بررسی قابلیت مشاهده ارتجاعی در شبکه‌های حسگر نظارت بر ترافیک: مطالعه الگوهای مکانی-زمانی خودرو

خلاصه

تحرک خودرو الگوهای پویا و پیچیده ای را ایجاد می کند که با فعالیت های روزانه ما در شهرها مرتبط است. برای آشکار کردن پیچیدگی مکانی-زمانی چنین الگوهایی، تکنیک‌های دیجیتال، مانند حسگرهای نظارت بر ترافیک، ابزارهای مبتنی بر داده‌های امیدوارکننده‌ای را برای مدیران شهری و برنامه‌ریزان شهری فراهم می‌کنند. اگرچه تعداد زیادی از مطالعات به بررسی قدرت سنجش حسگرهای نظارت بر ترافیک اختصاص داده شده است، اما هنوز در مورد عملکرد ارتجاعی شبکه‌های حسگر زمانی که خرابی‌های حسگر متعدد رخ می‌دهد، کاوش نشده است. در این مقاله، ما الگوهای پویای تحرک وسیله نقلیه در کمبریج، انگلستان را نشان می‌دهیم و متعاقبا، انعطاف‌پذیری شبکه‌های حسگر را بررسی می‌کنیم. قابلیت مشاهده به عنوان شاخص عملکرد کلی برای به تصویر کشیدن حداکثر تعداد وسایل نقلیه گرفته شده توسط حسگرهای مستقر در منطقه مورد مطالعه اتخاذ می شود. با جمع‌آوری شبکه‌های حسگر بر اساس روزهای هفته و آخر هفته و شبیه‌سازی خرابی‌های تصادفی حسگر با استراتژی‌های بازیابی مختلف، دریافتیم که (1) الگوی تحرک روزانه وسیله نقلیه در این مطالعه موردی بسیار پویا است و مدت‌زمان سفر تجزیه شده از یک قدرت توزیع قانون در بخش دم; (2) چنین تغییرات زمانی به طور قابل توجهی بر روی قابلیت مشاهده شبکه حسگر تأثیر می گذارد و باعث می شود که انعطاف پذیری کلی آن با استراتژی های بازیابی مختلف متفاوت باشد. نتایج شبیه‌سازی همچنین نشان می‌دهد که اولویت‌بندی مربوطه برای بازیابی حسگرها از خرابی‌های عظیم مورد نیاز است. به جای یک دنباله ایستا که توسط اصل اولین شکست-اول-اول تعمیر تعیین می شود. برای سهامداران و تصمیم گیرندگان، این مطالعه پیامدهای روشنگری برای درک تحرک وسایل نقلیه در مقیاس شهر و انعطاف پذیری شبکه های حسگر نظارت بر ترافیک ارائه می دهد.

کلید واژه ها:

تحرک وسیله نقلیه ؛ تاب آوری ; تحلیل مکانی – زمانی سنسورهای نظارت بر ترافیک شبکه های حسگر

1. معرفی

الگوی تحرک شهری مورد توجه طیف گسترده ای از ذینفعان مانند سیاست گذاران، مشاغل و مقامات محلی حمل و نقل است زیرا می تواند درک دقیق و عمیقی از حرکات روزانه وسایل نقلیه ارائه دهد که تصمیم گیری در سطوح مختلف را آگاه می کند. . در این راستا، انواع مختلفی از حسگرهای هوشمند در سرتاسر جهان در شهرها برای اهداف نظارت بر ترافیک مستقر شده اند [ 1 ]. مقادیر زیادی از داده های جمع آوری شده توسط آن حسگرها فرصتی منحصر به فرد برای بررسی پویایی حرکات وسایل نقلیه در یک شهر ارائه می دهد [ 2 ]. برای سال ها، بسیاری از مطالعات به استخراج بینش و اطلاعات مفید از داده های حرکتی وسایل نقلیه در مقیاس بزرگ اختصاص یافته است.

