Escolar Documentos
Profissional Documentos
Cultura Documentos
Distribuição de viagens
ENG 1507
Como vou?
Etapa de Distribuição de viagens (para onde viajo?) Determina o número de viagens entre cada zona de
origem e cada zona de destino (variáveis Vij) – miolo da matriz OD.
Vij
1 2 3
1 2 3
1 12 14 6 32
1 32
i
i
2 32 Oi 2 14 8 10 32 Oi
3 6 10 2 18
3 18
Vij 32 32 18
32 32 18
Dj
Dj
𝑉𝑖𝑗 = 𝐷𝑗 ... …
𝑖 i 𝑉𝑖1 𝑉𝑖2 𝑉𝑖𝑗 𝑉𝑖𝑧 𝑂𝑖
... …
𝑉𝑖𝑗 = 𝑇 z 𝑉𝑧1 𝑉𝑧2 𝑉𝑧𝑗 𝑉𝑧𝑧 𝑂𝑧
𝑖𝑗
𝑉𝑖𝑗 = 𝑇 = 𝑂𝑖 = 𝐷𝑗
𝑖𝑗 𝑖 𝑗
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
7
4. Distribuição de viagens
𝑉𝑖𝑗 = 𝑇 = 𝑂𝑖 = 𝐷𝑗
𝑖𝑗 𝑖 𝑗
Para representar um ano base – ano de pesquisa de matriz O/D, utiliza-se o
expoente 0 e para o ano futuro de projeção, utiliza-se o expoente N. Desse
modo tem-se como exemplo:
v Oi ij D j
12
0 0
0 v
V
v ij
0 21 j 1 e i 1
0
0 0 0 𝑣𝑖𝑗 =𝑇
v i1
v i2
v ij 𝑖𝑗
Futuro (ano N):
n n Através da 1ª etapa
j 1
VijN OiN
VijN D N
j Geração de Viagens
i 1
e N N
... v1Nj
v11
v12
𝑉𝑖𝑗 = 𝑇 𝑁
𝑖𝑗
N
V
N
v21
:
:
:
:
:
:
:
O que precisamos obter? viN viN2 ... vijN
1
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
9
4. Distribuição de viagens
3 * * * 189 275
DN
j 429 309 137 875
*
Modelo de Distribuição de Viagens (valores futuros)
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝑂/𝐷 0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊
0 0
1 𝑉11 𝑉12 0
𝑉13 𝑂10 𝑶𝑵
𝟏 1 100 210 290 600 1057
0 0
2 𝑉21 𝑉22 0
𝑉23 𝑂20 𝑶𝑵
𝟐 2 150 200 210 560 818
0 0 0
3 𝑉31 𝑉32 𝑉33 𝑂30 𝑶𝑵
𝟑 3 400 490 200 1090 889
𝐷𝑗0 𝐷10 𝐷20 𝐷30 𝑇0 𝐷𝑗0 650 900 700 2250
𝑫𝑵
𝒋 𝑫𝑵
𝟏 𝑫𝑵
𝟐 𝑫𝑵
𝟑 𝑇𝑁 𝑫𝑵
𝒋 684 822 1258 2764
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖𝐼𝑇𝐸 𝑶𝑵
𝒊 𝒇𝒊
1 100 210 290 600 1057 1.76 1 158 278 620 1056 1057 1.00
2 150 200 210 560 818 1.46 2 201 224 393 818 818 1.00
3 400 490 200 1090 889 0.82 3 324 321 246 890 889 1.00
𝐷𝑗0 650 900 700 2250 𝐷𝑗𝐼𝑇𝐸 683 822 1259 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 1.23 𝒇𝒋 1.00 1.00 1.00 1.00
Iteração 1
1.76 + 0.91
𝑂/𝐷 0 1 2 3 𝑂𝑖𝐼𝑇𝐸 𝑶𝑵
𝒊 𝒇𝒊 𝑉12 = 210 × = 281
2
1 141 281 516 938 1057 1.13
2 188 237 342 768 818 1.07
3 374 424 261 1058 889 0.84 𝑉𝑖𝑗𝑛 = 𝐹𝑖𝑗𝑛−1 𝑉𝑖𝑗𝑛−1
𝐷𝑗𝐼𝑇𝐸 703 942 1119 2764
𝑫𝑵
𝒋 684 822 1258 2764
𝑓𝑖 + 𝑓𝑗
𝐹𝑖𝑗 =
𝒇𝒋 0.97 0.87 1.12 1.00 2
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
18
4. Distribuição de viagens
𝑝 𝑝−1 𝑝−1
Numa iteração p 𝑉𝑖𝑗 = 𝐹𝑖𝑗 𝑉𝑖𝑗
𝑝−1 𝑝−1
𝑓𝑖 + 𝑓𝑗
𝐹𝑖𝑗 =
Esquema mnemônico 2
O/D 1 2 3 O0i On i f0i
1
2
3
D0j
DNj
f0j
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 100 210 290 600 1057 1.76 1 155 269 633 1058 1057 1.00
2 150 200 210 560 818 1.46 2 201 221 396 818 818 1.00
3 400 490 200 1090 889 0.82 3 327 331 230 888 889 1.00
