دانلود رایگان سوالات دکتری مهندسی عمران - حمل و نقل 1398

تحلیل محتوایی و سرفصل‌های آزمون دکتری مهندسی عمران - حمل و نقل (بررسی کنکور ۱۳۹۸)

بررسی دقیق آزمون دکتری حمل‌ونقل در سال ۱۳۹۸ نشان‌دهنده تلفیق سوالات تئوریک مهندسی ترافیک با تحلیل‌های آماری و اقتصادسنجی پیشرفته است. مباحث کلیدی و ساختار سوالات به شرح زیر دسته‌بندی می‌شوند:

• مهندسی ترافیک و تئوری جریان ترافیک: تحلیل متغیرهای بنیادین جریان ترافیک (سرعت، چگالی، جریان)، مدل‌های ماکروسکوپیک گرین‌شیلدز، گرین‌برگ و آندروود، تئوری امواج شوک (Shockwave Theory) و امواج کینماتیک، فرآیندهای صف‌پذیری در ترافیک (مدل‌های M/M/1 و M/M/N) و تحلیل ظرفیت و سطح سرویس (LOS) بر اساس آیین‌نامه HCM.
• برنامه‌ریزی حمل و نقل و مدل‌سازی تقاضای سفر: مدل‌های کلاسیک چهارمرحله‌ای (تولید/جذب سفر، توزیع سفر با مدل گرانشی، تفکیک شیوه‌ای و تخصیص ترافیک)، روش‌های تخصیص همه‌یاهیچ، تعادل کاربری واردروپ (User Equilibrium) و بهینه سیستم (System Optimum)، و مدل‌سازی تحلیل اثرات ترافیکی توسعه (TIA).
• تحلیل‌های آماری پیشرفته و مدل‌های انتخاب گسسته (Discrete Choice Models): تئوری مطلوبیت تصادفی (Random Utility Theory)، مدل‌های لوجیت چندگانه (Multinomial Logit - MNL)، لوجیت توده‌ای (Nested Logit)، مدل پروبیت، آزمون‌های معناداری متغیرها، ماتریس کوواریانس و سنجش انعطاف‌پذیری تقاضا (Elasticity).
• اقتصاد حمل و نقل و مدیریت تقاضای سفر (TDM): توابع هزینه مصرف‌کننده، مازاد مصرف‌کننده، قیمت‌گذاری تراکم (Congestion Pricing)، مالیات‌های زیست‌محیطی، تحلیل فایده به هزینه زیرساخت‌های حمل‌ونقل و ارزیابی اقتصادی پروژه‌های توسعه ترانزیت.
• ایمنی ترافیک و مهندسی راه‌آهن و فرودگاه: مدل‌سازی آماری تصادفات (توزیع‌های پوآسون و دوجمله‌ای منفی)، توابع عملکرد ایمنی (SPFs)، روش تجربی بیز (Empirical Bayes Method) در شناسایی نقاط پرحادثه و اصول برنامه‌ریزی شبکه حمل‌ونقل همگانی و ریلی.

جدول مواد امتحانی و ضرایب دکتری مهندسی عمران - حمل و نقل

عناوین، دروس و ضرایب آزمون کتبی دکتری تخصصی مهندسی عمران گرایش حمل و نقل بر اساس چارچوب رسمی سازمان سنجش آموزش کشور به شرح جدول زیر است:

محورهای راهبردی مصاحبه علمی دکتری مهندسی عمران - حمل و نقل

موفقیت در مصاحبه دکتری مهندسی عمران گرایش حمل و نقل، مستلزم احاطه بر ابزارهای شبیه‌سازی، مدل‌سازی داده‌محور و تدوین موضوعات پژوهشی همگام با تحولات روز دنیا (خودروهای خودران و حمل‌ونقل اشتراکی) است:

1. انتخاب پروپوزال متناسب با نسل جدید سیستم‌های حمل و نقل (Mobility 4.0): پرداختن به عناوینی نظیر «تاثیر استقرار وسایل نقلیه متصل و خودران (CAVs) بر ایمنی و ظرفیت جریان شبکه»، «مدل‌سازی یکپارچه خدمات جابه‌جایی بر اساس تقاضا (MaaS & Ride-Hailing) با استفاده از یادگیری تقویتی»، «استفاده از هوش مصنوعی در پایش برخط تصادفات با تله‌ماتیک و داده‌های تلفن همراه»، یا «بهینه‌سازی شبکه شارژ خودروهای برقی در بستر حمل‌ونقل پایدار».
2. تسلط بر بسترهای شبیه‌سازی و تحلیل آماری-اقتصادسنجی: تسلط بر نرم‌افزارهای شبیه‌سازی میکروسکوپیک و ماکروسکوپیک ترافیک (مانند PTV Vissim, PTV Visum, Aimsun, SUMO)، نرم‌افزارهای مدل‌سازی اقتصادسنجی و انتخاب گسسته (NLOGIT, Biogeme, Stata)، و GIS در تحلیل‌های شبکه‌ای مکانی (ArcGIS Network Analyst).
3. مهارت در برنامه‌نویسی و علم داده (Data Science in Transportation): توانمندی در زبان‌های برنامه‌نویسی Python یا R جهت کار با کتابخانه‌های پردازش داده (Pandas, NumPy) و پیاده‌سازی مدل‌های یادگیری ماشین بر روی کلان‌داده‌های ترافیکی (GPS traces, Smart Card data).
4. پژوهش‌خوانی در نشریات جریان‌ساز بین‌المللی: اشراف بر مقالات منتشرشده در ژورنال‌های معتبر این حوزه نظیر *Transportation Research Part A/B/C/D/E*، *Transportmetrica*، *Accident Analysis & Prevention*، و *IEEE Transactions on Intelligent Transportation Systems*.

پرسش‌های متداول (FAQ)