شبیه‌سازی عامل‌مبنا برای کاهش آلودگی و تاخیر در تقاطع‌‌های هم‌سطح چراغ‌دار

اظهری, فرزاد; رصافی, امیرعباس; پورمعلم, ناصر

doi:10.48301/kssa.2025.494106.3086

شبیه‌سازی عامل‌مبنا برای کاهش آلودگی و تاخیر در تقاطع‌‌های هم‌سطح چراغ‌دار

نوع مقاله : مقاله پژوهشی (کاربردی)

نویسندگان

فرزاد اظهری ¹

امیرعباس رصافی ²

ناصر پورمعلم ³

¹ دانش آموخته کارشناسی ارشد، گروه برنامه‌ریزی حمل‌ونقل، دانشگاه بین المللی امام خمینی، قزوین، ایران

² استاد، گروه برنامه‌ریزی حمل‌ونقل، دانشگاه بین المللی امام خمینی، قزوین، ایران

³ گروه برنامه‌ریزی حمل‌ونقل، دانشگاه بین المللی امام خمینی، قزوین، ایران

10.48301/kssa.2025.494106.3086

چکیده

افزایش تعداد وسایل نقلیه موتوری و رشد جمعیت، منجر به تشدید ترافیک، کاهش کارایی سیستم‌های حمل‌ونقل، افزایش آلودگی هوا و مصرف سوخت شده است. این پژوهش با به‌کارگیری شبیه‌سازی عامل‌مبنا، تأثیر عامل‌های ترافیکی شامل زمان‌بندی چراغ‌های راهنمایی و تغییرات در طرح هندسی تقاطع را بر شاخص‌های ترافیکی (تاخیر) و ‌محیط زیستی (میزان آلاینده‌ها) در یک تقاطع چراغ‌دار در شهر قزوین بررسی می‌کند. در این راستا، شش سناریو با ترکیب‌های گوناگون از زمان‌بندی چراغ (زمان‌های سبز 25، 35 و 45 ثانیه) و نوع طرح هندسی (افزودن یا عدم افزودن خط چپ‌گرد اختصاصی) طراحی شده، و تاثیر انتخاب هر سناریو بر پنج متغیر پاسخ، یعنی تاخیر، دی‌اکسید کربن، اکسید‌های نیتروژن، مونوکسید کربن و هیدروکربن‌‌ها بررسی شده است. در شبیه‌سازی عامل‌مبنا، خودروها به‌عنوان عامل‌های مستقل در نظر گرفته شده‌اند که بر اساس قوانین حرکتی و تعامل با چراغ‌های راهنمایی، رفتار خود را تنظیم می‌کنند. شبیه‌سازی‌ها برای سناریوهای مختلف (هر سناریو 100بار) در محیط نرم‌افزار NetLogo اجرا شده‌اند و سناریوی بهینه از نظر کاهش تاخیر ترافیکی و آلودگی هوا با مقایسه جفت سناریوها از طریق آزمون t مشخص شده است. نتایج نشان می‌دهد که انتخاب طرح هندسی مناسب و زمان‌بندی بهینه چراغ‌های راهنمایی می‌تواند تا ۳۰٪ از آلودگی هوا و ۳۸٪ از تاخیر ترافیکی بکاهد. این پژوهش نشان می‌دهد که به‌کارگیری شبیه‌سازی عامل‌مبنا می‌تواند به بهبود مدیریت ترافیک شهری و کاهش اثرات زیست‌محیطی، بدون نیاز به اجرای سیاست‌ها در محیط واقعی (که مستلزم هزینه و زمان قابل توجهی است)، کمک شایانی کند.

کلیدواژه‌ها

تاخیر ترافیک

آلودگی هوا

تقاطع چراغ‌دار

شبیه‌سازی عامل‌مبنا

بهینه‌سازی

موضوعات

مهندسی عمران

عنوان مقاله English

Agent-Based Simulation for Reducing Pollution and Delay at Signalized Intersections

نویسندگان English

Farzad Azhari ¹

Amir Abbas Rassafi ²

Nasser Pourmoallem ³

¹ M.Sc., Department of Transportation Planning, Imam Khomeini International University, Qazvin, Iran.

² Professor, Department of Transportation Planning, Imam Khomeini International University, Qazvin, Iran.

³ Department of Transportation Planning, Imam Khomeini International University, Qazvin, Iran.

چکیده English

The increase in the number of motor vehicles and population growth has led to intensified traffic congestion, reduced efficiency of transportation systems, increased air pollution, and higher fuel consumption. This study employs agent-based simulation to investigate the impact of traffic factors, including traffic light timing and changes in the geometric design, on traffic indicator (delay) and environmental indicators (pollutant levels) at a signalized intersection in Qazvin city. In this regard, six scenarios with various combinations of signal timing (green times of 25, 35, and 45 seconds) and geometric design (adding or not adding an exclusive left-turn lane) were designed, and the impact of each scenario on five response variables—namely delay, carbon dioxide, nitrogen oxides, carbon monoxide, and hydrocarbons—was examined. The simulations for different scenarios were conducted in the NetLogo software environment, and the optimal scenario for reducing traffic delay and air pollution was identified through pairwise comparison using the t-test. The results indicate that selecting an appropriate geometric design and traffic light timing can reduce air pollution by up to 30% and traffic delay by up to 38%. This study demonstrates that the application of agent-based simulation can significantly contribute to improving urban traffic management and reducing environmental impacts without the need for implementing policies in the real world, which often require substantial time and cost.