𝐷𝑗0 650 900 700 2250 𝐷𝑗0 683 822 1259 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.05 0.91 1.80 1.23 𝒇𝒋 1.00 1.00 1.00 1.00
Iteração 1
1.76 × 0.91
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑉12 = 210 × = 275
1 0.90
1.23
151 275 747 1173 1057
2 188 217 449 854 818 0.96
3 279 297 239 815 889 1.09 𝑉𝑖𝑗𝑛 = 𝐹𝑖𝑗𝑛−1 𝑉𝑖𝑗𝑛−1
𝐷𝑗0 618 789 1435 2842 𝑝−1 𝑝−1
𝑫𝑵
𝒋 684 822 1258 2764 (𝑝) 𝑓
𝑝−1 𝑖
𝑓𝑗
𝑉𝑖𝑗 = 𝑉𝑖𝑗
𝒇𝒋 1.11 1.04 0.88 0.97 𝑚𝑝−1
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
20
4. Distribuição de viagens
f i p 1. f jp 1
Numa iteração p Vij( p ) Vij( p 1) . p 1
m
Esquema mnemônico
2
3
D0j
DNj
f0j m
f i 0 . f j0
Vij1 Vij0 .
m0
Iteração 1
Matrizes Simétricas 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 172 281 855 1308 1057 0.81
OiN
Vijp Vijp 1. f jp 1. n
2 204 209 500 913 818 0.90
ij j
p 1 p 1 3 256 237 243 736 889 1.21
V . f
k 1
𝐷𝑗0 632 728 1598 2958
𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 1.08 1.13 0.79 0.93
1.76+0.91 1057 822
𝐹12 = 210 × × × =281
2 100×1.05+210×0.91+290×1.80 210×1.76+200×1.46+490×0.82
O/D 1 2 3 4
1 250 290 234 774 O/D 1 2 3 O0i Oni o0i
2 250 490 240 980
3 290 490 125 905
1
4 234 240 125 599 2
𝐷𝑗0 774 980 905 599 3258
3
D0j
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 de geração, 𝑓𝑖
1 100 210 290 600 1057 1.76
𝑽𝒏𝒊𝒋 = 𝒇𝒏−𝟏
𝒊 𝑽𝒏−𝟏
𝒊𝒋
2 150 200 210 560 818 1.46
3 400 490 200 1090 889 0.82 2º Passo: utilizar os fatores de crescimento
𝐷𝑗0 650 900 700 2250 de atração, 𝑓𝑗
𝑫𝑵
𝒋 684 822 1258 2764
𝑽𝒏𝒊𝒋 = 𝒇𝒏−𝟏
𝒋 𝑽𝒏−𝟏
𝒊𝒋
𝒇𝒋 1.05 0.91 1.80 1.23
𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊 𝑂/𝐷0 1 2 3 𝑂𝑖0 𝑶𝑵
𝒊 𝒇𝒊
1 176 370 511 1057 1057 1.00 1 167 286 655 1109 1057 0.95
2 219 292 307 818 818 1.00 2 208 226 393 827 818 0.99
3 326 400 163 889 889 1.00 3 309 309 209 828 889 1.07
𝐷𝑗0 722 1062 981 2764 𝐷𝑗0 684 822 1258 2764
𝑫𝑵
𝒋 684 822 1258 2764 𝑫𝑵
𝒋 684 822 1258 2764
𝒇𝒋 0.95 0.77 1.28 1.00 𝒇𝒋 1.00 1.00 1.00 1.00
Esquema mnemônico
O/D 1 2 3 Oi Oi
1 300 510 810 900
2 290 510 800 1000
3 320 620 940 1040
Dj 610 920 1020 2550
Dj 750 980 1210 1600 2940
TESTE
OiN
Se n
1 e DN
j então
1
Vijp n
j 1
i 1
Vijp
Pare
Senão
p=p+1
volte para o 1° passo
Fim se
Desvantagens:
• Não é recomendado para estimações de longo prazo;
• Os custos da pesquisa para obtenção dos dados das viagens costumam ser caros;
• Se a matriz OD base obtida da pesquisa contém células vazias, então, isso implica que a matriz
estimada terá células vazias também;
• Não considera as possíveis mudanças no tempo ( ou no período que vai ser estimada a matriz OD)
na rede viária e nem os custos de operação.