با روند رو به افزایش استفاده از سنسورهای هوشمند در بسیاری از شهرها، به ویژه سنسورهای نظارت بر ترافیک در پروژه‌های تحرک شهری، یک موضوع خاص توجه روزافزون متخصصان را به خود جلب می‌کند، یعنی اینکه «وقتی سنسورها از کار بیفتند چه اتفاقی می‌افتد؟» [ 3 ] خرابی در حسگرهای نظارت بر ترافیک غیر معمول نیست. به طور کلی، چنین خرابی‌هایی می‌تواند ناشی از قدیمی بودن تجهیزات، نقص‌های تصادفی یا عوامل انسانی (به عنوان مثال، خرابکاری) باشد. تعداد زیادی از خرابی ها نرخ نفوذ پروب را بدتر می کند و بنابراین کارایی و قابلیت اطمینان سیستم را از نظر نظارت بر داده ها تضعیف می کند. برای کاهش اثرات منفی خرابی های بالقوه حسگر، فراخوان برای مطالعات انعطاف پذیری برجسته شده است [ 4 ]]. در همین حال، قابلیت مشاهده در سراسر شبکه نقش مهمی در ارزیابی اثربخشی مجموعه حسگرهای مستقر شده ایفا می کند، که قدرت آن را برای گرفتن ناوگان خودرو و حرکات وسیله نقلیه به تصویر می کشد. برای سال‌ها، تمرکز تحقیقات بر روی سوالاتی مانند چگونگی بهینه‌سازی طرح‌بندی مکانی حسگرها برای مشاهده‌پذیری بیشتر و چگونگی برآورد اطلاعات سفر با استفاده از داده‌های حسگر بوده است. بنابراین، در حالی که مطالعات انعطاف‌پذیری روی سیستم‌ها و شبکه‌های زیرساخت در ادبیات نادر نیست، مطالعات روی قابلیت مشاهده انعطاف‌پذیر شبکه‌های حسگر نظارت بر ترافیک نسبتاً محدود بوده است. از دیدگاه بلندمدت، با توجه به اینکه شبکه های حسگر احتمالاً در مدیریت ترافیک در همه جا حاضر می شوند، یک شبکه حسگر نظارت بر ترافیک انعطاف پذیر حیاتی خواهد بود. از این رو،

در این مقاله، ما قصد داریم به دو سؤال تحقیقاتی زیر بپردازیم: (1) سیستم نظارت بر ترافیک مستقر شده از نظر قابلیت مشاهده کلی چقدر انعطاف‌پذیر است؟ و (2) با توجه به یک سری از خرابی های تصادفی حسگر، چگونه می توانیم برای یک استراتژی بازیابی برای دستیابی به انعطاف پذیری نسبتاً بالاتر برنامه ریزی کنیم؟ برای مقابله با سؤالات تحقیق، ما از یک هفته داده های نظارت بر ترافیک برای نشان دادن الگوهای تحرک وسیله نقلیه در کمبریج، انگلستان استفاده کردیم و انعطاف پذیری سیستم حسگر مستقر شده را از نظر قابلیت مشاهده با استفاده از یک رویکرد مبتنی بر شبیه سازی بررسی کردیم. سیستم حسگر به‌عنوان شبکه‌های بدون وزن هدایت‌شده که توسط حرکات وسیله نقلیه بر اساس موارد روزهای هفته و آخر هفته تشکیل شده‌اند، مفهوم‌سازی شد و انعطاف‌پذیری قابل مشاهده آن در برابر خرابی‌های تصادفی به صورت کمی با استفاده از یک متریک انعطاف‌پذیری ارزیابی شد. برای پرداختن به سوال تحقیق دوم، انواع مختلفی از استراتژی‌های بازیابی را با توجه به معیارهای مختلف در شبیه‌سازی انعطاف‌پذیری، از جمله اندازه‌گیری مرکزیت بین و حجم ترافیک در سطح حسگر فردی در نظر گرفتیم. برای مقایسه عملکرد استراتژی‌های بازیابی مختلف، ما تغییر نسبی مشاهده‌پذیری در سراسر شبکه را به عنوان شاخص عملکرد کلیدی (KPI) اندازه‌گیری کردیم، که به عنوان حداکثر تعداد وسایل نقلیه گرفته‌شده توسط شبکه حسگر تعریف می‌شود. آثار اصلی این مقاله را می توان به شرح زیر خلاصه کرد: ما تغییر نسبی مشاهده پذیری در سراسر شبکه را به عنوان شاخص عملکرد کلیدی (KPI) اندازه گیری کردیم، که به عنوان حداکثر تعداد وسایل نقلیه گرفته شده توسط شبکه حسگر تعریف می شود. آثار اصلی این مقاله را می توان به شرح زیر خلاصه کرد: ما تغییر نسبی مشاهده پذیری در سراسر شبکه را به عنوان شاخص عملکرد کلیدی (KPI) اندازه گیری کردیم، که به عنوان حداکثر تعداد وسایل نقلیه گرفته شده توسط شبکه حسگر تعریف می شود. آثار اصلی این مقاله را می توان به شرح زیر خلاصه کرد:

