چکیده: ساخت مدل هایی برای پیش بینی پدیده های متاثر از رفتار انسان ها نیازمند استفاده از تدابیر خاصی برای در نظر گرفتن عدم قطعیت های تاثیر گذار بر این پدیده ها است. تقاضای سفر نیز از جمله این پدیده های غیر قطعی بوده و یکی از کاستی های رایج در مطالعات این حوزه، انجام نشدن تحلیل حساسیت و بررسی عدم قطعیت این مدل ها است. از این رو، همواره تحلیل گران برای ساخت مدل های برآورد تقاضای سفر از ابزارهایی که بتواند عدم قطعیت ها را در این مدل ها در نظر بگیرد استفاده می کرده اند. به طور کلی داشتن یک بازه از مقادیر محتمل به همراه احتمال رخداد هریک، در مقایسه با داشتن تنها یک خروجی (نقطه ای) با بالاترین احتمال رخداد، از اهمیت بالاتری برخوردار است. این پژوهش با انجام تحلیل حساسیت به دنبال دو هدف اصلی است: 1- میزان حساسیت مدل های تقاضای سفر را به صورت کمی بسنجد؛ و 2- متغیرهای ورودی که بیشترین نقش را در حساسیت مدل ها دارند، رتبه بندی کند. معمولا از روش مونت کارلو که یک روش شبه تصادفی (pseudo-random) است، برای بررسی عدم قطعیت استفاده می شود. اما در این روش، اعداد تصادفی از یکنواختی کمتری برخوردارند و تعداد تکرار (اجرا) بالاتری مورد نیاز است. برای برطرف ساختن این کاستی، روش نمونه گیری ابرمکعب لاتین (Latin Hypercube Sampling (LHS)) و روش های تصادفی گون (quasi-random) هالتون (Halton) و سوبول (Sobol) بررسی و عملکرد آنها با روش مونت کارلو مقایسه می شود. همچنین از سه توزیع نرمال، لگ نرمال و مثلثی و مقادیر ضریب تغییرات متفاوت در فرآیند شبیه سازی عددی استفاده شده است. بررسی عدم قطعیت مدل های ایجاد سفر مشهد نشان داد که روش هالتون با وجود یکنواختی بیشتر در فضای واحد، عدم قطعیت یکسانی در مقایسه با سایر روش ها در مدل ها ایجاد نمود و درواقع روش های نمونه گیری مختلف تاثیر آنچنانی در نتایج عدم قطعیت ندارند. همچنین عدم قطعیت مدل های جذب سفر بیشتر از مدل های تولید سفر است. در برخی موارد عدم قطعیت مدل های جذب سفر بیشتر از مقادیر اولیه ی فرض شده می باشد. شاخص های تحلیل حساسیت محاسبه شده برای داده-های نقطه ای و شبیه سازی شده، رتبه بندی تقریبا یکسانی از حساسیت متغیرهای مدل های تولید و جذب سفر ارائه می دهند و برای رتبه بندی متغیرهای حساس نیازی به شبیه سازی عددی نمی باشد.