পরিবহনে বিজ্ঞান/এজেন্ট-ভিত্তিক মডেলিং

এজেন্ট ভিত্তিক মডেলিং

যাতায়াত প্রকৌশলী এবং পরিকল্পনাকারীরা ভ্রমণ চাহিদা পূর্বাভাসের মডেলগুলোর ওপর নির্ভর করে বিভিন্ন জটিল বিষয় মোকাবেলা করেন, যেমন যানজট এবং বায়ুর গুণমান, থেকে সামাজিক ন্যায়বিচারের উদ্বেগ পর্যন্ত। গত কয়েক দশকে ভ্রমণ চাহিদা মডেলের দুটি প্রধান ধারা উদ্ভূত হয়েছে: ট্রিপ-ভিত্তিক এবং কার্যক্রম-ভিত্তিক পদ্ধতি।

প্রচলিত চার-ধাপ ভ্রমণ চাহিদা মডেল, যাকে প্রায়ই ট্রিপ-ভিত্তিক পদ্ধতি বলা হয়, এটি পৃথক ট্রিপগুলোকে প্রাথমিক বিষয় হিসেবে গ্রহণ করে এবং চারটি ধাপে সামগ্রিক ভ্রমণ পছন্দ বিবেচনা করে: ট্রিপ উৎপত্তি, ট্রিপ বণ্টন, মোড বিভাজন, এবং রুট বরাদ্দ। এই ক্রমিক ভ্রমণ চাহিদা মডেলিং পদ্ধতির উদ্ভব হয়েছিল ১৯৫০-এর দশকে যখন সীমিত তথ্য, গণনামূলক ক্ষমতা, এবং অ্যালগরিদম উপলব্ধ ছিল। এটি ব্যক্তিদের মধ্যে বৈচিত্র্য উপেক্ষা করে এবং ভ্রমণ আচরণ তত্ত্বে একটি দৃঢ় ভিত্তি নেই। বিচ্ছিন্ন পছন্দ বিশ্লেষণ, ভ্রমণ চাহিদাকে একটি বহু-মাত্রিক শ্রেণীবদ্ধ পছন্দ প্রক্রিয়া হিসেবে বর্ণনা করে, যাতে আবাসিক এবং ব্যবসায়িক অবস্থান পছন্দ, ট্রিপ উৎপত্তি, ট্রিপ গন্তব্য, ভ্রমণ মোড ইত্যাদি অন্তর্ভুক্ত থাকে। যদিও বিচ্ছিন্ন পছন্দ মডেলগুলি নির্দিষ্ট বৈশিষ্ট্যের উপর ভিত্তি করে ভ্রমণকারীদের শ্রেণীবদ্ধ করে ভ্রমণ চাহিদা পূর্বাভাস উন্নত করতে পারে যেমন বয়স, লিঙ্গ এবং গৃহস্থালি আয়, এটি শেষ পর্যন্ত সামগ্রিক ভ্রমণ আচরণের উপর দৃষ্টি নিবদ্ধ করে এবং ব্যক্তিগত সিদ্ধান্ত গ্রহণ প্রক্রিয়া উপেক্ষা করে। চার-ধাপ মডেলের আরেকটি ত্রুটি হলোো এই ক্রমিক মডেলিং প্রক্রিয়া ধাপগুলির মধ্যে মিথস্ক্রিয়া উপেক্ষা করে এবং কিছু ঘটনা যেমন ইন্ডিউসড ট্রাভেল বা চাহিদা পূর্বাভাস করতে পারে না, যা ট্রাফিক বরাদ্দ থেকে ট্রিপ উৎপত্তি, বণ্টন, এবং মোড বিভাজনের একটি প্রতিক্রিয়া হিসেবে ভাবা যেতে পারে। যদিও প্রতিক্রিয়া প্রবর্তন এবং পুনরায় চার-ধাপ পদ্ধতি প্রয়োগ এই সমস্যার প্রশমন করতে পারে, গবেষকরা বিশ্বাস করেন যে চারটি ধাপ একসাথে সমাধান করার জন্য একটি সুসংগত কাঠামো প্রবর্তন করা উচিত।

প্রচলিত চার-ধাপ মডেলিংয়ের এই অপ্রতুলতাগুলো অতিক্রম করার জন্য, কার্যক্রম-ভিত্তিক মডেলগুলি ১৯৭০-এর দশক থেকে ভ্রমণ চাহিদা বিশ্লেষণে প্রয়োগ করা হয়েছে। কার্যক্রম-ভিত্তিক মডেলগুলি সময় এবং স্থান বাধা এবং ব্যক্তিগত বৈশিষ্ট্য বিবেচনা করে কার্যক্রম এবং সংশ্লিষ্ট ভ্রমণ পছন্দগুলি পূর্বাভাস করে। ব্যক্তিরা কার্যক্রমের একটি ক্রম অনুসরণ করবে এবং সেই কার্যক্রমগুলিকে সংযোগকারী সংশ্লিষ্ট ট্রিপ করবে যাতে তাদের উপযোগিতা সর্বাধিক হয়। ব্যক্তিগত ভ্রমণ পছন্দের সমষ্টির মাধ্যমে সামষ্টিক ভ্রমণ প্যাটার্নগুলি পূর্বাভাস করা হয়।

যদিও কার্যকলাপ-ভিত্তিক মডেলগুলিতে পৃথক সিদ্ধান্ত গ্রহণের প্রক্রিয়া এবং ম্যাক্রোস্কোপিক ভ্রমণের চাহিদার মধ্যে ব্যবধান পূরণ করার সম্ভাবনা রয়েছে, এই মডেলগুলির জন্য একই সাথে অনেকগুলি অপ্টিমাইজেশন সমস্যা সমাধান করা প্রয়োজন, যা গণনাগতভাবে কঠিন এবং আচরণগতভাবে অবাস্তব। তাই, কিছু মডেল রুট পছন্দের সমাধানের জন্য ইউজার ইকুইলিব্রিয়াম (ডিটারমিনিস্টিক (ডিইউই) বা স্টোকাস্টিক (এসইউই)) এর মতো বাহ্যিক সামগ্রিক পদ্ধতি ব্যবহার করে, যা মাইক্রোস্কোপিক সিদ্ধান্ত নেওয়ার মডেল হিসাবে তাদের দাবির সাথে আপস করে।

