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه برنامه ریزی حمل و نقل، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران

3 دانشکده فنی و مهندسی، کالج شهر نیویورک، نیویورک، آمریکا

چکیده

از آنجا که احداث خطوط مترو بسیار هزینه‌بر است و همچنین ذی‌نفعان بسیاری بعضا با اهداف متضاد نیز دارد، طراحی آن از مسائل مهم و چالشی برای برنامه‌ریزان و مهندسان حمل و نقل محسوب می‌شود. با توجه به ضعف‌های رویکرد قطعی، در این پژوهش یک رویکرد فازی برای طراحی خطوط مترو پیشنهاد و برای توسعه خطوط متروی تهران پیاده‌سازی می‌گردد. در مدل‌های پیشنهادی از دو تابع هدف 1- بیشینه کردن پوشش شبکه و کمینه کردن هزینه ساخت و 2- بیشینه کردن نسبت پوشش به هزینه ساخت استفاده می‌شود. برای محاسبه جمعیت جذب شده به ایستگاه یک روش فازی و برای اعمال قید حداقل و حداکثر طول کمان،  یک ضریب جریمه فازی پیشنهاد می‌گردد. نتایج طراحی خطوط جدید (خط 8 الی 13) شبکه متروی تهران با رویکرد فازی خطی حاکی از طول کل 139/3 کیلومتر و 118 ایستگاه است (هزینه احداث 47/7 هزار میلیارد تومان) و نسبت بهبود عملکردی (از نظر توپولوژی و پوشش) به هزینه ساخت برابر با 1/52 درصد به ازای هزار میلیارد تومان سرمایه‌گذاری است. از طرفی نتایج طراحی با رویکرد فازی غیرخطی بیانگر طول کل 144/6 کیلومتر و 120 ایستگاه است که با توجه به هزینه ساخت 49/4 هزار میلیارد تومانی، نسبت بهبود به هزینه آن برابر با 48/1 درصد است. مقایسه دو رویکرد نشان می‌دهد که رویکرد فازی می‌تواند 23 درصد بیشتر از رویکرد قطعی وضعیت شبکه را از لحاظ شاخص بهبود عملکردی به هزینه، ارتقا دهد. رویکرد پیشنهادی این مقاله می‌تواند مهندسان و برنامه‌ریزان حمل و نقل را در طراحی کاراتر خطوط مترو یاری نماید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A fuzzy approach for designing of subway lines, case study: development of the Tehran subway network

نویسندگان [English]

  • Amir Reza Mahdavi 1
  • Amirreza Mamdoohi 2
  • Mahdieh Allahviranloo 3
1 Transportation Planning Department, Faculty of Civil and Environmental Engineering, Tarbiat Modares University, Tehran, Iran
2 Associate Professor, Faculty of Civil and Environmental Engineering, Tarbiat Modares University
3 Groove School of Engineering, City College of New York, United States of America
چکیده [English]

Subway network design can be classified as one of the most challenging problems in transportation planning, where different deterministic or non-deterministic approaches have been utilized for optimal design. Non-deterministic methods, having fewer limitations and representing reality with its intrinsic uncertainty, have thus been the focus of less research. This paper incorporates concepts of fuzzy set theory into the optimal design of subway networks to the case of Tehran. Two binary mathematical programming models with different objective functions are developed. The first model maximizes the covered population while minimizing construction cost, whereas the second maximizes the ratio of the covered population to construction cost. These objective functions are modeled in both a fuzzy and a deterministic state. In the fuzzy model, we use a fuzzy penalty factor instead of edge length constraints and propose a Sugeno fuzzy inference system for calculating the covered population. Results indicate that the total length of designed lines with the linear and nonlinear fuzzy approach is equal to 139.3 km (477000 billion Iranian Rials) and 144.6 km (494000 billion Iranian Rials), respectively. Considering topology improvement per construction cost index, designed lines with the linear fuzzy model are better than the nonlinear fuzzy model. In comparison to the classic deterministic approach, the proposed fuzzy approach can improve topology improvement per construction cost index by 23 percent.

کلیدواژه‌ها [English]

