[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 345 روز
..
:: دوره 5، شماره 3 - ( 9-1396 ) ::
جلد 5 شماره 3 صفحات 67-51 برگشت به فهرست نسخه ها
تعیین راهبندان‌های ترافیکی بر مبنای خطوط سیر حاصل از اطلاعات مکانی داوطلبانه
وحید شکری ، رحیم علی عباسپور*
دانشگاه تهران
چکیده:   (4359 مشاهده)
برخلاف مزایای حسگرهای ثابت در گردآوری داده‌های ترافیکی مانند کیفیت بالا‌، عواملی مانند وابستگی به تجهیزات، عدم پوشش کامل، هزینه و زمان بالای گرد‌آوری، مدیریت و تحلیل داده‌ها نیاز به توسعه زیرساختی مناسب را آشکار می‌سازد. افزایش رو به رشد اطلاعات مکانی داوطلبانه و توسعه فن‌آوری‌های مکان‌آگاه ابعاد جدیدی برای جمع‌آوری و نشر دادههای ترافیکی با حجم بالا و هزینه پایین فراهم ساخته است. لذا توسعه سامانهای به‌منظور تسهیل در امر جمع‌آوری، استخراج و نشر اطلاعات ترافیکی با بهره‌گیری از اطلاعات مکانی داوطلبانه مدنظر قرارگرفت، اما با توجه به گستردگی موضوع، در این مقاله تمرکز بر خطوط سیر و ارائه راهکاری جهت استخراج راهبندانهای ترافیکی است. در ابتدا داده‌های خطوط سیر در مرحله پیش‌پردازش پاک‌سازی و داده‌های نامربوط حذف می‌شوند، سپس با استفاده از الگوریتم  تطبیق نقشه مکانی-زمانی بر شبکه معابر منطبق می‌گردند. پس‌ازآن، سرعت متوسط بین هر دونقطه متوالی محاسبه و با مقایسه سرعت جریان آزاد و سرعت شبکه معابر، راهبندانهای ترافیکی تعیین می‌گردد. به‌منظور ارزیابی سامانه از داده‌های خطوط سیر شهر پکن در بازه زمانی 2 تا 8 فوریه سال 2008 میلادی که داوطلبانه توسط تاکسی‌ها جمع‌آوری‌شده استفاده‌گردید. برای نمونه نتایج راهبندان‌های ترافیکی در بازه زمانی 16 تا16:20 اکثراً در معابر اصلی و لینک‌های اتصال مشاهده می‌شود و این امر به علت انتقال جریان ترافیک از مرکز شهر و محل‌های کار به مناطق مسکونی است. بنابراین می‌توان نتیجه گرفت که با استفاده از مشارکت مناسب کاربران در قالب اطلاعات مکانی داوطلبانه با نرخ نفوذ پایین (8/3%) ترافیک یک شهر بزرگ در حدود 72720 قطعه‌راه را با صرف هزینه پایین و بدون نیاز به تجهیزات پیچیده میتوان تعیین نمود.
واژه‌های کلیدی: ترافیکی، اطلاعات مکانی داوطلبانه VGI، خطوط سیر GPS، راهبندان‌های ترافیکی
متن کامل [PDF 1617 kb]   (2168 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1395/5/1 | پذیرش: 1395/12/15 | انتشار: 1396/10/20
فهرست منابع
1. [1] Z. Wang, M. Lu, X. Yuan, J. Zhang, and H. Van De Wetering, "Visual traffic jam analysis based on trajectory data", IEEE Transactions on Visualization and Computer Graphics, vol. 19, pp. 2159-2168, 2013. [DOI:10.1109/TVCG.2013.228]
2. [2] X. Liu, Z. Wang, Z. Wang, S. Lv, and T. Guan, "A novel real-time traffic information collection system based on smartphone", in China Conference on Wireless Sensor Networks, pp. 291-303, 2013. [DOI:10.1007/978-3-642-36252-1_27]
3. [3] Z. Kamoosi, B Rafiee, S. Avalin, M. Charsooghi, M. Navaki, "Collecting traffic real-time data using automotive communication technology", The 17th International Conference on Traffic & Transportation Enineering, Tehran, 2013 (in Persian)
4. [4] J. C. Herrera, D. B. Work, R. Herring, X. J. Ban, Q. Jacobson, and A. M. Bayen, "Evaluation of traffic data obtained via GPS-enabled mobile phones: The Mobile Century field experiment", Transportation Research Part C: Emerging Technologies, vol. 18, pp. 568-583, 2010. [DOI:10.1016/j.trc.2009.10.006]
5. [5] M. F. Goodchild, "Citizens as sensors: the world of volunteered geography," GeoJournal, vol. 69, pp. 211-221, 2007. [DOI:10.1007/s10708-007-9111-y]
6. [6] F. Ostermann and L. Spinsanti, "Context analysis of volunteered geographic information from social media networks to support disaster management: a case study on forest fires," Information Systems for Crisis Response and management, An International Journal, vol. 4, pp. 16-37, 2012. [DOI:10.4018/jiscrm.2012100102]
7. [7] J. Machay and D. Media. (2013). How does google detect traffic congestion? , http://smallbusiness.chron.com/google-detect-traffic-congestion.
