دانلود ترجمه مقاله اصلاح چارچوب های حمل و نقل عمومی در زمان همه گیری COVID-19

با انجام این کارها، از منابع وسیله نقلیه خود تاحد امکان بهره برداری می کنیم، چون به جای استفاده از تعطیلی های دائمی ایستگاه از الگوهای خدمت خاص سفر استفاده می کنیم. یک مشکل دیگر در طول ساعات اوج این است که وسیله نقلیه بعد از خدمت در تنها چند ایستگاه به خد ظرفیت تحمیل شده همه گیری خود خواهد رسید. در صورتی که این وسیله نقلیه و وسایل نقلیه بعدی خطوط خدمت در ایستگاه های اولیه خطوط مسافرگیری کرده و در ایستگاه های بعدی مسافرگیری نکنند، مسافران در ایستگاههای حذف شده تا زمانی که تقاضا به سطوح قبل از اوج خود برنگردد، سرویس دهی نخواهند شد. به منظور متعادل سازی این مساله، ما یک مدل الگوی خدمت پویا را برای وسایل نقلیه بعدی جهت تضمین این که ایستگاه هایی که در سفر قبلی حذف شده اند، شانس بالاتری برای سرویس دهی در سفر بعدی خواهند داشت، تعیین کردیم. مدل پویا ما الگوی خدمات دهی هر وسیله نقلیه ای را که در آستانه اعزام است تعیین می کند به طوری که ایستگاه های حذف شده سفرهای گذشته را در نظر می گیرد. از نظر پیچیدگی محاسباتی، حل مدل ما می تواند یک الگوی خدمت بهینه را در نزدیک زمان واقعی برای خطوط حمل و نقل عمومی واقعی که حداکثر تا 60 توقف دارند، ایجاد کند. بقیه این مطالعه به شرح زیر سازماندهی شده است: بخش 2 بررسی منابع الگوهای خدمت و مدل های ایستگاه حذف شده را ارائه کرده است. در بخش 3 به معرفی الگوی خدمت غیرخطی منسجم ما و بررسی پیچیدگی محاسباتی می پردازد. بخش 4 به اجرای مدل ما در لاین اتوبوس که متصل به دانشگاه تونته با دو شهر اطراف آن با استفاده از سناریوهای متعدد تقاضای مسافر است، می پردازد. در نهایت، بخش 5 نتیجه گیری نهایی از این مطالعه را ذکر کرده و جهت گیری های تحقیقاتی آینده از جمله احتمال ترکیب مدل الگوی خدمات پویای ما با مدل های تنظیم فرکانس پویا برای استقرار وسایل نقلیه بیشتر در دوره های اوج روز را ارائه می کند.

By doing this, we exploit our vehicle resources as much as possible since we devise trip‐specific service patterns instead of resorting to permanent stop closures. An additional problem during peak hours is that a vehicle reaches its pandemic‐imposed capacity limit after serving just a few stops. If this vehicle and subsequent vehicles of the service line serve the initial stops of the line and skip the remaining stops, then passengers at the skipped stops will not be served until the demand returns to its pre‐peak levels. To balance this, we propose a dynamic service pattern model that determines different service patterns for subsequent vehicles to ensure that stops that were skipped by the preceding trip have a higher chance to be served by the following trip. Our dynamic model determines the service pattern of every vehicle that is about to be dispatched whilst taking into consideration the skipped stops by past trips. In terms of computational complexity, solving our model can return an optimal service pattern in near realtime for realistic public transport lines that serve up to 60 stops. The remainder of this study is structured as follows: Section 2 provides a literature review of service patterns and stop‐skipping models. Section 3 introduces our integer nonlinear service pattern model and examines its computational complexity. Section 4 provides the implementation of our model in a bus line that connects the University of Twente with its two surrounding cities using multiple passenger demand scenarios. Finally, Section 5 concludes our work and offers future research directions, including the possibility of combining our dynamic service pattern model with dynamic frequency setting models to deploy more vehicles at peak periods of the day.