چکیده این رساله به شرح زیر می‌باشد:

حجم تردد روزانه بالا در بسیاری از کلان‌شهرها منجر به افزایش ازدحام ترافیکی و به تبع آن، زمان سفر می‌گردد. زیان‌های اقتصادی ناشی از هدررفت سوخت، آلودگی‌های محیطی و افزایش تصادفات از جمله پیامدهای افزایش ازدحام ترافیکی به شمار می‌رود. لذا اقدامات مناسب جهت رفع آثار ازدحام و کاهش آن با ابزارهای مدیریت تقاضا همواره از دغدغه‌های اصلی مدیران شهری بوده است. به این منظور، در اختیار داشتن اطلاعاتی جامع از کل منطقه مطالعاتی در مقیاس مکانی و زمانی وسیع با استفاده از ابزارهایی کم هزینه جهت برداشت داده‌ها اهمیتی دوچندان خواهد یافت. زمان سفر به عنوان یکی از معیارهای اصلی ارزیابی وضعیت ترافیکی مطرح می‌باشد که بر مبنای سرعت حرکت وسایل نقلیه به دست می‌آید. از طرفی، ازدحام ترافیکی نیز بر مبنای سرعت، در نقشه‌های ترافیکی به لحظه نمایش داده می‌شود و می‌تواند شاخصی برای تحلیل وضعیت ترافیکی و پیش‌بینی آن محسوب گردد.
در مطالعه پیش رو، با استفاده از تصاویر ترافیکی به دست آمده از سرویس نقشه گوگل در یک بازه زمانی 11 هفته (1398/1/17 تا 1398/3/31)، پس از استخراج داده‌ها و تحلیل و پردازش رقومی تصاویر، تحلیلی توصیفی، مکانی و زمانی از ازدحام ترافیکی صورت گرفته و نتایج، همبستگی مکانی و زمانی ازدحام ترافیکی در سطح منطقه مطالعاتی و در بازه زمانی مورد مطالعه را نمایش داد. مدل رگرسیون وزنی زمانی- مکانی (GTWR) برای نخستین بار در زمینه پیش‌بینی ازدحام ترافیکی ارائه گردیده و پس از تحلیل‌های اولیه و انتخاب متغیرهای مستقل مناسب، مدل‌های منتخب با مجموعه‌ای از داده‌های آموزشی (داده‌های ده هفته) کالیبره شده و با معیارهای نیکویی برازش ارزیابی گردید. نتایج نشان داد که مدل GTWR با متوسط مقدار ضریب تعیین تعدیل شده (R²adj) برابر با %60 بهبود قابل توجهی در برازش به داده‌ها نسبت به مدل عمومی (Global) نشان می‌دهد. اعتبارسنجی مدل با متغیرهای مختلف و با استفاده از داده‌های آزمایشی (آخرین برش زمانی داده‌ها) نیز نشان داد که مدل GTWR با مقدار متوسط ضریب همبستگی %80، در فرآیند پیش‌بینی موفق عمل کرده است. مقایسه مدل GTWR با مدل عمومی چندمتغیره (Global) نیز نشان داد که مدل زمانی- مکانی پیشنهاد شده در مقایسه با مدل عمومی بهبود قابل توجهی در پیش‌بینی مقادیر داده‌های آزمایشی داشته است (%58 مدل عمومی در مقابل %80 مدل‌های GTWR). همچنین، مقایسه مدل پیشنهادی (GTWR) با مدل مکانی GWR پایه نیز نشان داد که لحاظ نمودن داده‌های تاریخچه زمانی منجر به افزایش قدرت پیش‌بینی مدل در تمام برش‌های زمانی گردیده است. در نهایت، تحلیل حساسیت مدل با حجم داده‌های آموزشی کمتر و همچنین، عدم پیوستگی داده‌های آموزشی نیز صورت گرفت.

واژه‌های کلیدی: ازدحام، تحلیل زمانی- مکانی، پیش‌بینی، رگرسیون وزنی- زمانی- مکانی، تصاویر ترافیکی.

رایانامه جهت ارتباط با دانشجوی فوق: matinshahrigmail.com