8. [8] V. Jain, A. Sharma, and L. Subramanian, "Road traffic congestion in the developing world," in Proceedings of the 2nd ACM Symposium on Computing for Development, p. 11,2012. [DOI:10.1145/2160601.2160616]
9. [9] Y. Yang, Z. Cui, J. Wu, G. Zhang, and X. Xian, "Fuzzy c-means clustering and opposition-based reinforcement learning for traffic congestion identification", Journal of Information and Computer Science, vol. 9, pp. 2441-2450, 2012.
10. [10] R. Ong, F. Pinelli, R. Trasarti, M. Nanni, C. Renso and S. Rinzivillo, "Traffic jams detection using flock mining," in Joint European Conference on Machine Learning and Knowledge Discovery in Databases, pp. 650-653, 2011. [DOI:10.1007/978-3-642-23808-6_49]
11. [11] 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, New York, NY, USA, pp. 1010-1018, 2011. [DOI:10.1145/2020408.2020571]
12. [12] V. Manolopoulos, S. Tao, S. Rodriguez, M. Ismail, and A. Rusu, "MobiTraS: A mobile application for a smart traffic system", in NEWCAS Conference (NEWCAS), 8th IEEE International, pp. 365-368, 2010. [DOI:10.1109/NEWCAS.2010.5604010]
13. [13] B. Krogh, O. Andersen, and K. Torp, "Trajectories for novel and detailed traffic information", in Proceedings of the Third ACM SIGSPATIAL International Workshop on GeoStreaming, pp. 32-39, 2012. [DOI:10.1145/2442968.2442973]
14. [14] G. Andrienko, N. Andrienko, C. Hurter, S. Rinzivillo, and S. Wrobel, "From movement tracks through events to places: Extracting and characterizing significant places from mobility data", in Visual Analytics Science and Technology (VAST), 2011 IEEE Conference on, pp. 161-170, 2011. [DOI:10.1109/VAST.2011.6102454]
15. [15] S. Chawla, Y. Zheng, and J. Hu, "Inferring the root cause in road traffic anomalies", in IEEE 12th International Conference on Data Mining, pp. 141-150, 2012. [DOI:10.1109/ICDM.2012.104]
16. [16] W. Zhang, G. Tan, N. Ding, and G. Wang, "Traffic Congestion Evaluation and Signal Timing Optimization Based on Wireless Sensor Networks: Issues, Approaches and Simulation," INFORMATION SCIENCE AND ENGINEERING, vol. 30, pp. 1245-1260, 2014.
17. [17] F. Giannotti, M. Nanni, D. Pedreschi, F. Pinelli, C. Renso, and S. Rinzivillo, "Unveiling the complexity of human mobility by querying and mining massive trajectory data," The VLDB Journal-The International Journal on Very Large Data Bases, vol. 20(5), pp. 695-719, 2011. [DOI:10.1007/s00778-011-0244-8]
18. [18] U. Nagaraj, J. Rathod, P. Patil, S. Thakur, and U. Sharma, "Traffic jam detection using image processing," International Journal of Engineering Research and Applications (IJERA), vol. 3, pp. 1087-1091, 2013.
19. [19] C. Peng, X. Jin, K.-C. Wong, M. Shi, and P. Lio, "Collective Human Mobility Pattern from Taxi Trips in Urban Area," PLOS ONE, vol. 7(8), 2012. [DOI:10.1371/annotation/f0d48839-ed4b-4cb2-822a-d449a6b4fa5d]
20. [20] B. Pan, Y. Zheng, D. Wilkie, and C. Shahabi, "Crowd sensing of traffic anomalies based on human mobility and social media," in Proceedings the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, Florida,pp. 344-353, 2013. [DOI:10.1145/2525314.2525343]
21. [21] X. PangLinsey, S. Chawla, W. Liu, and Y. Zheng, "On detection of emerging anomalous traffic patterns using GPS data," Data & Knowledge Engineering, vol. 87, pp. 357-373, 2013. [DOI:10.1016/j.datak.2013.05.002]
22. [22] P. Desai, S. W. Loke, A. Desai, and J. Singh, "CARAVAN: Congestion Avoidance and Route Allocation Using Virtual Agent Negotiation," IEEE Transactions On Intelligent Transportation Systems, vol. 14, pp. 1197-1207, 2013. [DOI:10.1109/TITS.2013.2256420]
23. [23] E. D'Andrea and F. Marcelloni, "Detection of traffic congestion and incidents from GPS trace analysis," Expert Systems with Applications, vol. 73, pp. 43–56, 2017. [DOI:10.1016/j.eswa.2016.12.018]
24. [24] S. Prakash Kaklij, "Mining GPS Data for Traffic Congestion Detection and Prediction " International Journal of Science and Research (IJSR), vol. 47, pp. 876-880, 2015.