এজেন্ট-ভিত্তিক ভ্রমণ চাহিদা মডেলগুলি একটি নতুন প্রজন্মের পরিবহন পূর্বাভাস সরঞ্জাম হিসাবে আবির্ভূত হয়েছে এবং ভ্রমণের চাহিদা মডেলিংয়ের বিষয়টিকে মোকাবেলার বিকল্প প্রদান করে। এই মডেলিং পদ্ধতি নমনীয় এবং পৃথক সিদ্ধান্ত নেওয়ার প্রক্রিয়াগুলিকে মডেল করতে সক্ষম। পরিবহনে এজেন্ট-ভিত্তিক মডেলিংয়ের অনেকগুলি অ্যাপ্লিকেশন রয়েছে (ট্রান্সপোর্টেশন রিসার্চ পার্ট সি (২০০২) এই বিষয়ে একটি বিশেষ সমস্যা নিবেদিত)। এই মডেলিং কৌশলটি যদিও ভ্রমণ চাহিদা মডেলিং অনুশীলনে এখনও ব্যাপকভাবে গৃহীত হয়নি।

একটি শিক্ষাগতভাবে উপযুক্ত মডেল তৈরি করার জন্য, এই অধ্যায়টি একটি এজেন্ট-ভিত্তিক চাহিদা এবং অ্যাসাইনমেন্ট মডেল (এডিএএম) প্রবর্তন করে, যা ঝাং এবং লেভিনসন (২০০৪) প্রসারিত করে, যা যানজটের বিবেচনায় গন্তব্য পছন্দ এবং রুট পছন্দের সমস্যার সমাধান করে। শিক্ষার্থীদের বেশ কয়েকটি অনুশীলনের জন্য এডিএএম মডেলের সাথে কাজ করার সুযোগ রয়েছে।

পরিবহনের জন্য এজেন্ট-ভিত্তিক মডেলগুলির পরিচিতি

যদিও এজেন্ট-ভিত্তিক মডেলগুলি সাধারণত ভ্রমণের চাহিদার পূর্বাভাস দেওয়ার ক্ষেত্রে ব্যবহার করা হয় না, অনেক কার্যকলাপ-ভিত্তিক মডেল হলো অন্তত আংশিকভাবে এক ধরণের এজেন্ট-ভিত্তিক মডেল, যদিও এজেন্টদের আচরণ সাধারণত খুব জটিল হয়। ঐতিহাসিকভাবে, এজেন্ট-ভিত্তিক মডেলগুলি বিভিন্ন ক্ষেত্র থেকে আসে যেমন জেনেটিক্স, কৃত্রিম বুদ্ধিমত্তা, জ্ঞানীয় বিজ্ঞান, সামাজিক বিজ্ঞান। পরিবহণে তাদের ব্যবহার করার সুবিধা প্রথমে তারা যে অন্তর্দৃষ্টি প্রদান করে তা দিয়ে শুরু হয়। প্রবাহের পরিবর্তে স্বতন্ত্র ভ্রমণকারীদের আচরণের কথা ভাবা মানুষের কাছে আরও বোধগম্য হয়। এটি আংশিকভাবে কারণ এটি আরও বাস্তবসম্মত, এটি যে প্রক্রিয়াটির দ্বারা ভ্রমণকারীরা সিদ্ধান্ত নেয় তা ক্যাপচার করার জন্য প্রণয়ন করা যেতে পারে এবং এটি ব্যক্তিদের ট্র্যাক করছে বলে অভ্যন্তরীণভাবে সামঞ্জস্যপূর্ণ হতে পারে (যাতে একটি প্রদত্ত ভ্রমণকারীর নির্দিষ্ট সীমাবদ্ধতা রয়েছে (যেমন আয়, বাধ্যবাধকতা এবং সময় উপলব্ধ)

একটি এজেন্ট-ভিত্তিক মডেলে বেশ কয়েকটি উপাদান রয়েছে:

• এজেন্টরা এমন লোকদের মতো যাদের বৈশিষ্ট্য, লক্ষ্য এবং আচরণগত নিয়ম রয়েছে। এজেন্টদের ক্রিয়াকলাপ তাদের বসবাসের পরিবেশের উপর নির্ভর করে।
• পরিবেশ একটি স্থান প্রদান করে যেখানে এজেন্টরা বাস করে। পরিবেশ এজেন্টদের কর্ম দ্বারা আকৃতি হয়.
• মিথস্ক্রিয়া নিয়মগুলি এজেন্ট এবং পরিবেশ কীভাবে মিথস্ক্রিয়া করে তা বর্ণনা করে

একটি এজেন্ট-ভিত্তিক মডেল নিজেই বিকশিত হয় যখন সেই মাইক্রো-লেভেল উপাদানগুলি নির্দিষ্ট করা হয়। ম্যাক্রো-স্তরের বৈশিষ্ট্য এই বিবর্তনীয় প্রক্রিয়া থেকে উদ্ভূত হয়।

একটি অনুসন্ধানী এজেন্ট-ভিত্তিক মডেল নীচে উপস্থাপন করা হয়েছে। এই মডেলের সুবিধা হলো এর সরলতা। স্পষ্টতই, এটি কিছু ভবিষ্যদ্বাণীমূলক বিশদ হারাবে, তবে আশা করি আপনাকে মডেলিং পদ্ধতির একটি স্বাদ দেবে এবং ভ্রমণের চাহিদার ক্ষেত্রে এজেন্ট-ভিত্তিক মডেলগুলির সাথে মডেল করা যেতে পারে।

এজেন্ট ভিত্তিক ডিমান্ড অ্যান্ড অ্যাসাইনমেন্ট মডেল (এডিএএম)

এজেন্ট-ভিত্তিক মডেলিং পদ্ধতি অনুমান করে যে সামগ্রিক শহুরে ভ্রমণের চাহিদার ধরণগুলি ব্যক্তিদের বহু-মাত্রিক পছন্দ প্রক্রিয়া থেকে উদ্ভূত হয়। সমস্ত এজেন্টের স্বতন্ত্র বৈশিষ্ট্য, লক্ষ্য এবং ভ্রমণ আচরণের নিয়ম রয়েছে। এজেন্টরা তাদের ভ্রমণ অভিজ্ঞতার উপর পরিবেশের সাথে তথ্য বিনিময় করে এবং উপলব্ধ তথ্য অনুযায়ী তাদের ভ্রমণ পছন্দগুলি সামঞ্জস্য করে। এডিএএম ভ্রমণকারীরা সক্রিয় এজেন্ট এবং নোডগুলি নির্দিষ্ট পয়েন্ট এজেন্ট, যখন লিঙ্কগুলি পরিবেশের অন্তর্ভুক্ত।

