مطالعه تطبیقی مدل‌های تخصیص ترافیک تصادفی لوجیت مبنا

پس از کاربرد مدل لوجیت به عنوان مدل انتخاب مسیر در الگوریتم‌های اولیۀ تخصیص ترافیک تصادفی، مدل‌های دیگری برای غلبه بر ضعف نظری آن در به حساب آوردن همپوشانی مسیرها توسعه یافته‌اند. این مدل‌ها فرم بسته و راحتی محاسباتی لوجیت را حفظ می‌کنند، در حالی که نیازی به شبیه‌سازی و تلاش‌های محاسباتی پروبیت ندارند. هدف از این مقاله، ارزیابی مهمترین این مدل‌ها در مقایسه با یکدیگر است. مدل‌های مورد بررسی عبارتند از: مدل لوجیت چندگانه (mnl)، دو مدل mnl اصلاح‌شده با نام‌های clogit و pslogit، و دو مدل از خانوده مقدارحدی تعمیم‌یافته با نام‌های لوجیت آشیانه‌ای متقاطع (cnl) و لوجیت ترکیبی دوتایی (pcl). این مقایسه‌ها در سطوح مختلف ازدحام شبکه (تقاضای مبدا مقصد) و مقادیر متفاوت پراکنش درک کاربران شبکه (پارامتر مقیاس) انجام شده و نیز با نتایج تخصیص ترافیک قطعی مقایسه شد. نتایج برای یک شبکه نُه‌گره‌ای و شبکه نیوین نشان می‌دهد که با افزایش سطح ازدحام، الگوهای کلی جریان‌های کمانی تخصیص‌های تصادفی به جریان‌های کمانی تخصیص قطعی نزدیک می‌شوند؛ در حالی که اختلاف این جریان‌های کمانی در چهار مدلی که تاثیر همپوشانی مسیرها را در نظر می‌گیرند، نسبت به مدل mnl افزایش می‌یابد. هم‌چنین، با افزایش پراکنش درک کاربران، اختلاف جریان‌های کمانی در تخصیص‌های تصادفی نسبت به مدل mnl و هم نسبت به تخصیص قطعی زیاد می‌شوند. به علاوه، نتایج مدل‌های مورد بررسی برای شبکه سوفالز نشان می‌دهند که جریان‌های مسیری در تخصیص‌های تصادفی نسبت به تخصیص قطعی دارای انتروپی به مراتب بیشتری هستند، و بنابراین مدل‌های تصادفی از این نظر جواب‌های محتمل‌تری تولید می‌کنند.

Comparative Analysis of LogitBased Stochastic Traffic Assignment Models

After applying the logit model as a route choice model in early stochastic traffic assignment algorithms, other models have been developed to overcome its theoretical weakness in considering path overlap. These models maintain the closedform and computational convenience of logit, while not requiring simulation and computational efforts of probit. The purpose of this paper is to evaluate the most important of these models in comparison with each other. The models under consideration are Multinomiallogit (MNL) model, two modified MNL models called Clogit and PSlogit, and two models from the generalized extreme value family called crossnested logit (CNL) and PairedCombinatorial logit (PCL). These comparisons were performed at different levels of network congestion (origindestination demand) and different values of perception variance of network users (scaling parameter) and were also compared with results of deterministic traffic assignment. Results of a ninenode and the Nguyen network show that as the congestion level increases, general patterns of link flows of stochastic assignments approach the deterministic assignment link flows; While the difference of these link flows in four models that consider the effect of path overlap increases compared to MNL model. Also, as the variance of user perceptions increases, the difference of link flows of stochastic assignments relative to the MNL model and relative to the deterministic assignment increases. Besides, results of the studied models for the Siouxfalls network show that path flows in stochastic assignments have much more entropy than the deterministic assignment, and therefore stochastic models produce more probable answers in this regard.