[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 3، شماره 2 - ( 6-1394 ) ::
جلد 3 شماره 2 صفحات 43-59 برگشت به فهرست نسخه ها
پیش‌بینی و کنترل ترافیک با رویکردهای داده‌کاوی با استفاده از داده‌های GPS
زهرا مهدویان ، علی‌اکبر نیک‌نفس
دانش آموخته ارشد دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
چکیده:   (2184 مشاهده)

در دنیای امروز افزایش چالش­های شهرنشینی و ترافیک سبب نیاز فوری به سیستم‌های کنترل ترافیک با حداکثر بهره‌وری شده است. هدر رفتن زمان و افزایش سوخت مصرفی و هم‌چنین آلودگی­های هوا و صوتی سبب شده کنترل ترافیک به یکی از مهم­ترین بحث‌های روز دنیا تبدیل شود. از جمله روش­های موجود برای رسیدن به این هدف، پیش­بینی مسیر و مقصد نهایی خودرو است. اگر مکان آینده خودروها را بتوان پیش­بینی کرد، به‌راحتی می­توان قادر به تخمین ازدحام ترافیک شد. پیش­بینی مسیر براساس مسیرهای طی شده گذشته خودرو و در نظر گرفتن مشخصه‌هایی مانند مکان شروع، ساعت، روز، ماه، مدت زمان با استفاده از روش­های داده­کاوی و شبکه­های عصبی مصنوعی امکان‌پذیر است. در این مقاله از داده­های واقعی GPS، به‌دست‌آمده از خودروها به‌منظور انجام عملیات پیش­بینی مسیر و مقصد نهایی بهره برده شده است. یکی از روش­های پیشنهادی در این مقاله به‌دست آوردن پایگاه­داده­ای از مسیرهای دقیق طی‌شده خودروها به کمک نرم‌افزار ArcGIS است، که این پایگاه‌داده سبب بالا رفتن دقت پیش‌بینی مسیر خودرو شده است. در این مقاله یک پایگاه­داده کلی شامل همه حالات شبکه­ جاده‌ای و یک پایگاه­داده پیچیده‌تر شامل چهارراه‌ها و نقاط چالشی‌تر جاده ایجاد شده است. هم‌چنین به‌منظور عملیات پیش‌بینی، دو الگوریتم قوانین انجمنی و شبکه‌های عصبی مصنوعی مورد استفاده قرار گرفته شده است. نتایج به‌دست‌آمده نشان‌دهنده دقت بسیار خوب پیش­بینی است. برطبق ارزیابی انجام‌شده، الگوریتم ANN در پایگاه­داده کلی با دقت پیش‌بینی بالای 96 درصد و الگوریتم GRI در پایگاه­داده پیچیده­تر با دقت پیش­بینی بالای 95 درصد، نتایج قابل قبولی به‌دست آورده‌اند. روش پیشنهادی و نتایج این پیش‌بینی می‌تواند به برنامه‌ریزی ترافیک و بهینه‌سازی حرکت خودروها کمک کند.

