পরিবহনে বিজ্ঞান/মোডাল বিভাজন

শিকাগো এরিয়া ট্রান্সপোর্টেশন স্টাডি (CATS) দ্বারা বিকশিত প্রাথমিক পরিবহন পরিকল্পনা মডেলটি যানবাহনের উপর দৃষ্টি নিবদ্ধ করে, এটি জানতে চেয়েছিল যে যানবাহনের মাধ্যমে কতটা ভ্রমণ অব্যাহত থাকবে। CATS যানবাহন ভ্রমণগুলিকে দুটি শ্রেণীতে বিভক্ত করেছে: সিবিডি (CBD) তে ভ্রমণ (প্রধানত পাতাল রেল/এলিভেটেড যানবাহন, এক্সপ্রেস বাস এবং কমিউটার ট্রেনের মাধ্যমে) এবং অন্যান্য (প্রধানত স্থানীয় বাস সিস্টেমে)। পরেরটির জন্য, অটো মালিকানা বৃদ্ধি এবং ব্যবহার বাস ব্যবহারের বিরুদ্ধে বাণিজ্য বন্ধ ছিল; প্রবণতা ডেটা ব্যবহার করা হয়েছিল।

CBD ভূমি ব্যবহারের অনুমান সহ ঐতিহাসিক মোড পছন্দ ডেটা ব্যবহার করে CBD ভ্রমণ বিশ্লেষণ করা হয়েছিল। অনেক গবেষণায় কিছুটা অনুরূপ কৌশল ব্যবহার করা হয়েছিল। CATS-এর দুই দশক পরে, উদাহরণস্বরূপ, লন্ডনের গবেষণাটি মূলত একই পদ্ধতি অনুসরণ করেছিল, তবে প্রথমে শহরের ভিতরের অংশে এবং বাইরের অংশে করা ভ্রমণগুলিকে ভাগ করে। এই পদ্ধতিটি অনুসরণ করা হয়েছিল কারণ এটি মনে করা হয়েছিল যে আয় (অটোমোবাইল ক্রয় এবং ব্যবহারের ফলে) মোড পছন্দকে চালিত করে।

ডাইভারশন কার্ভ কৌশল

CATS-এর কাছে ডাইভারশন কার্ভ কৌশল উপলব্ধ ছিল এবং কিছু কাজের জন্য সেগুলি ব্যবহার করা হয়েছিল। প্রথমে, CATS রাস্তা এবং ধমনী থেকে প্রস্তাবিত এক্সপ্রেসওয়েতে অটো ট্র্যাফিকের ডাইভারশন অধ্যয়ন করেছিল। ডাইভারশন কার্ভগুলিও ব্যবহার করা হয়েছিল কারণ শহরগুলির চারপাশে বাইপাস তৈরি করা হয়েছিল যাতে ট্রাফিকের কত শতাংশ বাইপাস ব্যবহার করবে তা নির্ধারণ করতে। ডাইভারশন বক্ররেখা বিশ্লেষণের মোড পছন্দ সংস্করণ এইভাবে এগিয়ে যায়: একটি অনুপাত গঠন করে, বলুন:

${\frac {c_{transit}}{c_{auto}}}=R\,\!$

যেখানে:

c_m = মোড m এর দ্বারা ভ্রমণ সময় এবং

R হলো ফর্মের অভিজ্ঞতামূলক তথ্য:

Figure: Mode choice diversion curve

আমরা যে R গণনা করেছি, গ্রাফটি আমাদেরকে বলে যে বাজারে কত শতাংশ ব্যবহারকারী যানবহন বেছে নেবেন। এই কৌশলের একটি ভিন্নতা হল ডাইভারশন অনুপাতে সময়ের পরিবর্তে খরচ ব্যবহার করা। একটি সময় বা খরচ অনুপাত ব্যবহার করার সিদ্ধান্ত হাতে সমস্যা চালু।যানবাহন এজেন্সিগুলি বিভিন্ন ধরণের পরিস্থিতির জন্য ডাইভারশন কার্ভ তৈরি করেছে, তাই আয় এবং জনসংখ্যার ঘনত্বের মতো চলকগুলি অন্তর্নিহিতভাবে প্রবেশ করেছে। ডাইভারশন কার্ভগুলি অভিজ্ঞতামূলক পর্যবেক্ষণের উপর ভিত্তি করে তৈরি করা হয়েছে এবং তাদের উন্নতি আরও ভাল (আরও বেশি নির্দেশিত) ডেটার ফলে হয়েছে। অনেক বাজারের জন্য কার্ভ পাওয়া যায়। ডেটা এবং অ্যারের ফলাফল পাওয়া কঠিন নয়। যানবাহনের সম্প্রসারণ অপারেটর এবং পরিকল্পনাকারীদের দ্বারা ডেটা বিকাশকে অনুপ্রাণিত করেছে। ইয়াকভ জাহাভির UMOT গবেষণায় ডাইভারশন কার্ভের অনেক উদাহরণ রয়েছে।