25. [25] F. Osterman and L. Spinsanti, "Context Analysis of Volunteered Geographic Information from Social Media Networks to support disaster management: A Case Study on Forest Fires," Information Systems for Crisis Response and management, An International Journal, vol. 4, pp. 16-37, 2012. [DOI:10.4018/jiscrm.2012100102]
26. [26] K. Poser and D. Dransch, "Volunteered geographic information for disaster management with application to rapid flood damage estimation", Geomatica, vol. 64, pp. 89-98, 2010.
27. [27] X. Qian, L. Di, D. Li, P. Li, L. Shi, and L. Cai, "Data cleaning approaches in Web2. 0 VGI application," in 17th International Conference on Geoinformatics, Fairfax, VA, USA, pp. 1-4, 2009.
28. [28] D. Birant and A. Kut, "ST-DBSCAN: An algorithm for clustering spatial–temporal data", Data & Knowledge Engineering, vol. 60, pp. 208-221, 2007. [DOI:10.1016/j.datak.2006.01.013]
29. [29] L. Gong, H. Sato, T. Yamamoto, T. Miwa, and T. Morikawa, "Identification of activity stop locations in GPS trajectories by density-based clustering method combined with support vector machines," Mod. Transport springer, vol. 23(3), pp. 202–213, 2015.
30. [30] J. Yuan, Y. Zheng, C. Zhang, X. Xie, and G.-Z. Sun, "An interactive-voting based map matching algorithm", in Proceedings of the 2010 Eleventh International Conference on Mobile Data Management, pp. 43-52, 2010. [DOI:10.1109/MDM.2010.14]
31. [31] [31] D. Wang, Z. Wang, X. Li, and Z. Xiao, "A Map Matching Algorithm to Eliminate Miscalculation Based on Low-Sample-Rate Data", in Proceedings of 2014 International Conference on Computer Science and Service System (CSSS'14), 2014.
32. [32] [32] Y. Zheng, Y. Lou, C. Zhang, and X. Xie, "Map-Matching for Low-Sampling-Rate GPS Trajectories", in in Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, pp. 352-361, 2011.
33. [33] S. Syed, "Development of Map-Aided GPS Algorithms for Vehicle Navigation in Urban Canyons," Master's Thesis, Geomatics Engineering, Calgary, 2006.
34. [34] J J. S. Greenfeld, "Matching GPS observations to locations on a digital map," in Transportation Research Board 81st Annual Meeting, Washington D.C, 2002.
35. [35] A. Dobash, "Offline Map-Matching for GPS Observations", M.S. Thesis, Sharif University, Tehran, 2014, (in Persian)
36. [36] R. Frederix, "Dynamic Origin-Destination Matrix Estimation in Large-Scale Congested Networks", Phd, Science and Technology, Catholic University of Leuven, Heverlee, Belgium, 2012.
37. [37] HCM, "Highway Capacity Manual, Draft Ch. 9/Glossary and Symbols," Washington, D.C: Transportation Research Board, National Research Council, pp. 1-9, 2010.
38. [38] H. C. Manual, "Transportation research board," National Research Council, Washington, DC, vol. 113, 2000.
39. [39] M. D. Deardoff, B. N. Wiesner, and J. Fazio, "Estimating free-flow speed from posted speed limit signs", Procedia-Social and Behavioral Sciences, vol. 16, pp. 306-316, 2011. [DOI:10.1016/j.sbspro.2011.04.452]
40. [40] C. Wang and J. B. Huegy, "Determining the Free-Flow Speeds in a Regional Travel Demand Model Based on the Highway Capacity Manual," in Transportation Research Board 93rd Annual Meeting, Washington DC, pp. 17, 2014.
41. [41] E. M. Mikhail and F. E. Ackermann, Observations and least squares. Washington, D.C. : University Press of America: University Press of America, 1982.
42. [42] M. A. Taylor, J. E. Woolley, and R. Zito, "Integration of the global positioning system and geographical information systems for traffic congestion studies", Transportation Research Part C: Emerging Technologies, vol. 8, pp. 257-285, 2000. [DOI:10.1016/S0968-090X(00)00015-2]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Shokri V, Abbaspour R A. Traffic Jams Detection based on the GPS Trajectories Extracted from Volunteered Geographic Information. jgit 2017; 5 (3) :51-67
URL: http://jgit.kntu.ac.ir/article-1-516-fa.html

شکری وحید، عباسپور رحیم علی. تعیین راهبندان‌های ترافیکی بر مبنای خطوط سیر حاصل از اطلاعات مکانی داوطلبانه. مهندسی فناوری اطلاعات مکانی. 1396; 5 (3) :51-67

URL: http://jgit.kntu.ac.ir/article-1-516-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 5، شماره 3 - ( 9-1396 ) 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 0.06 seconds with 38 queries by YEKTAWEB 4660