واژه‌های کلیدی: ترافیک، داده کاوی، پیش‌ بینی، GPS
متن کامل [PDF 1202 kb]   (800 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: ۱۳۹۴/۱۲/۲۱ | پذیرش: ۱۳۹۴/۱۲/۲۱ | انتشار: ۱۳۹۴/۱۲/۲۱
فهرست منابع
1. [1] P. S. Castro, D. Zhang, and S. Li, "Urban traffic modelling and prediction using large scale taxi GPS traces," in Pervasive Computing, ed: Springer, 2012, pp. 57-72. [DOI:10.1007/978-3-642-31205-2_4]
2. [2] S. Kamran and O. Haas, "A multilevel traffic incidents detection approach: Identifying traffic Patterns and vehicle behaviours using real-time gps data," in Intelligent Vehicles Symposium, 2007, 2007, pp. 912-917. [DOI:10.1109/IVS.2007.4290233]
3. [3] Y. Lou, C. Zhang, Y. Zheng, X. Xie, W. Wang, and Y. Huang, "Map-matching for low-sampling-rate GPS trajectories," in Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2009, pp. 352-361. [DOI:10.1145/1653771.1653820]
4. [4] H.-w. Chang, Y.-c. Tai, and J. Y.-j. Hsu, "Context-aware taxi demand hotspots prediction," International Journal of Business Intelligence and Data Mining, vol. 5, pp. 3-18, 2009. [DOI:10.1504/IJBIDM.2010.030296]
5. [5] L. Liu, C. Andris, and C. Ratti, "Uncovering cabdrivers' behavior patterns from their digital traces," Computers, Environment and Urban Systems, vol. 34, pp. 541-548, 2010. [DOI:10.1016/j.compenvurbsys.2010.07.004]
6. [6] W. Liu, Y. Zheng, S. Chawla, J. Yuan, and X. Xing, "Discovering spatio-temporal causal interactions in traffic data streams," in Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining, 2011, pp. 1010-1018. [DOI:10.1145/2020408.2020571]
7. [7] D. Srinivasan, M. C. Choy, and R. L. Cheu, "Neural networks for real-time traffic signal control," Intelligent Transportation Systems, IEEE Transactions on, vol. 7, pp. 261-272, 2006. [DOI:10.1109/TITS.2006.874716]
8. [8] M. Giannopoulou, Y. Roukounis, and V. Stefanis, "Traffic network and the urban environment: an adapted space syntax approach," Procedia-Social and Behavioral Sciences, vol. 48, pp. 1887-1896, 2012. [DOI:10.1016/j.sbspro.2012.06.1163]
9. [9] M. Khalesian, P. Pahlavani, and M. R. Delavar, "A GIS-based Traffic Control Strategy Planning at Urban Intersections," IJCSNS, vol. 9, p. 166-174, 2009.
10. ]10] B. Jiang and C. Liu, "Street‐based topological representations and analyses for predicting traffic flow in GIS," International Journal of Geographical Information Science, vol. 23, pp. 1119-1137, 2009. [DOI:10.1080/13658810701690448]
11. [11] Y. Li and M. McDonald, "Motorway incident detection using probe vehicles," Proceedings of the ICE-Transport, vol. 158, pp. 11-15, 2005. [DOI:10.1680/tran.2005.158.1.11]
12. [12] A. G. Evsukoff and N. F. Ebecken, "Mining fuzzy rules for a traffic information system," in Knowledge-Based Intelligent Information and Engineering Systems, 2003, pp. 237-243.
13. [13] K. Ozbay and P. Kachroo, "Incident management in intelligent transportation systems," 1999.
14. [14] J. Niittymaki and S. Kikuchi, "Application of fuzzy logic to the control of a pedestrian crossing signal," Transportation Research Record: Journal of the Transportation Research Board, pp. 30-38, 1998. [DOI:10.3141/1651-05]
15. [15] J. Niittymaki and M. Maenpaa, "The role of fuzzy logic public transport priority in traffic signal control," Traffic Engineering+ Control, vol. 42, pp. 22-4, 2001.
16. [16] M.-S. Chen, J. Han, and P. S. Yu, "Data mining: an overview from a database perspective,", IEEE Transactions on Knowledge and data Engineering, vol. 8, pp. 866-883, 1996. [DOI:10.1109/69.553155]
17. [17] M. J. Berry and G. Linoff, Data mining techniques: for marketing, sales, and customer support: John Wiley & Sons, 1997.
18. [18] R. Xu and D. Wunsch, "Survey of clustering algorithms," Neural Networks, IEEE Transactions on, vol. 16, pp. 645-678, 2005. [DOI:10.1109/TNN.2005.845141]
19. [19] W. Jian and L. X. Ming, "A Novel Algorithm for Dynamic Mining of Association Rules," in WKDD 2008. First International Workshop on Knowledge Discovery and Data Mining, 2008, pp. 94-99. [DOI:10.1109/WKDD.2008.32]
20. [20] K. Thearling, "An introduction to data mining," Direct Marketing Magazine, pp. 28-31, 1999.
21. [21] K. Swarnalatha, G. Srinivasan, and K. Kiran, "A Roadmap on Design Models for Dynamic Traffic Prediction using Multi-layer Perceptron networks."
22. [22] A. F. Merah, S. Samarah, and A. Boukerche, "Vehicular movement patterns: a prediction-based route discovery technique for VANETs," in Communications (ICC), 2012 IEEE International Conference on, 2012, pp. 5291-5295. [DOI:10.1109/ICC.2012.6364141]
23. [23] R. Agrawal and R. Srikant, "Mining sequential patterns," in Data Engineering, 1995. Proceedings of the Eleventh International Conference on, 1995, pp. 3-14. [DOI:10.1109/ICDE.1995.380415]
24. [24] M. W. Sermons and F. S. Koppelman, "Use of vehicle positioning data for arterial incident detection," Transportation Research Part C: Emerging Technologies, vol. 4, pp. 87-96, 1996. [DOI:10.1016/0968-090X(96)00003-4]
25. [25] C. C. Aggarwal, Data streams: models and algorithms vol. 31: Springer Science & Business Media, 2007. [DOI:10.1007/978-0-387-47534-9]
26. [26]http://research.microsoft.com/apps/pubs/?id=152883
27. [27]http://download.bbbike.org/osm/bbbike/Beijing/
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mahdavian Z, Niknafs A. Forecasting Traffic Load using GPS data, a data mining approach. 3. 2015; 3 (2) :43-59
URL: http://jgit.kntu.ac.ir/article-1-230-fa.html

مهدویان زهرا، نیک‌نفس علی‌اکبر. پیش‌بینی و کنترل ترافیک با رویکردهای داده‌کاوی با استفاده از داده‌های GPS. مهندسی فناوری اطلاعات مکانی. 1394; 3 (2) :43-59

URL: http://jgit.kntu.ac.ir/article-1-230-fa.html



دوره 3، شماره 2 - ( 6-1394 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 3657