এডিএএম কে এএম যাতায়াতের মডেলিং হিসাবে ভাবা যেতে পারে। চিত্র ১-এ দেখানো হিসাবে, এডিএএম নোডগুলিতে টার্নিং ম্যাট্রিক্স আপডেট করার পরে প্রতিটি ভ্রমণকারীর অবস্থা পরীক্ষা করে। যদি একজন ভ্রমণকারী সন্তোষজনক চাকরি খুঁজে না পান (স্থিতি = ১), সেই ভ্রমণকারী এই কাগজে পরে উপস্থাপিত নিয়ম অনুসরণ করে চাকরি অনুসন্ধানের এলোমেলো প্রক্রিয়া চালিয়ে যাবেন। প্রক্রিয়াটি পুনরাবৃত্তি হবে যতক্ষণ না হয় সমস্ত ভ্রমণকারীরা চাকরি খুঁজে না পায় (একটি গন্তব্য বেছে নেয়) বা কিছু সর্বাধিক সংখ্যক পুনরাবৃত্তি না হয়। এজেন্ট-ভিত্তিক মডেলের মূল উপাদানগুলি নীচে চালু করা হয়েছে।

এজেন্ট

ভ্রমণকারীদের লক্ষ্য হলো নেটওয়ার্কে একটি চাকরি এবং সর্বনিম্ন খরচে তাদের উৎপত্তিস্থল থেকে এই গন্তব্যে যাওয়ার পথ খুঁজে বের করা। অনুসন্ধান প্রক্রিয়ায়, প্রতিটি ভ্রমণকারী একটি নোড পরিদর্শন করে এবং এই কাগজে পরে আলোচনা করা নিয়ম অনুসারে সেই নোডে উপলব্ধ একটি চাকরি গ্রহণ বা প্রত্যাখ্যান করার সিদ্ধান্ত নেয়। যদি তারা সেই নোডে একটি কাজ প্রত্যাখ্যান করে, তারা অন্য নোডে চলে যায়। ভ্রমণকারীরা নোডের আশেপাশে বর্তমান লিঙ্ক ভ্রমণের সময়গুলি শিখে যখন তারা এই লিঙ্কের মাধ্যমে একটি নোড পরিদর্শন করে এবং তারা প্রতিটি ধাপে শুধুমাত্র একটি লিঙ্কের মাধ্যমে এগিয়ে যাবে। ভ্রমণের সময় লিঙ্ক ভ্রমণের সময় তথ্য সংগ্রহ করে, ভ্রমণকারীরা যেকোন দুটি নোডের মধ্যে ভ্রমণের খরচ পেতে পারে।

নোডগুলি হলো ভৌগলিক অবস্থান যেখানে লিঙ্কগুলি বাস্তব জগতে ছেদ করে। এই মডেলে, তারা ট্র্যাফিক জোনের বিমূর্ত সেন্ট্রোয়েডগুলিকেও উপস্থাপন করে যেখান থেকে ভ্রমণকারীরা উদ্ভূত এবং গন্তব্য। অধিকন্তু, নোডগুলি সংলগ্ন নোডগুলির সংক্ষিপ্ততম পথের তথ্য এবং আকর্ষণীয়তা উভয়ই সহ পুল করা, সমষ্টিগত জ্ঞানের বাহক। ভ্রমণকারীরা একটি নতুন নোডে আসার পরে নোডের সাথে জ্ঞান বিনিময় করবে। জ্ঞান এবং আদান-প্রদানের আচরণ হলো একটি সম্প্রদায়ে ছড়িয়ে পড়া তথ্যের একটি বিমূর্ততা এবং বাস্তব জগতে ভ্রমণকারীদের মধ্যে যোগাযোগ। লিঙ্কগুলি বাস্তব বিশ্বের রাস্তাগুলিকে প্রতিনিধিত্ব করে এবং দৈর্ঘ্য, বিনামূল্যে প্রবাহ ভ্রমণের সময় এবং ক্ষমতার মতো বৈশিষ্ট্য রয়েছে৷ লিঙ্কগুলি ট্রাফিক প্রবাহ এবং ভ্রমণের সময় সম্পর্কেও তথ্য প্রদান করে যা পাশ দিয়ে যাওয়া ভ্রমণকারীদের জন্য, যা বাস্তব জগতে ভ্রমণকারীদের ট্র্যাফিক অবস্থার পর্যবেক্ষণকে বিমূর্ত করে। লিঙ্কগুলি ভ্রমণকারীদের জন্য ভৌগলিক সীমাবদ্ধতা আরোপ করে কারণ তারা বর্তমানে যে নোডটি পরিদর্শন করছেন তার সাথে একটি লিঙ্ক দ্বারা সরাসরি সংযুক্ত সন্নিহিত নোডগুলি দেখতে সক্ষম।

নিয়ম

নিয়ম হলো একটি এজেন্ট-ভিত্তিক মডেলের সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্য, যা প্রাথমিক অবস্থার প্রদত্ত মডেলের বিবর্তনকে চালিত করে। এডিএএম-এ দুটি মৌলিক নিয়ম রয়েছে: গন্তব্য খোঁজার জন্য বাঁক নেওয়ার নিয়ম এবং পথের উন্নতির জন্য তথ্য বিনিময়ের নিয়ম।

গন্তব্য নির্বাচনের নিয়ম: নেটওয়ার্ক অরিজিন-ডেস্টিনেশন এক্সপ্লোরেশন

এডিএএম এর প্রথম উপাদান প্রতিটি ভ্রমণকারীর জন্য, একটি গন্তব্যের আবিষ্কার। যে মডেলটি এই নেটওয়ার্ক অরিজিন-ডেস্টিনেশন এক্সপ্লোরেশন (NODE) করে তা নীচে বর্ণনা করা হয়েছে।

নোডগুলি ভ্রমণকারীদের জন্য বাঁক নির্দেশিকা ম্যাট্রিক্স প্রদান করে, যা প্রতিটি ভ্রমণকারীর চাকরি গ্রহণ করার বা পরবর্তী নোডে যাওয়ার সম্ভাবনা এবং পরবর্তী ক্ষেত্রে কোন দিকে যেতে হবে তা নির্ধারণ করে। প্রতিটি নোড ( $i$ ) সরবরাহ নোডের একটি সেট আছে $S(s_{1}...s_{S})$ এবং চাহিদা নোড একটি সেট $D(d_{1},...,d_{D})$ . অতএব, ক $SD$ ম্যাট্রিক্স প্রদান করা হবে এবং প্রতিটি পদ, $p_{s,d}$ (সরলতার জন্য, সাবস্ক্রিপ্ট $i$ বাদ দেওয়া হয়), সরবরাহ নোড থেকে সরানোর সম্ভাবনা উপস্থাপন করে $s$ নোড দাবি করতে $d$ .