  • Fuzzy mathematical programming
  • Fuzzy factors
  • Subway line design
  • Non-deterministic approach
  • Line locating
[1] D. Pulido, G. Darido, R. Munoz-Raskin, J. Moody. The urban rail development handbook. World Bank Group Press, (2018).
[2] G. Laporte, J. A. Mesa, F. A. Ortega, F. Perea. Planning rapid transit networks. Socio-Economic Planning Sciences45(3) (2011) 95-104.
[3] H. Dufourd, M. Gendreau, G. Laporte. Locating a transit line using tabu search. Location Science4(1-2) (1996) 1-19.
[4] G. Bruno, M. Gendreau, G. Laporte. A heuristic for the location of a rapid transit line. Computers & Operations Research29(1) (2002) 1-12.
[5] M. Labbé, G. Laporte, I.R. Martín, J.J.S. González. The ring star problem: Polyhedral analysis and exact algorithm. Networks: An International Journal43(3) (2004) 177-189.
[6] A. Marín. An extension to rapid transit network design problem. Top15(2) (2007) 231-241.
[7] A. Marin, P. Jaramillo. Urban rapid transit network capacity expansion. European Journal of Operational Research191(1) (2008) 45-60.
[8] A. Marín, P. Jaramillo. Urban rapid transit network design: accelerated Benders decomposition. Annals of Operations Research169(1) (2009) 35-53.
[9] S. Kermansshahi, M. Shafahi, Y. Mollanejad, M. Zangui. Rapid transit network design using simulated annealing. In 12th World conference of transportation research (2010) 11-15.
[10] G. Laporte, A. Marin, J.A. Mesa, F. Perea. Designing robust rapid transit networks with alternative routes. Journal of advanced transportation, 45(1) (2011) 54-65.
[11] S. Afandizadeh, M. Ahmadinejad, M. Hashemi. A genetic algorithm approach to metro design problem. Journal of transportation research, 8(1) (2011) 1-10 (In Persian).
[12] G. Gutiérrez-Jarpa, C. Obreque, G. Laporte, V. Marianov. Rapid transit network design for optimal cost and origin–destination demand capture. Computers & Operations Research40(12) (2013) 3000-3009.
[13]G. Laporte, M.M. Pascoal. Path based algorithms for metro network design. Computers & Operations Research, 62 (2015) 78-94.
[14] E.M. de Sá, I. Contreras, J.F. Cordeau. Exact and heuristic algorithms for the design of hub networks with multiple lines. European Journal of Operational Research246(1) (2015) 186-198.
[15] D. Canca, A. De-Los-Santos, G. Laporte, J.A. Mesa. A general rapid network design, line planning and fleet investment integrated model. Annals of Operations Research246(1-2) (2016) 127-144.
[16] L. Cadarso, A. Marín. Rapid transit network design considering risk aversion. Electronic Notes in Discrete Mathematics52 (2016) 29-36.
[17] D. Canca, A. De-Los-Santos, G. Laporte, J.A. Mesa. An adaptive neighborhood search metaheuristic for the integrated railway rapid transit network design and line planning problem. Computers & Operations Research, 78 (2017) 1-14.
[18] G. Gutiérrez-Jarpa, G. Laporte, V. Marianov, L. Moccia. Multi-objective rapid transit network design with modal competition: The case of Concepción, Chile. Computers & Operations Research78 (2017) 27-43
[19] L. Cadarso, A. Marín. Improved rapid transit network design model: considering transfer effects. Annals of Operations Research258(2) (2017) 547-567.
[20] G. Gutiérrez-Jarpa, G. Laporte, V. Marianov. Corridor-based metro network design with travel flow capture. Computers & Operations Research89, (2018) 58-67.
[21] Y. Wei, J.G. Jin, J. Yang, L. Lu. Strategic network expansion of urban rapid transit systems: A bi‐objective programming model. Computer‐Aided Civil and Infrastructure Engineering, 34(5) (2019) 431-441.
[22] A.R. Mahdavi, A.R. Mamdoohi, M. Allahviranloo, Application of a mathematical programming model for development of Tehran metro network, 6th International Conference on Recent Advances in Rail Engineering, (2019) 1-10 (In Persian).
[23] A.R. Mahdavi. An evaluation and development model of Urban Rail Transit Network case study: Tehran metropolitan area, MSc Thesis, Tarbiat Modares University, (2019) (In Persian)
[24] A.R. Mahdavi, A.R. Mamdoohi, M. Allahviranloo, Topology Evaluation of Tehran metro network utilizing a mixed index for metro networks ranking, Amirkabir Journal of Civil Engineering, Online Published (2019) (DOI: 10.22060/CEEJ.2019.16436.6226) (In Persian).
[25] S. Saidi. Long Term Planning and Modeling of Ring-Radial Urban Rail Transit Networks. PhD Dissertation, University of Calgary (2016).
[26] S. Saidi, S. Wirasinghe, L. Kattan. Rail Transit: Exploration with Emphasis on Networks with Ring Lines. Transportation Research Record: Journal of the Transportation Research Board, 2419 (2014) 23-32.
[27] J. Zhang, M. Zhao, H. Liu, X. Xu. Networked characteristics of the urban rail transit networks. Physica A: Statistical Mechanics and its Applications392(6) (2013) 1538-1546.
[28] N. Sharav, S. Bekhor, Y. Shiftan. Network Analysis of the Tel Aviv Mass Transit Plan. Urban Rail Transit4(1) (2018) 23-34.
[29] J. Mahdianpoor, H. Saremi. Analysis of quantitative and economic indicators of housing and forecasting of population structure, housing prices and houses required till 1410 in Tehran, Urban management studies, 9(31) (2017) 37-57 (In Persian).