این مقاله درک ما از قابلیت مشاهده انعطاف پذیر سیستم‌های حسگر نظارت بر ترافیک را بهبود می‌بخشد و نویدی را برای گسترش نحوه تصمیم‌گیری در مورد طراحی و مدیریت چنین سیستم‌هایی در پروژه‌های مقیاس بزرگ نشان می‌دهد.
محدودیت‌های شناسایی‌شده داده‌ها و سیستم‌های حسگر می‌تواند برای پروژه‌های تحرک شهری مشابه مفید باشد. به عنوان اخطار برای پروژه‌های آتی، باید توجه ویژه‌ای به این محدودیت‌ها و پیامدها در مراحل اولیه پروژه‌ها به شیوه‌ای فعال‌تر و محتاطانه‌تر شود.

باقی‌مانده این مقاله به این صورت سازمان‌دهی شده است: در بخش 2 ، مروری بر ادبیات مربوط به کار قبلی مرتبط انجام می‌دهیم و شکاف‌های موجود در تحقیقات اصلی را شناسایی می‌کنیم، که در این مقاله قصد داریم به آن بپردازیم. بخش 3 روش های مورد استفاده برای بررسی، از جمله ساخت شبکه، الگوی انعطاف پذیری و ارزیابی، و طراحی شبیه سازی را شرح می دهد. در بخش 4 ، اطلاعات پس زمینه مطالعه موردی در کمبریج، انگلستان و مجموعه داده های بزرگی را که برای تجزیه و تحلیل استفاده کردیم، معرفی می کنیم. بخش 5 تجزیه و تحلیل های مکانی و زمانی الگوهای تحرک تجربی وسیله نقلیه استخراج شده از داده های جمع آوری شده را ارائه می دهد و به عنوان یک پایه دانش برای بخش بعدی عمل می کند. بخش 6نتایج ارزیابی انعطاف‌پذیری شبکه‌های حسگر را بر اساس سناریوهای شبیه‌سازی از پیش تنظیم شده نشان می‌دهد. در نهایت، در بخش 7 ، برخی مفاهیم و نتایج بالقوه ای را که می توان از این مطالعه استخراج کرد، مورد بحث قرار می دهیم.