(১) $P=\left[{\begin{matrix}{{p}_{{{s}_{1}},{{d}_{1}}}}&{...}&{{p}_{{{s}_{1}},{{d}_{D}}}}\\{...}&{...}&{...}\\{{p}_{{{s}_{S}},{{d}_{1}}}}&{...}&{{p}_{{{s}_{S}},{{d}_{D}}}}\\\end{matrix}}\right]$

সম্ভাব্যতা ভ্রমণকারীদের বৈশিষ্ট্য সহ অনেক কারণ দ্বারা নির্ধারিত হয় ( $\Omega _{t}$ ), বর্তমান নোডে সুযোগ (বা আকর্ষণীয়তা) ( $b_{i}$ ), চাহিদা নোডের সুযোগ ( $b_{d}$ ) এবং সেই সুযোগগুলিতে পৌঁছানোর সহজতা ( $A$ )

(২) $P=f(\Omega _{t},b_{i},b_{d},A)$

বাঁক সম্ভাব্যতার বিভিন্ন সংজ্ঞা ভ্রমণকারীদের বিভিন্ন অন্তর্নিহিত সিদ্ধান্ত গ্রহণের প্রক্রিয়ার অনুমানকে প্রতিফলিত করে যেখানে কাজ করতে হবে এবং নেটওয়ার্কে খুব ভিন্ন ভ্রমণ চাহিদার ধরণ হতে পারে। ঝাং এবং লেভিনসন (২০০৪) ধরে নিয়েছিলেন যে এই সম্ভাবনাটি প্রতিটি নোডে উপলব্ধ চাকরির সমানুপাতিক এবং তাদের পৌঁছানোর সহজতা (ভ্রমণ খরচ) উপেক্ষা করেছেন। এই অনুমানের আরেকটি অসুবিধা হলো যে যদি একটি নোডের কাজ উপলব্ধ না থাকে তবে ভ্রমণকারীরা কখনই এই দিকে অনুসন্ধান করবে না যদিও এই নোডের মাধ্যমে আরও চাকরি পাওয়া যেতে পারে।

Zhang and Levinson (২০০৪) এক্সটেনডিং, একটি লগিট-ফর্ম সম্ভাব্যতা ব্যবহার করা হয়, যেখানে $c_{d}$ যখন একটি গন্তব্য ভ্রমণ খরচ প্রতিনিধিত্ব করে $c_{i}$ সংশ্লিষ্ট ইন্ট্রাজোনাল ভ্রমণ খরচ। প্যারামিটার $\theta$ ভ্রমণ খরচের গুরুত্ব নির্দেশ করে যখন ভ্রমণকারীরা সম্ভাব্য গন্তব্য মূল্যায়ন করে, যখন $\beta$ ভ্রমণে মানুষের আপেক্ষিক ইচ্ছার সাথে সম্পর্কিত। একটি বড় $\beta$ বোঝায় যে ভ্রমণকারীরা বর্তমান নোডে চাকরি গ্রহণ করার সম্ভাবনা বেশি, এইভাবে একটি ছোট ভ্রমণের দৈর্ঘ্য রয়েছে।

(৩) $p_{s,d}=0$ যদি $s=d$

(৪) ${{p}_{s,d}}={\frac {{{b}_{d}}{{e}^{-\theta {{c}_{d}}}}}{\beta {{b}_{i}}{{e}^{-\theta {{c}_{d}}}}+\sum \limits _{d\in D,d\neq i}^{}{{{b}_{d}}{{e}^{-\theta {{c}_{d}}}}}}}$ যদি $s\neq d$ এবং $d\neq i$

(৫) ${{p}_{s,d}}={\frac {\beta {{b}_{d}}{{e}^{-\theta {{c}_{d}}}}}{\beta {{b}_{i}}{{e}^{-\theta {{c}_{d}}}}+\sum \limits _{d\in D,d\neq i}^{}{{{b}_{d}}{{e}^{-\theta {{c}_{d}}}}}}}$ যদি $s\neq d$ এবং $d\neq i$

পরিবর্তনশীল ${b}_{d}$ একটি নোডের সুযোগ বা আকর্ষণ প্রতিফলিত করে এবং কাজের সংখ্যার বাইরে আরও সাধারণীকরণ করা যেতে পারে। আমরা এটিকে নোড ডি-এর সংলগ্ন সমস্ত নোডের কাজের সমষ্টি হিসাবে সংজ্ঞায়িত করতে পারি, যা পূর্ববর্তী অনেক গবেষণায় আলোচিত আঞ্চলিক অ্যাক্সেসযোগ্যতাকে বিমূর্ত করে (হ্যান্ডি, ১৯৯৩)। এই সংজ্ঞা অনুসন্ধানের দিকনির্দেশের উপরোক্ত সমস্যা প্রশমিত করতে পারে। পুরো নেটওয়ার্কে অ্যাক্সেসযোগ্যতা ব্যবহার করা আরেকটি সম্ভাবনা। যাইহোক, এটি মূলত র্যান্ডম অনুসন্ধানের দিকে পরিচালিত করতে পারে কারণ কাছাকাছি নোডগুলির পুরো নেটওয়ার্কে অ্যাক্সেসযোগ্যতা বেশ একই রকম হতে পারে। এই গবেষণায় আমরা পরবর্তী নোডের আকর্ষণের সূচক হিসাবে আঞ্চলিক অ্যাক্সেসযোগ্যতা গ্রহণ করি, যখন চাকরি গ্রহণ করার ইচ্ছা (থাকতে) বর্তমান নোডে উপলব্ধ চাকরির সমানুপাতিক।

