سنجش عدم قطعیت تقاضای سفر با شبیه سازی مونت کارلو و بررسی تاثیر مولدهای تصادفی گون

انجام نشدن مطالعات عدم قطعیت در برآورد تقاضای سفر، باعث روبرآورد شدن تقاضا و زیان ده شدن برخی پروژه های زیربنایی حمل ونقل شده است. سرمایه گذاری روی زیرساخت هایی با بازدهی اقتصادهی کمتر اما مطمئن تر (ریسک کمتر)، موردتوجه می باشد. شبیه سازی مونت کارلو، یکی از رایجترین روش ها برای بررسی عدم قطعیت و تحلیل حساسیت است. یکی از پایه های اصلی مونت کارلو، به کارگیری مولدهای تصادفی مناسب برای تولید اعداد تصادفی با یکنواختی بالا است. اما یکنواختی اعداد تصادفی تولیدشده توسط مولدهای شبه تصادفی، ممکن است گاهی خوب و گاهی ضعیف باشد. اما مولدهای تصادفی گون سعی در تولید دنباله اعداد تصادفی قطعی با یکنواختی بیشتر و در نتیجه پرکردن بهتر ابرمکعب واحد دارند. لذا ضرورت دارد عدم قطعیت مدل های تقاضای سفر و تاثیر مولدهای اعداد تصادفی بررسی شود. این مقاله به دنبال سه هدف اصلی است: 1- میزان عدم قطعیت مدل های تقاضا (تولید و جذب) سفر را بسنجد؛ 2- با استفاده از تحلیل حساسیت، متغیرهای ورودی که بیشترین نقش را در عدم قطعیت مدل ها دارند، رتبه بندی کند؛ و 3- تاثیر مولدهای شبه تصادفی و تصادفی گون را بر عدم قطعیت بررسی کند. نتایج پژوهش نشان داد مدل تولید و جذب سفر عدم قطعیت ورودی ها را کاهش می دهد و عدم قطعیت مدل های جذب بیشتر از مدل های تولید است. مولد شبه تصادفی ابرمکعب لاتین و مولد تصادفی گون هالتون، پایداری بیشتری دارند.

monte carlo’s simulation to measure the uncertainty of travel demand and examining the impact of quasi-random random number generators

lack of uncertainty studies is one of the common shortcomings in travel demand forecasts. this has led to overestimation of demand and has made some transportation infrastructures unprofitable. investing in projects with less but more reliable profit is important. mount carlo simulation is one of the most common methods for uncertainty and sensitivity analysis. one of the main requirements of monte carlo is the use of efficient random number generators to generate random numbers with high uniformity. but the uniformity of random numbers produced by pseudo-random number generators (prng’s) may be sometimes good and sometimes poor. but quasi-random number generators (qrng’s) produce a sequence of deterministic random numbers with more uniformity and thus better filling the unit hypercube. therefore, it is necessary to examine and quantify the uncertainty of travel demand models and investigate the effects of rng’s. the aims of this research article are threefold: 1. measure the uncertainty of travel demand (production and attraction) models; 2- using sensitivity analysis, rank the input variables that play the most important role in the uncertainty of the model outputs; and 3- investigate the effect of quasi-random and pseudo-random generators on uncertainty. the results of this study showed that the travel production and attraction models reduce the uncertainty of inputs and the uncertainty of the attraction models is higher than the production models. the latin hypercube sampling (lhs) and shuffled halton are marginally more stable than other methods assessed in this study.