2. بررسی ادبیات

2.1. تجزیه و تحلیل داده محور بر روی الگوهای تحرک خودرو

رویکردهای داده محور برای درک تحرک وسیله نقلیه بر انواع مختلف داده های شهری و تکنیک های مدل سازی متمرکز شده اند [ 5 ، 6 ]. از دیدگاه داده کاوی، انواع مختلفی از داده های شهری برای ایجاد درک بهتری از الگوهای تحرک وسیله نقلیه، مانند داده های کارت هوشمند [ 7 ]، مسیر GPS و داده های تلفن هوشمند [ 8 ، 9 ، 10 ] و اجتماعی مورد بررسی و بررسی قرار گرفته اند. داده های رسانه ای [ 11 ، 12 ، 13 ]. به عنوان مثال، کومار و همکاران. [ 8] از جفت مبدا-مقصد داده‌های مسیر تاکسی‌های مسافربری برای نشان دادن الگوهای تحرک شهری، نقاط داغ شهری و الگوهای کلی حرکات در سنگاپور استفاده کرد. سرنا و همکاران [ 11 ] داده های رسانه های اجتماعی را برای شناسایی مسائل پایداری مرتبط با تحرک شهری بر اساس ادراکات و تجربیات جمع آوری کرد. این مطالعه ترکیبی مؤثر از تحلیل محتوای کمی و کیفی را نشان می‌دهد که داده‌ها و رویکردها را هنگام تحلیل تحرک شهری غنی می‌کند. تانگ و همکاران [ 14 ] از داده‌های GPS تاکسی برای تجزیه و تحلیل توزیع تقاضای سفر در الگوهای تحرک استفاده کرد و یک مدل مبتنی بر آنتروپی برای تخمین توزیع ترافیک در یک مطالعه موردی در مقیاس شهر در هاربین، چین پیشنهاد کرد. تراونمولر و همکاران [ 15] مدلی را پیشنهاد کرد که از داده‌های درخواست پروب Wifi برای مدل‌سازی تحرک شهری و یک رویکرد شبکه فضایی برای شناسایی ویژگی‌های سفر استفاده می‌کند. آنها همچنین کاربرد و مسیرهای پیاده‌روی جاده و عابر پیاده در سطح خیابان را آشکار کردند. جدای از این منابع داده یکسان، محققان همچنین به ضرورت استخراج الگوهای تحرک از داده‌های چند منبعی اشاره کرده‌اند که منجر به افزایش روند استفاده از داده‌های چند منبعی با تکنیک‌های ترکیب داده‌ها می‌شود [ 16 ]. به عنوان مثال، یانگ و همکاران. [ 17 ] ادغام و تجزیه و تحلیل داده های کارت هوشمند و نقاط مورد علاقه از رسانه های اجتماعی را برای درک تحرک شهری در شنژن، چین توصیف کرد. لیو و همکاران [ 18] از سه نوع داده شهری (داده‌های مسیر GPS تاکسی، داده‌های تشخیص پلاک و داده‌های جغرافیایی) برای بازسازی الگوهای مکانی-زمانی حرکت وسایل نقلیه شهری و الگوهای انتشار ترافیک مرتبط استفاده کرد. از دیدگاه مدل‌ها و تکنیک‌ها، تکنیک‌های مدل‌سازی چندگانه نیز برای انواع مختلف داده‌ها به کار گرفته شده‌اند تا ویژگی‌های الگوهای تحرک شهری [ 19 ] را نشان دهند، مانند مدل‌های شبکه پیچیده [ 20 ، 21 ]، مدل‌های یادگیری ماشینی [ 7 ، 22 ]. ]، پردازش تصویر [ 23 ]، و مدل های مبتنی بر عامل [ 24]. علی‌رغم داده‌ها و رویکردهای متعدد، تحقیقات بر اساس داده‌های تشخیص وسیله نقلیه در شبکه‌های حسگر نظارت مفهومی در مطالعات تحرک نسبتاً محدود بوده است. هنوز نیاز به چنین تحقیقاتی با استفاده از داده های نظارت بر ترافیک در یک رویکرد مبتنی بر سیستم وجود دارد.

2.2. انعطاف پذیری در سیستم های حسگر

تاب آوری، به عنوان یک مفهوم سیستمی در حال ظهور و به طور گسترده ای کاربردی، در سال های اخیر توجه زیادی را به خود جلب کرده است. این مفهوم به طور کلی به عنوان یک ویژگی سیستم تفسیر می شود که در برابر اختلالات داخلی و خارجی غیرمنتظره در عملکرد عملکرد سیستم مقاومت می کند [ 25 ]. در مطالعات تحرک شهری، تعداد زیادی از تحقیقات بر روی بررسی عملکرد انعطاف پذیر سیستم های حمل و نقل شهری [ 26 ]، مانند توپولوژی جاده [ 27 ، 28 ]، شبکه های لجستیک [ 29 ، 30 ] و تراکم روزانه متمرکز شده اند. در شبکه های بزرگ مقیاس [ 31 ، 32 ]. به عنوان مثال، ژانگ و وانگ [ 27] از نظریه شبکه برای پیشنهاد یک متریک مبتنی بر قابلیت اطمینان و اتصال برای اندازه گیری عملکرد مبتنی بر انعطاف پذیری شبکه های حمل و نقل جاده ای استفاده کرد. لوپینگ و دالین [ 33 ] روشی را برای ارزیابی تاب آوری در آسیب پذیری شبکه جاده پیشنهاد کردند. این روش از تلفات نهایی سفر-زمان-از دست دادن کاربران جاده استفاده می کند و ساختار شبکه و جریان ترافیک را در نظر می گیرد. مطالعات در این جریان به خوبی توسعه یافته است و خوانندگان می توانند برای جزئیات بیشتر به مقالات مروری عالی مانند [ 34 ، 35 ، 36 ، 37 ] مراجعه کنند. با این حال، این مطالعات بر روی سیستم های حسگر نظارت بر ترافیک در شبکه های حمل و نقل تمرکز نمی کنند.