পাথ শেখার নিয়ম: এজেন্ট-ভিত্তিক রুট পছন্দ

এডিএএম-এর অন্য গুরুত্বপূর্ণ নিয়ম হলো পাথ শেখার নিয়ম। ভ্রমণকারীরা তাদের ভ্রমণ রুটের লিঙ্কগুলির ভ্রমণ খরচ শিখবে, যখন নোডগুলি সেই নোডে ভ্রমণকারীদের দ্বারা পরিদর্শন করা অন্য সমস্ত নোডগুলির থেকে সংক্ষিপ্ততম পথ সম্পর্কে তথ্য রাখে৷ একবার একজন ভ্রমণকারী একটি নতুন নোডে পৌঁছালে, সেই ভ্রমণকারী বর্তমান নোড থেকে ভ্রমণকারীর ভ্রমণ রুটের প্রতিটি নোডের সাথে ভ্রমণ খরচ সম্পর্কে তাদের জ্ঞানের তুলনা করে। জ্ঞানের আদান-প্রদানের পর তারা উভয়েই সংক্ষিপ্ত "ছোটতম পথ" রাখবে। যদিও নোডের প্রাথমিকভাবে অবশিষ্ট নেটওয়ার্কের রুট সম্পর্কে খুব সীমিত জ্ঞান থাকে, তথ্য নেটওয়ার্কে দ্রুত ছড়িয়ে পড়ে। যানজটপূর্ণ লিঙ্ক ভ্রমণের সময়, যা সহজভাবে যেকোনো উপলব্ধ ভ্রমণের সময়-প্রবাহ সম্পর্ক হিসাবে সংজ্ঞায়িত করা যেতে পারে, প্রতিটি ভ্রমণকারীর পছন্দ নেটওয়ার্কে লিঙ্ক ভ্রমণের সময় পরিবর্তন করবে এবং এইভাবে অন্যান্য ভ্রমণকারীদের গন্তব্য এবং রুট পছন্দকে প্রভাবিত করবে। ভ্রমণকারীদের রুট সামঞ্জস্য নেটওয়ার্কে আরও উল্লেখযোগ্য পরিবর্তন আনবে এইভাবে অন্যান্য ভ্রমণকারীদের আচরণ। এই প্রক্রিয়া বাস্তব জগতের জটিলতা প্রতিফলিত করে।

শিক্ষা ও তথ্য বিনিময় সহ এজেন্ট-ভিত্তিক রুট পছন্দ (উইকিবুক ফান্ডামেন্টালস অফ ট্রান্সপোর্টেশনে নির্দিষ্ট মডেলের ইলাস্ট্রেশন)

এডিএএম-এর এজেন্ট-ভিত্তিক রুট চয়েস কম্পোনেন্ট (ARC) পৃথক রুট পছন্দ অনুকরণ করে এবং প্রদত্ত OD বন্টন সাপেক্ষে নেটওয়ার্কে প্রবাহ প্যাটার্ন নির্ধারণ করে।

প্রাথমিক রুট পছন্দটি পুনরাবৃত্তি ০ এ একটি র্যান্ডম-ওয়াক রুট অনুসন্ধান প্রক্রিয়া দ্বারা দেওয়া বা তৈরি করা যেতে পারে। এলোমেলো হাঁটার দৃশ্যে, ভ্রমণকারীরা তাদের উত্স থেকে যাত্রা করে এবং এলোমেলোভাবে নির্বাচিত দিক থেকে ভ্রমণ করে, প্রতিটি নোডে পৌঁছানোর পরে দিকনির্দেশ আপডেট করে। যাইহোক, নির্দেশিত চক্র এবং ইউ-টার্ন প্রতিরোধ করা হয়। একবার ভ্রমণকারীরা গন্তব্যে পৌঁছালে, তাদের ভ্রমণের রুটগুলি প্রাথমিক ভ্রমণ রুট হয়ে ওঠে এবং পরবর্তী পুনরাবৃত্তিতে আপডেট করা হবে। অনুসন্ধানের দিকনির্দেশের এলোমেলোতা এবং বিপুল সংখ্যক ভ্রমণকারী প্রাথমিক রুট পছন্দের বৈচিত্র্য নিশ্চিত করবে, যা পরবর্তী পুনরাবৃত্তির উপর ভিত্তি করে জ্ঞানকে অন্তর্ভুক্ত করে।

পরবর্তী পুনরাবৃত্তিতে, প্রতিটি ভ্রমণকারী পূর্ববর্তী পুনরাবৃত্তির শেষে নির্বাচিত একটি নির্দিষ্ট পথ অনুসরণ করে। একবার গন্তব্য সেন্ট্রোয়েডে পৌঁছে, ভ্রমণকারীরা তাদের ব্যক্তিগত জ্ঞানের সাথে সেট করা তথ্যকে সমৃদ্ধ করবে এবং একই সময়ে সেন্ট্রোয়েডের সাথে সংক্ষিপ্ত পথ এবং টোল তথ্য উভয়ই বিনিময় করে পুল করা জ্ঞান থেকে উপকৃত হবে। সেই ভ্রমণকারীরা সেই আপডেট করা তথ্য তাদের মূলে ফিরিয়ে আনবে এবং বিনিময় প্রক্রিয়ার পুনরাবৃত্তি করবে। তথ্য বিনিময় প্রক্রিয়া চিত্র ১ দ্বারা চিত্রিত করা হয়েছে।

চিত্র ১-এ যেমন দেখানো হয়েছে, ধরুন যে নোড ১ থেকে উদ্ভূত ভ্রমণকারী নোড ৫-এ ভ্রমণ করছেন, প্রাথমিকভাবে নোড ৪ এর মাধ্যমে। তার প্রাথমিক সংক্ষিপ্ত পথ জ্ঞান ১-৩-৪-৫। ধরুন নোড ৫-এ সংরক্ষিত সংক্ষিপ্ত পথের তথ্য হলো যথাক্রমে ৪, ৩, ২ এবং ১ নোড থেকে ৪-৫, ৩-৫, ২-৩-৫ এবং ১-২-৩-৫। তুলনাটি ভ্রমণকারীর মেমরিতে পাথ চেইন বরাবর বর্তমান নোডের নিকটতম নোড থেকে শুরু হয় এবং মূলে পৌঁছানো পর্যন্ত এই চেইনের প্রতিটি নোডের জন্য পুনরাবৃত্তি হয়। নোড ৩ থেকে ৫ পর্যন্ত পথের তুলনা করার পরে, ভ্রমণকারীর পথের তথ্য ১-৩-৫-এ আপডেট করা হয়েছে কারণ নোড দ্বারা প্রস্তাবিত এই পথের অংশের জন্য সংক্ষিপ্ততম পথটি ভ্রমণকারীর কাছে থাকা পথের চেয়ে ছোট। লক্ষ্য করুন যে এই উন্নতিটি ভ্রমণকারীর স্মৃতিতে নোড ১ থেকে ৫ পর্যন্ত সংক্ষিপ্ততম পথটিকেও পরিবর্তন করেছে। ফলস্বরূপ, নোড ১-৩-৫ থেকে ভ্রমণকারীর দ্বারা প্রস্তাবিত নোড ১ থেকে ১-২-৩-৫-এর চেয়ে ভাল পথ গ্রহণ করবে৷ নোড ১ থেকে ৫ পর্যন্ত আপডেট করা পথটি তখন ভ্রমণকারীর সংক্ষিপ্ততম পথের তথ্যের অংশ হয়ে যায়। এই তথ্য বিনিময় প্রক্রিয়া স্বাভাবিকভাবেই পাথ চেইনকে পরিবর্তিত করবে এবং সবচেয়ে কার্যকরী রুট তৈরি করবে, কখনও কখনও পরিচিত সমস্ত বিদ্যমান রুটের চেয়েও ভালো। যেহেতু নোডগুলি K বিকল্প পাথগুলি সঞ্চয় করে, নোডগুলি তাদের তথ্য পুলে ভিজিটরের দ্বারা প্রস্তাবিত পথটি সন্নিবেশ করাবে যতক্ষণ না এই পথটি সংরক্ষিত দীর্ঘতম পথের চেয়ে ভাল। পরবর্তী ধাপে নোড ৫ পরিদর্শনকারী ভ্রমণকারীদের সাথেও এই তথ্য শেয়ার করা হবে।