کلیدواژه‌ها English

Traffic Delay

Air Pollution

Signalized Intersection

Agent-Based Simulation

Optimization

[1] Azadi, M., Dezianian, S., Navi, A., Salmani, A., Qaraati, T., & Faraji, A. (2022). Development of a Driving Cycle Based on Data Recorded from an Electric-gasoline Hybrid Vehicle on Two Routes in Tehran City with K-means Algorithm (In Persian). Karafan Journal, 19(1), 629–652. https://doi.org/10.48301/kssa.2022.315133.1840

[2] Mohammad Zadeh, M., Dadashi, A., & Azadi, M. (2024). Designing a Driving Cycle in the City of Semnan with Data Collection Using Chasing Vehicles and Clustering with the K-means Algorithm (In Persian). Karafan Journal, 21(3), 183–207. https://doi.org/10.48301/kssa.2024.431197.2792

[3] Asgari, M., & Boroujerdian, A. m. (2024). Investigating the Effect of Signalized Intersections on the Safe Design of Urban Road Networks (In Persian). Karafan Journal, 21(1), 569–588. https://doi.org/10.48301/kssa.2024.432877.2798

[4] Yousefi, S., Rassafi, A. A., & Mirbaha, B. (2016). Optimization of traffic signal timing based on reduction in environmental impacts (In Persian) [M.Sc. Thesis, Imam Khomeini International University]. Imam Khomeini International University. www.ikiu.ac.ir

[5] Railsback, S. F., & Grimm, V. (2019). Agent-based and individual-based modeling: A practical introduction. Princeton University Press. https://press.princeton.edu/books/hardcover/9780691190822/agent-based-and-individual-based-modeling?srsltid=AfmBOoor2I-IUqBZtIv72MTmR0myI2icTmHOeJ4V3yFQwLfgI2DqUyVE

[6] Tesfatsion, L., & Judd, K. L. (Eds.). (2006). Handbook of computational economics: agent-based computational economics. Elsevier. https://doi.org/https://doi.org/10.1016/S1574-0021(05)02039-3.

[7] Akhondi, M., & Mesgari, M. S. (2023). Agent-based Modelling for Backup Aircraft Site Selection to Decrease Flight Delay Time (Case Study: Qeshm Airlines) (In Persian). Karafan Journal, 20(1), 453–476. https://doi.org/10.48301/kssa.2022.334125.2047

[8] Bazzan, A. L. C., & Klügl, F. (2009). Multi-agent systems for traffic and transportation engineering. IGI Global. https://doi.org/10.4018/978-1-60566-226-8

[9] Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modeling and simulation. Journal of Simulation, 4, 151–162. https://doi.org/https://doi.org/10.1057/jos.2010.3

[10] Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the national academy of sciences, 99(suppl_3), 7280–7287. https://doi.org/https://doi.org/10.1073/pnas.082080899

[11] Waddell, P. (2002). UrbanSim: Modeling urban development for land use, transportation, and environmental planning. Journal of the American planning association, 68(3), 297–314. https://doi.org/https://doi.org/10.1080/01944360208976274

[12] Batty, M. (2009). Cities and complexity: understanding cities with cellular automata, agent-based models, and fractals. MIT Press.

[13] Zhuge, C., & Shao, C. (2018). Agent-based modelling of locating public transport facilities for conventional and electric vehicles. Networks and Spatial Economics, 18, 875–908. https://doi.org/https://doi.org/10.1007/s11067-018-9412-3

[14] Wei, H., Zheng, G., Gayah, V., & Li, Z. (2019). A survey on traffic signal control methods (1904.08117). Association for Computing Machinery. https://doi.org/10.48550/arXiv.1904.08117

[15] Rodríguez, R. A., Virguez, E. A., Rodríguez, P. A., & Behrentz, E. (2016). Influence of driving patterns on vehicle emissions: A case study for Latin American cities. Transportation Research Part D: Transport and Environment, 43, 192–206. https://doi.org/https://doi.org/10.1016/j.trd.2015.12.008

[16] Eskandari, R., Rassafi, A. A., & Behnood, H. R. (2020). Modelling noise in an urban intersection (A case study) (In Persian) [Original Research]. Modares Civil Engineering journal, 20(3), 69–78. https://doi.org/http://mcej.modares.ac.ir/article-16-35615-fa.html

[17] Wilensky, U. (1999). NetLogo In Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL. http://ccl.northwestern.edu/netlogo/

[18] Chandler, B. E., Myers, M. C., Atkinson, J. E., Bryer, T. E., Retting, R., Smithline, J., Trim, J., Wojtkiewicz, P., Thomas, G. B., Venglar, S. P., Sunkari, S., Malone, B. J., & Izadpanah, P. (2013). Signalized intersections informational guide. https://highways.dot.gov/sites/fhwa.dot.gov/files/2022-06/fhwasa13027.pdf

[19] Elefteriadou, L. A. (2016). New trb publication: The highway capacity manual: A guide for multimodal mobility analysis. TR News(306), 16–21. https://doi.org/https://onlinepubs.trb.org/onlinepubs/trnews/trnews306toc.pdf

[20] National Academies of Sciences, Engineering, and Medicine. (2022). Highway Capacity Manual 7th Edition: A Guide for Multimodal Mobility Analysis. The National Academies Press. https://doi.org/https://doi.org/10.17226/26432

[21] Bosch GmbH, R. (2018). Automotive Handbook. Robert Bosch. https://www.wiley.com/en-us/Automotive+Handbook%2C+11th+Edition-p-9781119911906

[22] IBM Corp. (2019). IBM SPSS Statistics for Windows. In (Version 26.0) IBM Corp. https://www.ibm.com/products/spss-statistics