با جایگذاری معادلات HCM در رابطه فوق هزینه تراکم بصورت زیر قابل محاسبه می باشد :
۴-۱۱-۱- داده های مورد نیاز مدل
جهت محاسبه هزینه های نهایی خارجی تراکم، به داده ها و اطلاعات مختلفی نیاز میباشد که مهمترین آنها عبارتند از:
تردد وسایل نقلیه (حجم ترافیک)
میانگین ترافیک روزانه
الگوی ساعتی تردد وسایل نقلیه
ارزش زمان سفر وسایل نقلیه (اتومبیلهای شخصی، اتوبوسها، تریلی و …)
حال در ادامه موضوع، مختصرا توضیحاتی در مورد مفاهیمی که در مدل به آنها نیاز خواهد بود، آورده خواهد شد.
۴-۱۱-۱-۱- ارزش زمان سفر
هزینه های اجتماعی تراکم رابطه مستقیمی با ارزش زمان سفر دارند. در ادبیات موضوع، روش های مختلفی را جهت محاسبه ارزش زمان سفر به کار می گیرند. به عنوان نمونه، در پروژه UNITE ارزش زمان سفر برای وسایل نقلیه به تفکیک اتومبیل سواری و وسایل نقلیه سنگین باری محاسبه شده است. به طوریکه مقدار محاسبه شده برای اتومبیلهای سواری ۱۱.۸۷ (یورو / وسیله نقلیه -کیلومتر) بوده و مقدار میانگین برای حملونقل باری درسطح اروپا ۴۳ (یورو/ وسیله نقلیه-کیلومتر ) می باشد(پژوهشکده حمل و نقل،۱۳۸۹).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۴-۱۱-۲ مطالعات نمونه صورت گرفته با توجه به مدل ارزش زمان سفر
در پروژه UNITE که با حمایت مالی اتحادیه اروپا در کل کشورهای عضو جهت محاسبه هزینه های نهایی خارجی حمل ونقل انجام گردید، مدلهای مختلفی برای محاسبه هزینه های خارجی تراکم در مدهای مختلف حمل ونقل ارائه گردیده اند. همچنین هزینه های خارجی تراکم در ۱۳ نمونه موردی که دربرگیرنده: راه شهری و بین شهری، حمل ونقل ریلی، هوایی و دریایی بودند، براساس مدلهای ارائه شده محاسبه گردید. در حمل ونقل جاده ای بین شهری مدل ترافیک VACLAV استفاده شده و در چهار مسیر آزادراه پاریس-بروکسل، پاریس-مانیش، کلن -میلان و مانهایم - دویسبورگ به کارگفته شد. به علاوه در نواحی شهری مدل SATURN استفاده گردیده و در شهرهای پاریس، هلینیسکی، ادینبورگ و سالزبورگ پیاده شد. نتایج محاسباتی پروژه های اجرا شده در جدول ۴-۳، داده شده اند.
جدول ۴-۳: نتایج کمی نمونه های موردی اجراشده حمل ونقل جادهای در پروژه UNITE
در پروژه UNITE دو گروه وسایل نقلیه مد نظر قرار گرفتند؛ گروه اول (P) به وسایل نقلیه سبک اطلاق گردید که شامل: اتومبیلهای مسافری، وانتها و غیره بوده و گروه دوم (G) متشکل از وسایل سنگینی چون HGVs و اتوبوسها بودند. فرض گردید که میزان مصرف سوخت در گروه اول وسایل نقلیه درحالت جریان ترافیکی آزاد ۲ برابر حالت وجود ترافیک (توقف نمودن و حرکت کردن) و برای گروه دوم ضریب مذکور ۱.۵ برابر است. همچنین، با فرض مصرف سوخت ۸ لیتر در ۱۰۰ کیلومتر وسایل گروه P و ۳۵ لیتر در ۱۰۰ کیلومتر وسایل گروه G و متوسط قیمت سوخت ۱ یورو، جدول ۴-۱۰ ارتباط بین میزان هزینه های زمان و سوخت اضافی را برای دو گروه وسایل نقلیه نشان می دهد.