Baseiam-se na Lei de Newton: “a força de atração entre dois corpos é diretamente proporcional ao
produto das massas dos dois corpos e inversamente proporcional ao quadrado das distâncias entre
eles”.
Há várias formas de modelo gravitacional:
Sem restrições – Usam-se indicadores do número de viagens geradas e atraídas por cada zona,
como a população ou o emprego, para estimar as viagens entre cada par OD, tendo como
referência uma pesquisa de viagens para alguns pares OD e as distâncias ou tempos de viagens
entre essas zonas. Não requer o passo da Geração (onde obtemos 𝑂𝑗 e 𝐷𝑘 ).
Uma restrição – Queremos que Oj ou Dk seja cumprida, apenas uma das bordas, sendo que a
outra borda fica independente;
Duplamente restringido – Queremos que Oj e Dk sejam cumpridas, ou seja, ambas as bordas
da matriz OD devem ser exatamente iguais aos valores estimados no módulo de geração;
A vantagem deste modelo em relação aos outros é que nele se considera, além da atração, o efeito
da separação espacial ou facilidade de interação entre as regiões definida pela função de impedância.
Ilustração do modelo
gravitacional:
Rio de Janeiro e São Paulo estão a 430 km
uma da outra, mas há mais viagens entre
elas do que entre Rio de Janeiro e Juiz de
Fora, cuja distância é de apenas 180 km.
𝐾𝑃𝑖 𝑃𝑗
𝑉𝑖𝑗 = 2 (Casey-1955)
𝑑𝑖𝑗
Onde Pi e Pj eram as populações das zona i e j respectivamente, dij a
distância entre as zonas e K um fator de proporcionalidade. A partir daí
houve um relaxamento nas premissas e, ao invés de variáveis proporcionais
às geração e atração de viagens, os planejadores passaram a usar o total de
viagens originadas e destinadas e uma potência n, a ser calibrada, para as
distâncias.
Modelo Gravitacional
v
tij Tempo de viagem no veículo
Por vezes o que fazemos nestes casos é considerar a impedância como um valor
muito alto (99999), evitando que sejam distribuídas viagens intra-zonais.
E para a atração?
1,5
1
Interseção na origem:
0,5 y = -1,4427x + 4,1566 Ln ( )=a=4.157 => e^4.157 = 63.88
R² = 0,7141
0
Declive:
2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6
-0,5
𝛽 =-b=-(-1.4427)=1.4427
-1 Coeficiente de determinação:
R2 = 0.7141 (71%)
-1,5
Pj .Ek T jk
T jk ln ln β ln t jk Pj Ek
t jk
β P .E T jk 63.88
j k t jk 1.4427
y a b x
PA EB
TA, B 63.88 1.4427
t A,B
37.1 70.8
63.88 1.4427
2076
21
TA,C (...)