مطالعات قابل توجهی در مورد مسائل انعطاف‌پذیری در شبکه‌های حسگر بی‌سیم وجود دارد، اما نه در سنسورهای نظارت بر ترافیک و نه لزوما بر اساس عملکرد کلی سیستم. گوس و همکاران [ 38 ] موضوع ذخیره سازی داده محور انعطاف پذیر در شبکه های حسگر بی سیم ad-hoc را مورد بحث قرار داد. Erdene-Ochir و همکاران. [ 39 ] مسئله مسیریابی انعطاف پذیر در شبکه های حسگر بی سیم را مورد مطالعه قرار داد. با این حال، در شبکه‌های حسگر نظارت بر ترافیک، تمرکز بر بهینه‌سازی مکان‌های حسگرها برای افزایش قابلیت مشاهده کلی و حل مشکلات برآورد تقاضای سفر متمرکز شده است [ 40 ، 41 ]. به عنوان مثال، خو و همکاران. [ 42] یک مدل مکان برای حسگرهای شبکه در قابلیت مشاهده کامل جریان با عدم قطعیت در پیوندها ایجاد کرد. به طور مشابه، بیانکو و همکاران. [ 43 ] مشکل مکان سنسور را حل کرد و دریافت که خطای تخمین در ماتریس مبدا-مقصد همیشه هنگام حل مسئله مکان محدود است. ژو و لیست [ 44 ] بر مشکل مکان تعداد محدودی ایستگاه شمارش ترافیک و حسگرهای تشخیص خودکار پلاک خودرو در یک شبکه تمرکز کردند. باز هم، هدف حل برآورد تقاضای مبدا-مقصد بود. بحث تاب آوری شبکه های حسگر، با این وجود، در این جریان تحقیقاتی پراکنده بوده است. یک مطالعه مرتبط از Rinaldi و Viti [ 45]. آنها یک روش جدید برای تعیین چیدمان حسگر برای راه حل مبادله ای بهینه بین تعداد سنسورهای مورد نیاز و انعطاف پذیری کلی مجموعه سنسور ایجاد کردند. با استفاده از تئوری شبکه، یک رویکرد بهینه‌سازی فرموله شد و الگوریتم‌های موثری برای رسیدگی به حداکثر مشکل مجموعه مسیر مستقل پیشنهاد شد. با این حال، انعطاف‌پذیری به‌عنوان چشم‌اندازی در این کار برای مطالعه اثرات خرابی حسگر بر جریان‌های پیوند شبکه به کار گرفته شد، از این رو قابلیت مشاهده انعطاف‌پذیر شبکه‌های حسگر فی‌نفسه هنوز باید از نظر کمی محک و مطالعه شود.

3. روش ها

3.1. شبکه های حسگر و معیارهای مرکزیت

ما حسگرهای نظارت بر ترافیک را در یک سیستم شبکه ای متشکل از گره ها و لبه ها مفهوم سازی کردیم. در این مطالعه، ما یک شبکه حسگر را به عنوان یک گراف بدون وزن جهت‌دار تعریف کردیم که گره‌های آن حسگرهای نظارتی را نشان می‌دهند و لبه‌ها حرکت وسیله نقلیه بین هر جفت حسگر را نشان می‌دهند. تعاملات خود در شبکه ها نیز مجاز بود، به عنوان مثال، گره ها می توانند لبه های خود حلقه ای در شبکه داشته باشند. برای ساخت شبکه، یک ماتریس مجاورت بزرگ [ 46 ] اغلب برای نشان دادن توپولوژی یک شبکه استفاده می شود. در یک شبکه بدون وزن معین از گره های N با حلقه های خود، ماتریس مجاورت را می توان به صورت یک نشان داد. ن×نماتریس آمن،j، جایی که آ(من،j)= 1 اگر یک یال بین گره i و j وجود داشته باشد [ 47 ].

معیارهای مرکزیت را می توان به عنوان معیارهایی برای محک زدن اهمیت نسبی گره ها یا لبه ها در یک شبکه [ 48 ] در نظر گرفت. معیارهای مختلفی برای مرکزیت در تحقیقات شبکه ارائه شده است، مانند مرکزیت درجه، مرکزیت بین، مرکزیت نزدیک و غیره. در اینجا از دو معیار مرکزیت گرهی، یعنی مرکزیت درجه و مرکزیت بین، برای به تصویر کشیدن اهمیت گره ها در شبکه های حسگر مفهومی استفاده کردیم. درجه گره تعداد کل همسایگان متصل گره مورد نظر را اندازه گیری می کند. بنابراین، این شاخص مرکزیت تعداد سنسورهایی که از طریق حرکت خودرو به یک سنسور معین متصل شده اند را اندازه گیری می کند. برای شبکه ای از N گره، درجه کمنگره i را می توان به صورت زیر بیان کرد:

کمن=∑jnآمنj.