بنابراین داده های جدول ۴-۴ نشان داد که برای هر دو گروه وسایل نقلیه تحت شرایط جریان روان ترافیک هزینه های سوخت جزء مهمی از کل هزینه های سوخت و زمان را تشکیل میدهند ( ۳۷ درصد). با این حال، تحت شرایط وجود ترافیک سنگین (توقف و حرکت) مقدار مذکور کاهش چشمگیری را نشان داده به طوریکه سهم آن در گروه P به ۱۱ درصد و در گروه G به ۲۴ درصد می رسد.
جدول ۴-۴: ارتباط هزینه های زمان و سوخت دوگروه وسایل نقلیه
پروژه UNITE جهت محاسبه هزینه های نهایی تراکم وسایل نقلیه در هر کیلومتر از این واقعیت کمک می گیرد که بسته به اهدف سفر مسافرین، ارزش زمانی آنها فرق می نماید. به عنوان مثال در جدول ۴-۵، نمونه ای آورده شده است که نحوه محاسبه متوسط ارزش زمان سفر اتومبیل های شخصی را نشان میدهد. مقدار محاسبه شده ۱۱.۸۷ یورو در هروسیله نقلیه-کیلومتر، می باشد.
جدول ۴-۵: نحوه محاسبه متوسط ارزش زمان سفر اتومبیل های شخصی
در سال ۲۰۰۱ ، ارزش زمان سفر برای اتومبیل های باری در کشورهای اروپایی، به طور متوسط ۴۳ یورو در هر وسیله-کیلومتر تعیین گردید. در پروژه UNITE و برای نمونه های موردی مطالعه شده در کشورهای مختلف از تعدیلاتی که در جدول ۴-۶، مشاهده می شوند، جهت محاسبه ارزش زمان سفر استفاده نمودند.
همچنین اشاره گردیده که داده های فوق تحت شرایط عدم ترافیک معتبربوده و درحالت وجود ترافیک غالباً از ضریب ۱.۵ جهت تعدیل VOT استفاده می شود.
جدول ۴-۶: ارزش زمان سفر اتومبیل ها در کشورهای اروپایی در هر کیلومتر
توابع سرعت-جریان وسایل نقلیه سواری و باری راه های مختلف، به صورت کامل در دستورالعمل EWS داده شدهاند. لازم به ذکر است، تغییرپذیری نتایج نشان داده شده در جدول از یک طرف به ظرفیت راه و ازطرفی دیگر به زمان اعزام برمی گردد. جای تعجب نیست، میانگین هزینه های نهایی خارجی تراکم برای سفرهایی که در طول شب انجام می گیرد، تقریبا سفر باشد. در پروژه UNITE هزینه های نهایی تراکم در ۴ زمان مختلف اعزام (ساعت های : ۶، ۸، ۱۴ و ۲۰) برای آزادراه های مختلف محاسبه شده اند. جدول ۴-۷ نتایج محاسباتی پروژه مذکور را نشان می دهد.
جدول ۴-۷: نتایج محاسباتی هزینه نهایی تراکم برخی از آزادراه های اروپا در سال ۲۰۰۱
بنابراین باتوجه به داده های جدول فوق میتوان استنباط نمود، هزینه های تراکم به شدت به زمان اعزام وابسته اند. در سفرهای شبانه، هزینه های تراکم برای اتومبیل های شخصی ممکن است تا ۹۵ و حتی در برخی مواقع تا ۱۰۰ درصد و برای وسایل نقلیه سنگین باری تا ۹۰ درصد، کاهش پیدا کند.
۴-۱۲- پیش بینی حجم ترافیک
کسب موفقیت در اجرای سیستم های حمل و نقل هوشمند تا حد زیادی به کیفیت و دقت اطلاعات ارائه شده توسط سیستم بستگی دارد. به همین دلیل محققان مختلف همواره برای بهبود عملکرد مدل های پیش بینی حجم ترافیک تلاش کرده اند. از دو دهه گذشته تا کنون مدل های مختلفی با بهره گرفتن از روش های تخصیص ترافیک پویا، روش های آماری و روش شبکه های عصبی برای پیش بینی جریان ترافیک ارائه شده است(افندی زاده،کیانفر،۱۳۸۷). برای این منظور در اینجا ابتدا از یک شبکه عصبی چند لایه ای متشکل از لایه های پنهان داخلی و یک لایه خروجی و در ادامه از روش های آماری بر مبنای رگراسیون برای پیش بینی جریان ترافیک استفاده شده و در انتها به مقایسه این دو روش و نتایج حاصل از آنها خواهیم پرداخت.
