الفهرس 
Chapter 1Only 14 pages are availabe for public view
 |  | from | 130 |  |  |
| | | from | 130 | | |
Abstract
تمثل قيمة معدل نمو حركة المرور دائما أهمية كبيرة في بناء البنية التحتية للطرق في تخطيط النقل وتطبيقاته، حيث قد يؤدي عدم دقته إلى الانهيار المبكر لطبقات الرصف وكذلك إهدار الموارد الثمينة. بسبب الأحمال المرورية الكبيرة واجهت الطرق المصرية تدهورا في طبقات الرصف في الآونة الأخيرة، مما استلزم صيانة الطرق وإعادة تأهيلها سنويا. يمكن أن ينتج تدهور حالة الرصف عن الظروف البيئية والمناخية ونوعية المواد ومعايير التصميم وكذلك يمكن ان تتمثل أيضا في التقدير الخاطئ لقيمة المتوسط السنوي لحركة المرور اليومية.
يجب فحص حجم حركة المرور، الذي يشير إلى عدد المركبات على الطريق ومعدل تغيرها، لفهم كيفية تأثير هذه القيم على هيكل الرصف. فإنه بناء على قيم معدل نمو المرور، يجب استخدام تقنيات الحاسوب لفحص حساسية الرصف وتعزيز تصميمه. أيضا يساهم معدل نمو حركة المرور في تقدير عدد الجارات المرورية وسمك طبقة الأسفلت، وتقليل الالتزامات الاقتصادية والمالية لمشاريع تحسين الطرق السريعة، وبرامج التحكم في حركة المرور، وصيانة الطرق، وتشغيل الطرق، وتقليل الازدحام، وإدارة الحوادث.
تعاني البلدان النامية مثل مصر من نقص كبير في قدرتها على إجراء هذه الدراسات بسبب عدم كفاية بيانات حركة المرور. كما يعد اختيار معدلات النمو عملية معقدة تتطلب الإلمام بالعديد من أنواع المركبات بالإضافة إلى الاهتمامات الاقتصادية والاجتماعية. في الدراسة الحالية، تم استخدام البيانات المتعلقة بالنمو السكاني، وسعر الوقود، ومتوسط دخل الفرد، ونمو الناتج المحلي الإجمالي وخصائص الطريق والتي يعد منها عدد الحارات المروية والموقع المكاني لمحطات رصد المركبات. كل ما تم ذكره من عوامل تم استخدامها من أجل حساب معدلات نمو المركبات.
تهدف هذه الدراسة إلى معالجة المخاوف الكبيرة بشأن التنبؤ بزيادة حركة المرور باستخدام البيانات المصرية 2008-2017 لحساب معدلات نمو حركة المرور في جميع أنحاء البلاد. حيث تم استخدام تحليل الانحدار والتعلم الالي لتقدير نمو حركة المرور على أساس المتوسط السنوي لحركة المرور اليومية (AADT).
تقدم هذه الأطروحة أرقاما تمثل المتوسط السنوي لحركة المرور اليومية في معظم أنحاء جمهورية مصر العربية. وقد أشارت نتائج تلك الدراسة، التي قسمت البيانات إلى فئات بناء على عدد الحارات المرورية، إلى معدلات النمو التالية: 1.74 ٪ في الحالات التي يوجد فيها حارة واحدة فقط؛ 1.94 ٪ في الحالات التي يوجد فيها حارتين؛ 2.07 ٪ في الحالات التي يوجد فيها ثلاث حارات؛ و5.22 ٪ في حالة وجود أربع حارات. ينتج عن هذا أن معدل النمو أقل من 10%; تشير هذه القيمة إلى الحد الأقصى لمعدل حركة المرور الذي يمكن أن تحققه كثافة حركة المرور على الطريق.
لكن الاعتماد فقط على المتوسط السنوي لحركة المرور اليومية (AADT) ليس أمرا مقبولا. نظرا لأنه تم حساب رقم AADT باستخدام بيانات من العام السابق، فقد يتغير عدد المركبات على الطريق بمرور الوقت بسبب تأثير مجموعة متنوعة من العوامل الأخرى. هناك العديد من العوامل الأخرى التي قد تؤثر على عدد المركبات على الطريق. تركز البيانات المستخدمة على العوامل الاقتصادية والاجتماعية وخصائص الطريق حيث تم النظر بعناية في نتائج الأبحاث السابقة، وتم اختيار هذه العوامل للنظر فيها لأن النتائج أظهرت أنها تؤثر وترتبط بقيمة AADT. بمعنى آخر، كان الهدف من هذا البحث هو إيجاد وسيلة لحل مشكلة عدم إجراء دراسات سابقة في مصر بشأن هذا الموضوع أو توضيح معدل نمو حركة المرور. هذان شيئان لم يتم القيام بهما في أي من الدراسات التي جاءت قبل هذه الأطروحة.
تقدم هذه الاطروحة لمحة عامة عن العديد من النماذج الاقتصادية التي يمكن وضعها باستخدام نهج مرونة الطلب على النقل. يمكن بناء هذه النماذج بسبب تطبيق تلك النهج. تم إجراء عملية التحقق بحيث يمكن تحديد ما إذا كانت هذه النماذج قد أسفرت عن نتائج دقيقة. في هذه المرحلة، قارنا القيم التي تم تقديرها لقيم المتوسط السنوي لحركة المرور اليومية (AADT) إلى القيم التي تم رصدها في الموقع. بالنظر إلى النتائج، تم تقديم دليل على أن النماذج المقترحة ذات دقة جيدة حيث إن نسبة الخطأ أقل من 0.05، وكانت قيم نسبة الخطأ تتراوح من 0.00 إلى 0.025.