গন্তব্য নোডে থামার পরে, ভ্রমণকারীরা পূর্ববর্তী পুনরাবৃত্তির শেষে নির্ধারিত তাদের ভ্রমণের রুট এবং বর্তমানে পুনরাবৃত্তির সময় শেখা সংক্ষিপ্ততম পথের তুলনা করে। পথের দৈর্ঘ্য প্রতিটি ভ্রমণকারীর দ্বারা ডলারের মূল্যে মূল্যায়ন করা হয়, তাদের সময়ের স্বতন্ত্র মূল্য এবং প্রতিটি লিঙ্ক সেগমেন্টের দ্বারা চার্জ করা টোল বিবেচনা করে। যেহেতু ভ্রমণকারীদের সময়ের বিভিন্ন মূল্য রয়েছে, তাই K বিকল্পগুলির খরচ পুনর্মূল্যায়ন করা উচিত এবং প্রতিটি ভ্রমণকারীর জন্য বাছাই করা উচিত। যদি গন্তব্য নোড দ্বারা প্রস্তাবিত পথটি তাদের বর্তমান রুটের চেয়ে ভাল হয়, তবে ভ্রমণকারীদের সেই পুনরাবৃত্তির আরও ভাল রুটে স্যুইচ করার সম্ভাবনা থাকে। সাধারণভাবে,

$P=f\left({\sigma ,\Delta ,T}\right)$

এই মডেলটি প্রয়োগ করতে, আমরা একটি নির্দিষ্ট ফর্ম নির্বাচন করি:

$\left\{{\begin{array}{l}{\begin{array}{*{20}c}{P=\sigma (1-e^{-\gamma \Delta })}&{{\begin{array}{*{20}c}{\rm {if}}&{\rm {\Delta >T}}\\\end{array}}{\rm {}}}\\\end{array}}{\rm {}}\\{\begin{array}{*{20}c}{P=0}&{{\begin{array}{*{20}c}{}&{}\\\end{array}}{\begin{array}{*{20}c}{}&{otherwise}\\\end{array}}}\\\end{array}}{\rm {}}\\\end{array}}\right.$

কোথায়:

• $\Delta$ রুট স্যুইচ করে সম্ভাব্য সুবিধার প্রতিনিধিত্ব করে, যা বর্তমান রুটে আটকে থাকার পরিবর্তে গন্তব্য নোড দ্বারা প্রস্তাবিত রুট বেছে নেওয়ার মাধ্যমে সময় বা অর্থ সাশ্রয় হিসাবে সংজ্ঞায়িত করা হয়।
• $T$ বেনিফিট উপলব্ধির থ্রেশহোল্ড, যা ছোট সুবিধা উপলব্ধি করার অক্ষমতা এবং মানুষের রুট পরিবর্তন করার জন্য জড়তা উভয়ই প্রতিফলিত করে।
• $\sigma$ একটি নির্দিষ্ট দিনে একটি বিদ্যমান ভাল রুট উপলব্ধি করার সম্ভাবনা বোঝায়, এবং সামাজিক নেটওয়ার্কগুলির কার্যকারিতার পার্থক্য ক্যাপচার করে সম্ভাব্যতার বক্ররেখার আকৃতি নির্ধারণ করে৷

এআরসি ভ্রমণকারীদের প্রতিদিনের রুট পছন্দের আচরণকে অনুকরণ করে এবং এই সম্ভাব্যতার বক্ররেখাটি অবশ্যই দুটি কারণের জন্য দায়ী:

1. সম্ভাব্যতা একটি ভ্রমণকারী এই ভাল পথ উপলব্ধি একবার তার তথ্য উপলব্ধ এবং
2. এটি শেখার পরে একজন ভ্রমণকারী এই পথটি গ্রহণ করার সম্ভাবনা। এটি লক্ষ করা উচিত যে তথ্য ছড়িয়ে পড়তে সময় লাগে এবং সবাই তাৎক্ষণিকভাবে শিখে না।

আরো কার্যকর সামাজিক নেটওয়ার্কের সাথে ভ্রমণকারীরা এই ধরনের তথ্যের সংস্পর্শে আসার সম্ভাবনা বেশি এবং এইভাবে তাদের আরও ভাল পথ শেখার উচ্চ সম্ভাবনা রয়েছে। একবার একটি নতুন রাস্তা খোলা হলোে, প্রবাহ একটি স্থিতিশীল স্তরে পৌঁছাতে সপ্তাহ বা এমনকি মাসও লাগে৷ এমনকি যখন লোকেরা একটি ভাল বিকল্প শিখেছে, রুট পরিবর্তনের সাথে একটি নির্দিষ্ট পরিবর্তনের খরচ জড়িত যা যাত্রীদের অবিলম্বে রুট পরিবর্তন করতে বাধা দেয়। অথবা যাত্রীরা কেবল জড়তার কারণে পরিবর্তন প্রতিরোধ করতে পারে। এই বিষয়গুলি বিবেচনা করে, সুবিধা বৃদ্ধির সাথে সাথে এই বক্ররেখা বাড়তে হবে এবং শেখার ইচ্ছার দ্বারা পূর্বাভাসিত কিছু উচ্চ সীমাতে পৌঁছাতে হবে। জরিপ বা অন্যান্য মনস্তাত্ত্বিক গবেষণার মাধ্যমে এই বক্ররেখার অনুমান মডেলটির অভিজ্ঞতামূলক ভিত্তিকে উন্নত করবে।