Excel
𝑉𝑖𝑗 𝐾
= = 𝑔𝑖𝑗 𝐿𝑜𝑔𝑔𝑖𝑗 = 𝑙𝑜𝑔𝐾 − 𝛽𝑙𝑜𝑔𝑑𝑖𝑗
𝑃𝑖 𝐸𝑗 𝑑 𝛽
𝑖𝑗
0,00E+00
0,0 0,5 1,0 1,5 2,0 2,5 3,0
-2,00E+00
-4,00E+00
y = -1,4608x - 8,6678
-6,00E+00
R² = 0,9966
LN(gij)
-8,00E+00
-1,00E+01
-1,20E+01
-1,40E+01
LN(dij)
ANOVA
gl SQ MQ F F de significação
6697,75610
Regressão 1 32,82842 32,82841773 1 7,27115E-30
Resíduo 23 0,112732 0,004901405
Total 24 32,94115
95%
Erro superiore Inferior Superior
Coeficientes padrão Stat t valor-P 95% inferiores s 95,0% 95,0%
Interseção -8,667808025 0,032291 -268,431028 1,02694E-41 -8,73460629 -8,60101 -8,73461 -8,60101
Variável X 1 -1,460798434 0,017849 -81,8398198 7,27115E-30 -1,497722902 -1,42387 -1,49772 -1,42387
Pi E j
Vij K Precisamos ajustar 𝛼, 𝛽 𝑒𝛾 𝑎𝑙é𝑚 𝑑𝑜 𝐾
d ij
Y a o a1 x1 a 2 x 2 a3 x3
Exemplo 2:
Pi E j
Vij K
Calibração por regressão linear múltiplaC
d ij
Tomando o logarítmo :
Y a o a1 x1 a 2 x 2 a3 x3
Onde: 𝑎3 =-𝛾
Y a o a1 x1 a 2 x 2 a3 x3
OD Vij Pi Ej dij OD LN(Vij) LN(Pi) LN(Ej) LN(dij)
12 80 300 100 20 12 4,38 5,70 4,61 3,00
13 80 300 100 22 13 4,38 5,70 4,61 3,09
14 100 300 300 20 14 4,61 5,70 5,70 3,00
15 75 300 100 20 15 4,32 5,70 4,61 3,00
21 150 400 300 10 21 5,01 5,99 5,70 2,30
23 180 400 100 9 23 5,19 5,99 4,61 2,20
24 200 400 300 12 24 5,30 5,99 5,70 2,48
25 125 400 100 18 25 4,83 5,99 4,61 2,89
31 200 300 300 12 31 5,30 5,70 5,70 2,48
32 100 300 100 12 32 4,61 5,70 4,61 2,48
34 90 300 300 16 34 4,50 5,70 5,70 2,77
35 80 300 100 14 35 4,38 5,70 4,61 2,64
41 150 380 300 12 41 5,01 5,94 5,70 2,48
42 150 380 100 10 42 5,01 5,94 4,61 2,30
43 120 380 100 8 43 4,79 5,94 4,61 2,08
45 200 380 100 6 45 5,30 5,94 4,61 1,79
51 110 300 300 15 51 4,70 5,70 5,70 2,71
52 80 300 100 16 52 4,38 5,70 4,61 2,77
53 80 300 100 14 53 4,38 5,70 4,61 2,64
54 90 300 300 15 54 4,50 5,70 5,70 2,71
Estatística de regressão
R múltiplo 0,874423413
R-Quadrado 0,764616305
1,23 0,21
R-quadrado 𝑃𝑖 𝐸𝑗
ajustado
Erro padrão
0,720481862
0,185633808 𝑉𝑖𝑗 =𝑒 −2,26 0,46
Observações 20
𝐷𝑖𝑗
ANOVA
F de
gl SQ MQ F significação
Regressão 3 1,791023597 0,597007866 17,32470729 2,79729E-05
Resíduo 16 0,551358571 0,034459911 excel
Total 19 2,342382167
Superior
Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% 95,0%
Interseção -2,261682494 2,712860871 -0,833689084 0,416729216 -8,012690631 3,489325643 -8,012690631 3,489325643
LN(Pi) 1,230481029 0,415100222 2,964298654 0,009134536 0,350507869 2,110454189 0,350507869 2,110454189
LN(Ej) 0,209608605 0,077318762 2,71096691 0,015421547 0,045700152 0,373517058 0,045700152 0,373517058
LN(dij) -0,46289763 0,162405342 -2,850261102 0,011574721 -0,807181576 -0,118613684 -0,807181576-0,118613684
O/D 1 2 3 4 5 Oi fi
1 208,86 185,02 201,67 205,39 800,94 800 1,00
2 293,65 243,23 222,05 187,44 946,37 1000 1,06
3 340,15 289,84 244,97 265,39 1140,34 1200 1,05
4 400,89 371,68 381,55 462,99 1617,11 1800 1,11
5 154,08 127,43 125,50 126,77 533,79 600 1,12
Dj 1188,78 997,80 935,30 795,47 1121,20 5038,55
1200 1200 966 834 1200 5400
fj 1,01 1,20 1,03 1,05 1,07 1,07
Vamos supor que para este caso, calculamos a primeira etapa de geração de viagens
futuras para o ano 2025. É conveniente então, acertar os valores da segunda etapa com os
da primeira etapa. Isto é feito, usando-se algum método de fator de crescimento de
distribuição de viagens ( Detroit, Fratar ou Furness). Acredita-se que a primeira etapa tem
a modelagem mais precisa do processo.