في هذه الأطروحة أيضا تم النظر في العوامل الموسمية SF التي قد تكون ضرورية لحساب الاختلافات في حجم حركة المرور على مدار العام. حيث أوجدت تلك الأطروحة أرقاما تمثل معامل التغيير في حجم حركة المرور من شهر لآخر يطلق عليها التغيرات الموسمية SF.
كما تم استخدام خوارزميات التعلم الالي ومنها شبكات الذكاء الاصطناعي(ANN) Artificial Neural Networks وكذلك Extra Trees Regression (ET) و Adaboost (AB) وRandom Forest (RF) للتنبؤ بقيم المتوسط السنوي لحركة المرور اليومية، حيث ان الخوارزميات المختارة تتميز بمرونة عالية وتؤدي بشكل فعال في كل من مهام الانحدار والتصنيف ولديها القدرة على إدارة مجموعات بيانات واسعة النطاق ومتنوعة.
اختار المؤلفون خوارزميات التعلم الألى التي كانت قوية وسريعة ومفيدة. في حين أن تحليل الانحدار كان يعطي نتائج مقبولة لكن خوارزميات التعلم الالي ا المستخدمة لتنبؤ AADT هي أعلى بكثير. على الرغم من أن AdaBoostهي الخوارزمية المثلى في الدلتا، إلا أن نموذج التنبؤ بحركة المرور القائم على خوارزمية Extra Treesدقيق لجميع المناطق في مصر.
مقاييس الدقة الأربعة متوسط الخطأ المطلق (MAE) ومتوسط مربع الخطأ (MSE) ومعامل التحديد (R2) ومعامل الارتباط (R). تلك المقاييس الأربعة تم استخدامها حيث أوضحت أن خوارزميات التعلم الالي تعطي دقة أعلى من معادلات تحليل الانحدار الإحصائي في معظم أنحاء مصر. وكنتيجة مباشرة لذلك، يتضح أن هذه النماذج يمكن استخدامها لتقديم توقعات جديرة بالثقة لقيم AADT التي ستحدث في المستقبل. وبالتالي، يمكن أن تساهم هذه القيم بشكل فعال في تحسينات الطرق المستقبلية، وعند إنشاء طريق جديد في تلك المناطق.
تحتوي هذه الأطروحة على خمسة أبواب بما فيهم المقدمة وفيما يلي عرض موجز لمحتويات كل باب على حدة.
الباب الأول:
يتضمن مقدمة موجزة لموضوع البحث، وبيان المشكلة، بالإضافة إلى الخطوط العريضة لنطاق هذا البحث وأهدافه.
الباب الثاني:
بالرجوع إلى الأبحاث السابقة التي تم إجراؤها حول هذا الموضوع، والتي يتم مناقشتها بالتفصيل. يقدم هذا الفصل نظرة عامة على العديد من أنواع حصر حركة المرور المختلفة ويوضح المزايا والعيوب المرتبطة بكل طريقة على حدة. تتضمن الأطروحة التغيرات التي تحدث وتؤثر علي قيم المتوسط السنوي لحركة المرور اليومية (AADT) وكذلك معدلات نمو الحركة اللاحقة. وبالإضافة إلى ذلك، تقدم الأطروحة دراسة للاتجاهات السابقة في معدلات النمو.
الباب الثالث:
يعرض المنهجية التي تم إتباعها للحصول على النتائج المرجوة من الدراسة. يقدم هذا الفصل ملخصًا عامًا لمنطقة البحث بالإضافة إلى موقعها على الخريطة. وعلى وجه الخصوص، عرض المواقع الدقيقة للنقاط التي تم فيها حصر المركبات، وتم توضيح قيم (AADT) من حيث القيم الاقل والأعلى لكل محطة. يتم استخدام المتوسط السنوي لحركة المرور اليومية (AADT) لتقدير معدل نمو حركة المرور.
الباب الرابع:
يوضح نتائج معدل نمو الحركة المرورية في جمهورية مصر العربية، والتي يتم تقييمها باستخدام مؤشر المتوسط السنوي لحركة المرور اليومية (AADT). استخدمت الدراسة تحليلات الانحدار لإنشاء معادلات الانحدار واستخدمت استراتيجية لإنشاء علاقة بين المتوسط السنوي لحركة المرور اليومية (AADT) والخصائص الاجتماعية والاقتصادية. تم تطوير هذه النماذج الاقتصادية القياسية بهدف التنبؤ بـ AADT المستقبلية لمنطقة الدراسة. بالإضافة إلى ذلك، تم استخدام أساليب التعلم الآلي. بعد ذلك، تم اجراء مقارنة بين النماذج الاحصائية والخوارزميات المستخدمة في الاطروحة.
الباب الخامس:
يتضمن موجزاً للرسالة، وملخصاً للنتائج والاستنتاجات التي تم التوصل إليها، وأيضاً بعض اقتراحات للدراسات المستقبلية في نفس مجال البحث.
كما تم تضمين قائمة بالمراجع والملحق.