চিত্র ২ ARC এর ফ্লো চার্ট চিত্রিত করে। ভ্রমণকারীরা পূর্বোক্ত সম্ভাব্যতা অনুসারে তাদের রুট বেছে নেওয়ার পরে, লিঙ্ক প্রবাহ এবং লিঙ্ক ভ্রমণের সময় আপডেট করা হবে। ফলস্বরূপ, নোড এবং ভ্রমণকারী উভয়েই সংরক্ষিত সমস্ত সম্ভাব্য পথের খরচ পছন্দ সেট পরিবর্তন না করেই আপডেট করা হবে। তারপরে ভ্রমণকারীরা তাদের নতুন রুট অনুসরণ করবে এবং একটি ভারসাম্য প্যাটার্নে না পৌঁছানো পর্যন্ত বর্ণিত প্রক্রিয়াটি পুনরাবৃত্তি করবে (এখানে ভারসাম্যকে পূর্ব-নির্ধারিত থ্রেশহোল্ডের চেয়ে ছোট লিঙ্ক প্রবাহ বৈচিত্র হিসাবে সংজ্ঞায়িত করা হয়েছে। $\epsilon$, আমরা নির্বিচারে নির্বাচন করি $\epsilon =5$ . একবার এই ভারসাম্য পৌঁছে গেলে, কোনও ভ্রমণকারী তাদের আচরণগত নিয়ম এবং উপলব্ধ তথ্য অনুসারে তাদের ভ্রমণের রুট পরিবর্তন করতে উত্সাহ পায় না। এইভাবে একটি লিঙ্ক ফ্লো প্যাটার্নে পৌঁছানো হবে এবং আরও ব্যাপক কাঠামোর অধীনে অন্যান্য মডেল উপাদানগুলিতে সরবরাহ করা যেতে পারে।

পুনরাবৃত্তি

প্রথাগত ভ্রমণ চাহিদা মডেলগুলি ডিটারমিনিস্টিক বা স্টোকাস্টিক ইউজার ইকুইলিব্রিয়াম ব্যবহার করে একটি অপ্টিমাইজেশান সমস্যা তৈরি করে এই জটিলতাকে নিরসন করে। যাইহোক, এই ধরনের অপ্টিমাইজেশন সমস্যা সমাধানের জন্য নিযুক্ত অ্যালগরিদমগুলি গণনাগতভাবে কষ্টকর এবং আচরণগতভাবে অবাস্তব। পরিবর্তে, এডিএএম এই চ্যালেঞ্জ মোকাবেলা করার জন্য একটি হিউরিস্টিক শেখার প্রক্রিয়া চালু করে। এই কাঠামোর অধীনে, ভ্রমণকারীরা নেটওয়ার্কে পুনরায় প্রবেশ করবে এবং তাদের পূর্ববর্তী পছন্দগুলির ফলে লিঙ্ক ভ্রমণের সময় অনুসারে আবার তাদের গন্তব্য এবং রুট বেছে নেবে। হালনাগাদ করা সংক্ষিপ্ততম পথের তথ্য ভ্রমণকারীরা শিখবে এবং ছড়িয়ে দেবে। এই প্রক্রিয়াটি মানুষের কাজের পরিবর্তন এবং রুট পরিবর্তনের আচরণকে অনুকরণ করে। প্রাথমিক অবস্থার পরিপ্রেক্ষিতে, এডিএএম পূর্বে সংজ্ঞায়িত নিয়মগুলির সাথে বিকশিত হয় এবং নির্দিষ্ট অভিসারী নিয়ম অনুসারে একটি প্যাটার্ন অর্জন করা যেতে পারে, যেখান থেকে ম্যাক্রোস্কোপিক তথ্য যেমন ট্রিপ ডিস্ট্রিবিউশন এবং ট্র্যাফিক অ্যাসাইনমেন্ট পৃথক পছন্দগুলিকে সংকলন করে বের করা যেতে পারে।

সিমুলেশন

• এজেন্ট ভিত্তিক ডিমান্ড এবং অ্যাসাইনমেন্ট মডেল ইন্টারেক্টিভ মডেল

নোট করুন এই সফ্টওয়্যারটি ট্রিপের সংখ্যা, অটোমোবাইল দ্বারা সেই ট্রিপের ভাগ এবং পিক আওয়ারে ট্রিপের সংখ্যা গ্রহণ করে যা ব্যবহারকারীর দ্বারা বহিরাগতভাবে দেওয়া হয়৷ আরও জটিল এজেন্ট-ভিত্তিক মডেলগুলি সরাসরি সেগুলি বিবেচনা করতে পারে। মডেলের আর্কস (লিঙ্ক) রুট চয়েসে বর্ণিত একটি লিঙ্ক পারফরম্যান্স ফাংশন ব্যবহার করে ভ্রমণের সময় অনুমান করে