O/D 1 2 3 4 5 Oi 𝑂𝑖2025 fi
1 234,10 178,09 197,06 204,87 814,11 800 0,98
2 292,25 247,68 229,53 197,79 967,26 1000 1,03
3 337,14 342,25 252,18 278,891210,46 1200 0,99
4 420,30 464,24 409,28 514,651808,47 1800 1,00
5 163,13 160,73 135,94 139,40 599,21 600 1,00
Dj 1212,82 1201,33 971,00 818,17 1196,20 5399,52
𝐷𝑗2025 1200 1200 966 834 1200 5400,00
fj 0,99 1,00 0,99 1,02 1,00 1,00
n n
j 1
VijN OiN V
i 1
N N
ij D j
V
k K
jk
O j , j J V
j J
jk
Dk , k K
Aj .O j .Bk .Dk
V jk
f ( L jk )
Os fatores Aj BK são introduzidos no modelo para garantir a compatibilidade do somatório das
viagens realizadas de cada zona para as diferentes zonas de tráfego com a totalidade das viagens
nessa zona de tráfego.
1 1
Aj
Bk .Dk
, j J e Bk Aj .O j
, k K
kK f (L jk ) f ( L jk )
j J
Garante Oj Garante Dk
Um método simples e eficaz que pode ser usado para o efeito é utilizar um processo
iterativo:
• Admite-se inicialmente Bk =1, k e calculam-se os Aj.
• Usam-se os Aj assim obtidos para calcular os novos valores para Bk
• Calculam-se os novos valores para Aj, e assim sucessivamente, até que os
valores de Aj e Bk se mantenham em duas iterações sucessivas (o que
normalmente se verifica bastante rapidamente). Desta forma consegue
obter-se uma solução para o sistema de equações não linear.
NOTA: Usando o Excel podemos obter essa solução sem ser necessário o processo
iterativo, utilizando a ferramenta solver que resolve sistemas de equações não
lineares.
f (L jk ) L jk 1.5 , com L jk d jk
Neste caso já nos dão o valor β da impedância da
função de atrito.
Matriz de Distâncias
A B C D E NORTE SUL
A 999999 2 4 4 4 10 11
B 2 999999 6 6 2 8 9
C 4 6 999999 8 8 8 15
D 4 6 8 999999 8 14 15
E 4 2 8 8 999999 10 9
NORTE 10 8 8 14 10 999999 17
SUL 11 9 15 15 9 17 999999
A {1.38;1.91;4.27;4.12;1.58;6.69;8.83}10
j
4
1
1.38 10 4
1 7051 1 1467
Bk {0.648;0.698;1.683;2.211;1.080;2.661;3.899} 999991 .5
(...)
111.5
Ao fim de seis iterações:
A {1.27;1.74;4.37;4.46;1.85;5.7;8.25}10
j
4
Bk {0.633;0.681;1.716;2.286;1.119;2.612;3.840}
AD .OD .BA .DA
Matriz O/D VDA 1 .5
A B C D E NORTE SUL Oj LDA
0 2238 1388 1323 433 73 109 5565
4.46 104 11498 0.633 7051
A
B 910 0 617 588 999 84 120 3317
C 1809 1976 0 2146 703 470 314 7419 41.5
D 2866
610
3131
3463
3568
759
0
724
1113
0
322
114
498
228
11497
5898
2866 viagens.
E
NORTE 348 976 1712 705 382 0 198 4320
SUL 509 1381 1126 1073 756 195 0 5040 Cumpre cada vez melhor as restrições,
Dk 7051 13166 9169 6559 4386 1258 1467 poderíamos continuar até o erro ser nulo.
