شناسایی الگوهای زمانی - مکانی ازدحام ترافیکی با استفاده از کلان داده های مبتنی بر تصاویر ترافیکی سرویس نقشه گوگل (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تحلیل وضعیت ترافیکی و پیشنهاد روش های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم های حمل ونقلی ایفا می کند. در بین روش های جمع آوری داده های ترافیکی، رویکردهای مبتنی بر فنّاوری های نوین که امکان گرد آوری حجم بسیاری از داده های پویای زمانی مکانی را فراهم می آورند و استخراج روندها و الگوها را تسهیل می کنند اهمیت بسیاری دارند. در این پژوهش، تهران به منزله پایتخت ایران، با ویژگی های اقتصادی و اجتماعی خاصی که دارد و تنوع سفرها که به وضعیت ترافیکی متغیر منجر می شود، مطالعه شده است. داده های حاصل از پردازش رقومی تصاویر ترافیکی به دست آمده از سرویس نقشه گوگل در بازه زمانی پیوسته یک ماهه ای (هفدهم فروردین تا هفدهم اردیبهشت 1398)، نخستین بار به منظور ارزیابی روند تغییرات میانگین ازدحام ترافیکی در سطح نواحی منطقه مطالعاتی، به کار رفته است. پس از استخراج داده های اولیه و با توجه به تغییر الگوی سفرها و در نتیجه، میزان ازدحام ترافیکی، شاخص ازدحام ترافیکی (CI) به تفکیک در روزهای کاری و غیرکاری، محاسبه شد و به مرکز نواحی 117 گانه شهر تهران اختصاص یافت. با استفاده از تحلیل های توصیفی روی کلان داده های مورد بررسی، ساعات اوج ازدحام ترافیکی در بازه زمانی مورد مطالعه استخراج شد. سپس شاخص Getis Ord، نواحی پرازدحام منطقه مطالعاتی را براساس ارزیابی خوشه های مکانی، مشخص کرد. همچنین ارتباط زمانی بین مقادیر ازدحادم ترافیکی، در برش های زمانی متفاوت طی کل بازه زمانی مورد مطالعه، با استفاده از آزمون آماری کروسکال والیس ارزیابی شد و فرض صفر مبتنی بر همبستگی بین مقادیر میانگین ازدحام و در نتیجه، همبستگی زمانی بین مقادیر تأیید شد. با استفاده از تحلیل های پوششی نقشه های ترافیکی نیز، خوشه های ترافیکی پرازدحام در سطح اطمینان 90%، در اوج صبح و عصر، به تفکیک روزهای کاری و غیرکاری استخراج شد. نتایج این پژوهش می تواند در اصلاح و بازنگری محدوده های ترافیکی مؤثر باشد و همچنین به تحلیل های مرتبط با آلودگی هوا، مطالعات در زمینه قیمت گذاری معابر و بررسی روند شکل گیری و انتشار گلوگاه های ترافیکی در بازه های زمانی دلخواه، یاری برساند.Identifying Spatio-Temporal Patterns of Traffic Congestion Using Data Obtained from Google Maps Service Traffic Image
Analyzing traffic conditions and suggesting traffic management methods play a critical role in evaluating the effectiveness of transportation systems. Among the methods suggested for collecting traffic data, approaches based on new technologies attracted more attention due to the ability of collecting large amounts of dynamic spatio-temporal data making it easy to identify trends and patterns. In this study, Tehran, the capital of Iran with socio-economic characteristics and the variety of urban trips which lead to heterogeneous traffic state will be considered. Data obtained from digital processing of Google Maps traffic images the one-month time interval (April 7 th to May 7 th , 2017), has been applied for the first time to evaluate the trend and overall pattern of the changes in traffic congestion in the study area. Considering the variety of trip patterns and consequently the traffic congestion, traffic congestion index (CI) has been calculated on workdays and weekends separately and was assigned to the district center and the morning and evening peak-hours were extracted using descriptive analysis. By applying Getis-Ord hot-spot and cold-spot index, the clusters of congested areas have been recognized over the study area. Also, the temporal relationship between traffic congestion indexes in different time sections was evaluated using Kruskal-Wallis statistical test and the null hypothesis of correlation between the mean values of congestion index was confirmed. Using overlay analysis of congestion maps, clusters indicating congested areas at 90% confidence intervals were extracted during morning and evening peaks on weekdays and weekends separately. The results of this study can be effective in modifying traffic congestion zones, analyzing pollution or studies relating to road pricing, and assessing the process of traffic congestion propagation during desired time intervals.
تبلیغات