আরও পড়ুন

• ফেডারেল হাইওয়ে অ্যাডমিনিস্ট্রেশন দ্বারা প্রকাশিত পরিবহন অ্যাপ্লিকেশনগুলিতে এজেন্ট-ভিত্তিক সিমুলেশন এবং মডেলিংয়ের জন্য একটি প্রাইমার ।
• কার্যকলাপ-ভিত্তিক ভ্রমণ চাহিদা মডেল: কৌশলগত হাইওয়ে রিসার্চ প্রোগ্রাম দ্বারা প্রকাশিত একটি প্রাইমার ।
• এডওয়ার্ড এ. বেইমবর্নের একটি ট্রান্সপোর্টেশন মডেলিং প্রাইমার
• ঝু, শানজিয়াং এবং লেভিনসন, ডেভিড (২০১৮) শিক্ষা ও তথ্য বিনিময়ের সাথে এজেন্ট-ভিত্তিক রুট পছন্দ। নগর বিজ্ঞান ২(৩), ৫৮ .
• ডি, জুয়ান, হেনরি লিউ এবং ডেভিড লেভিনসন। (২০১৫) ট্রান্সপোর্টেশন ইঞ্জিনিয়ারিংয়ের জন্য মাল্টি-এজেন্ট রুট চয়েস গেম। পরিবহন গবেষণা রেকর্ড ২৪৮০ ৫৫-৬৩ .
• Tilahun, Nebiyou এবং David Levinson (২০১৩) একজন এজেন্ট-ভিত্তিক কর্মী এবং কাজের মিলের মডেল। পরিবহন ও জমি ব্যবহারের জার্নাল ৬(১) ৭৩-৮৮ .
• হুয়াং, আর্থার এবং ডেভিড লেভিনসন (২০১১) কেন খুচরা বিক্রেতাদের ক্লাস্টার: সাপ্লাই চেইনে অবস্থান পছন্দের একটি এজেন্ট মডেল। পরিবেশ ও পরিকল্পনা খ ৩৮(১) ৮২ – ৯৪ .
• ঝু, শানজিয়াং, ফেং জি এবং ডেভিড লেভিনসন (২০১১) এজেন্ট-ভিত্তিক চাহিদা এবং অ্যাসাইনমেন্ট মডেল ব্যবহার করে অন-লাইন সিমুলেশনের মাধ্যমে পরিবহন শিক্ষা বৃদ্ধি করা। ASCE জার্নাল অফ প্রফেশনাল ইস্যুস ইন ইঞ্জিনিয়ারিং এডুকেশন অ্যান্ড প্র্যাকটিস ১৩৭(১) ৩৮-৪৫ .
• ঝাং, লেই, ডেভিড লেভিনসন, এবং শানজিয়াং ঝু (২০০৮) কনজেস্টেড নেটওয়ার্কে মূল্য প্রতিযোগিতা এবং পণ্যের পার্থক্যের এজেন্ট-ভিত্তিক মডেল। জার্নাল অফ ট্রান্সপোর্ট ইকোনমিক্স অ্যান্ড পলিসি সেপ্টেম্বর ২০০৮ ৪২(৩) ৪৩৫-৪৬১ .
• Zou, Xi এবং David Levinson (২০০৬) একটি মাল্টি-এজেন্ট কনজেশন এবং মূল্য নির্ধারণ মডেল। ট্রান্সপোর্টমেট্রিকা ২(৩) ২৩৭-২৪৯ .
• ঝাং, লেই এবং ডেভিড লেভিনসন। (২০০৪a) একটি এজেন্ট-ভিত্তিক দৃষ্টিভঙ্গি ভ্রমণের চাহিদা মডেলিং: একটি অনুসন্ধানমূলক বিশ্লেষণ। পরিবহন গবেষণা রেকর্ড: পরিবহন গবেষণা বোর্ডের জার্নাল ১৮৯৮ ২৮-৩৮ .
• Zou, Xi এবং David Levinson (২০০৩) বুদ্ধিমান এজেন্টদের সাথে যানবাহন ভিত্তিক ইন্টারসেকশন ব্যবস্থাপনা। আইটিএস আমেরিকার বার্ষিক সভা কার্যক্রম .

তথ্যসূত্র

• Bar-Gera, Hillel, ২০০১, Transportation Network Test Problems, Ben-Gurion University of Negev, http://www.bgu.ac.il/~bargera/tntp/
• বেন-আকিভা, এম. এবং লারম্যান এসআর, ১৯৮৫, বিচ্ছিন্ন পছন্দ বিশ্লেষণ: তত্ত্ব এবং ভ্রমণ চাহিদার আবেদন। এমআইটি প্রেস, কেমব্রিজ, ম্যাসাচুসেটস
• Boyce, D., ২০০২, অনুক্রমিক ভ্রমণ পূর্বাভাস দৃষ্টান্ত বিপরীতমুখী. ASCE জার্নাল অফ আরবান প্ল্যানিং অ্যান্ড ডেভেলপমেন্ট ১২৮(৪): ১৬৯-১৮৩
• হ্যান্ডি এস., ১৯৯৩, আঞ্চলিক বনাম স্থানীয় অ্যাক্সেসিবিলিটি: অ-কাজ ভ্রমণের জন্য প্রভাব। পরিবহন গবেষণা রেকর্ড ১৪০০: ৫৮-৬৬।
• Handy, S., et al. ২০০২। পরিবহন পরিকল্পনা পেশাদারদের শিক্ষা। পরিবহন গবেষণা রেকর্ড, নং. ১৮১২, পিপি। ১৫১-১৬০।
• কিটামুরা, আর., পাস, ইআই, লুলা, সিভি, লটন, কে. এবং বেনসন, পিই, ১৯৯৬, দ্য সিকোয়েন্সড অ্যাক্টিভিটি মোবিলিটি সিমুলেটর (এসএএমএস): মডেলিং পরিবহন, ভূমি ব্যবহার এবং বায়ুর গুণমানের জন্য একটি সমন্বিত পদ্ধতি। পরিবহন ২৩: ২৬৭-২৯১
• ম্যাকফ্যাডেন, ডি., ১৯৭৪, শহুরে ভ্রমণ চাহিদার পরিমাপ, বার্কলে : নগর ও আঞ্চলিক উন্নয়ন ইনস্টিটিউট, ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়।
• পার্থসারথি, পি., লেভিনসন, ডি., এবং কারামালাপুটি, আর., ২০০৩। প্ররোচিত চাহিদা: একটি মাইক্রোস্কোপিক দৃষ্টিকোণ। আরবান স্টাডিজ, ভলিউম ৪০, নম্বর ৭, পিপি ১৩৩৫–১৩৫৩।
• পাস, ইআই, ১৯৮৫, ভ্রমণের চাহিদায় শিল্প এবং গবেষণার সুযোগ: অন্য দৃষ্টিকোণ। পরিবহন গবেষণা অংশ A(২১): ৪৩১-৪৩৮
• Recker, WW, McNally, MG, এবং Root, GS, ১৯৮৬, একটি মডেল অফ জটিল ভ্রমণ আচরণ: অংশ I-তাত্ত্বিক উন্নয়ন। পরিবহন গবেষণা ২০A: ৩০৭-৩১৮
• কিতামুরা, আর., ১৯৮৮, কার্যকলাপ-ভিত্তিক ভ্রমণ বিশ্লেষণের একটি মূল্যায়ন। পরিবহন ১৫: ৯-৩৪
• Timmermans, HJP, Arentze, TA এবং Joh, C.-H. , ২০০২, স্থান-কালের আচরণ বিশ্লেষণ: পুরানো সমস্যাগুলির জন্য নতুন পদ্ধতি, মানব ভূগোলে অগ্রগতি, ২৬, ১৭৫-১৯০।
• ঝাং, লেই এবং ডেভিড লেভিনসন। ২০০৪। একটি এজেন্ট-ভিত্তিক দৃষ্টিভঙ্গি ভ্রমণ চাহিদা মডেলিং: একটি অনুসন্ধানী বিশ্লেষণ। ট্রান্সপোর্টেশন রিসার্চ রেকর্ড: জার্নাল অফ দ্য ট্রান্সপোর্টেশন রিসার্চ বোর্ড #১৮৯৮ পিপি। ২৮-৩৮