Excel
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
68
4. Distribuição de viagens
Pelo Solver
Bj 1 1 1 1 1 1 1
2
𝑒𝑟𝑟𝑜 = 10880,01 − 7051
Vij Ai B j Oi D j f ij
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
77
4. Distribuição de viagens
A calibração deste modelo gravitacional com restrição bi-dimensional pode
também seguir as seguintes etapas:
−𝛽
1. Para 𝑓𝑖𝑗 = 𝑐𝑖𝑗 (função exponencial inversa) calibra-se 𝛽 sem restrições
(como no exemplo(1))
2. Atribui-se inicialmente o valor unitário para Bj para j=1,2,...,n
1
3. Determina-se os valores de Ai através da equação: 𝐴𝑖 =
σ𝑛𝑗 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗
Vij Ai B j Oi D j f ij
PROF. MARIO A.P. BITENCOURT
TRANSPORTE E LOGÍSTICA – ENG 1507 DEPARTAMENTO DE ENGENHARIA INDUSTRIAL
80
4. Distribuição de viagens
Vij Ai B j Oi D j f ij
𝑉𝑖𝑗 𝛽
Então temos: = 𝐴𝑖 𝐵𝑗 𝑓𝑖𝑗 = 𝑔𝑖𝑗 e 𝑓𝑖𝑗 =𝑑𝑖𝑗 para 𝛽 ≤ 0
𝑂𝑖 𝐷𝑗
(1) Linearizando a igualdade temos: 𝑙𝑛(𝑔𝑖𝑗 )=ln(𝐴𝑖 𝐵𝑗 )+𝛽ln(𝑑𝑖𝑗 )
0,00E+00
0,0 0,5 1,0 1,5 2,0 2,5 3,0
-5,00E+00
y x
y = -1,3792x - 11,613
LN(gij)
-1,00E+01 R² = 0,7623
-1,50E+01
-2,00E+01
Então 𝛽 = −1,379
LN(dij)
(1)
Para a primeira iteração Bj=1, então o cálculo de 𝐴1 será:
1 1 1 1 1 1 1
𝐴1 =σ5 = + + + + = +
𝑗=1 𝐵𝑗 𝐷𝑗 𝑓𝑖𝑗 𝐵1 𝐷1 𝑓11 𝐵2 𝐷2 𝑓12 𝐵3 𝐷3 𝑓13 𝐵4 𝐷4 𝑓14 𝐵5 𝐷5 𝑓15 211077×1,6−1,379
1 1 1 1
+ + +
63399×4,5−1,379 22386×7,0−1,379 220714×4,5−1,379 41799×8,8−1,379
(1)
A partir do cálculo de Ai, usamos os seus valores para calcular 𝐵𝑗 .
1 43927 1456 314 3754 365 49816 6,68502E-06 4,88425E-06 0,269374 4,67195E-06 0,043466 4,63445E-06 0,008026 4,62424E-06 0,002204
2 47219 45437 3326 11651 1396 109029 1,05553E-05 1,02358E-05 0,030272 9,90538E-06 0,032279 9,76305E-06 0,014368 9,70761E-06 0,005679
3 19151 7218 16907 4150 591 48017 2,01356E-05 1,84647E-05 0,082984 1,76801E-05 0,042488 1,73742E-05 0,017304 1,72577E-05 0,006708
4 84116 6665 1355 181585 8285 282006 5,70374E-06 6,29825E-06 0,104232 6,47237E-06 0,027645 6,52999E-06 0,008903 6,55037E-06 0,003121
5 16664 1623 484 19574 31162 69507 1,46308E-05 1,45255E-05 0,007199 1,4619E-05 0,00644 1,46929E-05 0,005051 1,4731E-05 0,002592
RESUMO
Fatores Detroit
Modelos de Fratar
de Crescimento Furness
distribuição
Por regressão
Gravitacional
Por iteração
Fatores de Crescimento
(RESUMO)
f i p 1. f jp 1
Detroit Vij( p ) Vij( p 1) .
m p 1
Fratar
Assimétrico
2 p 1 2 p 2 OiN
Linha V V .
Furness ij ij
Vij2 p2
Bidimensional j
Perguntas:
Bibliografia
BRUTON, M.J. Introduction to transport Planning. Hutchinson & Co Ltda, 1979
CAMPOS, V. B. G. Planejamento de transportes – Conceitos e modelos. Editora Interciência
Ltda, 2013.
LEAL, J. E. Apostila de planejamento de transporte, PUC-RJ/Depto. Industrial. 2007
MELO B. P. Indicadores de ocupação urbana sob o ponto de vista da infra-estrutura viária.
Dissertação de mestrado, Instituto Militar de Engenharia, Rio de Janeiro, 2004.
ORTÚZAR J. AND WILLUMSEN L. Modelling Transport. 4rd Edition. John Wiley and Sons.
West Sussex, England, 2011.
REPOLHO H. Aulas de TRANSLOG, Graduação da Engenharia de Produção, PUC-RJ, 2013.