۴-۱۲-۱- یادگیری شبکه ­های عصبی
یادگیری بدین معناست که شبکه بر اساس آگاهی از جواب مطلوب به هنگام اعمال ورودی و مشاهده پاسخ خود رفتار خود را طوری تنظیم می­ کند که در لحظه بعدی برای همان ورودی پاسخ مطلوب­تری را نتیجه دهد. به عبارت دیگر شبکه در مسیر زمان یاد می­گیرد که رفتار خودش را بهبود بخشد.
بهبود بخشیدن به این صورت انجام می­ شود که شبکه بردار وزن­ها و بایاس­های خود را طوری تغییر می­دهد که به نتیجه دلخواه برسد. هر نرون بردار وزن­های متناظر خود را مطابق با قانون یادگیری خاص خودش تغییر می­دهد و در این حالت محیط منبع اطلاعاتی هر نرون دیگر ثابت نیست، بلکه با تغییر وزن­های نرون­های دیگر تغییر می­ کند چون محیط منبع اطلاعاتی یک نرون قائم به ذات نیست بلکه وابسته به رفتار نرون­های دیگر در شبکه است. بنابراین معادلات زیر را می­توانیم برای نرون­های یک شبکه بنویسیم.

که در آن  وزن سیناپسی است که j امین عنصر بردار ورودی رابه نرون i ام متصل می­ کند و  ترم اصلاحی می­باشد.
یادگیری بر دو نوع است: یادگیری با ناظر و یادگیری بدون ناظر.
در یادگیری باناظر، به قانون یادگیری مجموعه ­ای از زوج­های داده ­ها به نام داده ­های یادگیری {(Pi,ti) i=1,2,…,L} داده می­ شود که در آن Pi ورودی به شبکه و tiخروجی مطلوب شبکه برای ورودی Piاست پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه به گونه ­ای استفاده می­ شود که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به ti نزدیک­تر گردد. میزان نزدیکی عموما توسط نرم^[۱۱۰] دوم اختلاف بردارها سنجیده می­ شود.
در یادگیری بدون ناظر یا یادگیری خودسازمان ده^[۱۱۱] پارامترهای شبکه تنها توسط پاسخ سیستم اصلاح و تنظیم می­شوند. به عبارتی تنها سیگنال دریافتی از محیط به شبکه را بردارهای ورودی تشکیل می­ دهند. بردار جواب مطلوب به شبکه اعمال نمی­ شود (بر خلاف یادگیری با ناظر) و به عبارت دیگر به شبکه عصبی هیچ نمونه ­ای از تابعی که قرار است شبکه بیاموزد داده نمی­ شود. قانون یادگیری رقابتی عملا یادگیری بدون ناظر است. در عمل مشاهده می­ شود که در بعضی از مواقع که شبکه عصبی از تعداد زیادی لایه­ های نرونی تشکیل شده باشد، یادگیری با ناظر بسیار کند صورت می­پذیرد و در این موارد تلفیق یادگیری باناظر و بدون ناظر پیشنهاد می­گردد.
۱-۱-۱۲-۴- الگوریتم یادگیری پس انتشار خط(BP) ^[۱۱۲]
دراین قسمت نمونه ­ای از روش­های یادگیری شبکه ­های عصبی پیش­خور چندلایه را به طور خلاصه معرفی می­کنیم. البته روش­های یادگیری بسیار زیادی برای این نوع از شبکه ­های عصبی مطرح شده است که ما به ذکر یک روش متداول می­پردازیم.
در اواسط دهه ۸۰ الگوریتم BP به طور وسیعی مطرح گردید. این الگوریتم به طور مستقل توسط Rumelhart در سال ۱۹۸۶ و Parker در سال ۱۹۸۵ دوباره معرفی شده و در دنیای شبکه عصبی معروف گردید. این الگوریتم به صورت زیر بیان می­گردد.
یک شبکه عصبی چند لایه پیش­خور را در نظر بگیرد. ورودی به نرون Iام در لایه k+1 عبارتست از