(1)

مرکزیت بینابینی نقش اساسی در علم شبکه ایفا می کند، به ویژه در شبکه های حمل و نقل مانند شبکه های برخورد جاده ای و مسافرتی [ 49 ، 50 ]. این معیار شبکه نشان می‌دهد که یک گره چقدر می‌تواند از نظر کوتاه‌ترین مسیرها در یک شبکه معین مهم باشد، یعنی تعداد تمام کوتاه‌ترین مسیرهایی است که از آن گره عبور می‌کنند. گره‌هایی با مرکزیت بین‌المللی بالا تأثیر زیادی بر اتصال و دسترسی کلی شبکه دارند. به عنوان مثال، در شبکه های حمل و نقل، حذف آن گره هایی که بین آنها زیاد است، تأثیرات قابل توجهی بر حرکت وسیله نقلیه خواهد داشت. بنابراین، توجه به این معیار مرکزیت در شبکه های حسگر بسیار جالب است. مرکزیت بین یک گره iبه صورت زیر داده می شود:

gمن=∑آ≠من≠بσآ،بمنσآ،ب،

(2)

که در آن a و b دو گره از این شبکه هستند که نمی توانند گره i باشند ، σآ،بتعداد کل کوتاهترین مسیرها از گره a به گره b و استσآ،بمنتعداد کل کوتاهترین مسیرهایی است که از گره i می گذرد .

3.2. پارادایم و ارزیابی تاب آوری

پارادایم کلاسیک تاب آوری با درک منحنی مشخصات تاب آوری معمولی شروع می شود ( شکل 1 ). با توجه به یک سیستم تعمیم یافته، هدف ما ارزیابی انعطاف پذیری آن از طریق نظارت بر عملکرد عملکرد سری زمانی است. اجازه دهید عملکرد عملکرد سیستم پ(تی)بدون هیچ گونه مزاحمت خارجی در سطح 100٪ حفظ شود. سطح عملکرد مورد انتظار را می توان به عنوان نشان داد تیپ(تی). تی0زمانی است که در آن یک شوک غیرمنتظره اتفاق می افتد. از زمان تی0، عملکرد سیستم پ(تی)به دلیل از دست دادن عملکرد کاهش می یابد. پس از یک دوره معین، سیستم شروع به بازیابی و آن می کند پ(تی)در نهایت در زمان T به سطح اولیه 100٪ بازگردانده می شود . کل این فرآیند یک الگوی شکست-بازیابی معمولی از مشخصات انعطاف‌پذیری است [ 25 ]. با استفاده از این مشخصات عملکرد سری زمانی، یک شاخص تاب آوری را می توان با استفاده از یک متریک تاب آوری محاسبه کرد.

بسیاری از معیارهای انعطاف‌پذیری برای سیستم‌های زیرساختی مختلف، مانند سیستم‌های جاده شهری [ 4 ]، سیستم‌های انرژی [ 51 ] و سیستم‌های سایبری [ 52 ] ساخته شده‌اند. جدا از آن معیارهای انعطاف‌پذیری وابسته به زمینه، چندین معیار تاب‌آوری عمومی نیز برای سیستم‌های تعمیم‌یافته پیشنهاد شده‌اند که به‌ویژه برای هدف ما از ارزیابی انعطاف‌پذیری شبکه‌های حسگر مناسب هستند. ما معیار عمومی پیشنهاد شده توسط Ouyang و Duenas-Osorio [ 53 ] را به دو دلیل انتخاب کردیم: (1) این معیار یکی از محبوب‌ترین و پرکاربردترین ابزارها برای ارزیابی تاب‌آوری است که از اثربخشی و سادگی بالایی برخوردار است. (2) این متریک محدوده عددی خود را در داخل محدود می کند [0،1]به عنوان یک نسبت بین سطح عملکرد واقعی ( پ(تی)) و سطح عملکرد هدف ( تیپ(تی)) که برای تجزیه و تحلیل مقایسه ای در موارد مختلف بصری و آسان است. این متریک تاب آوری سیستم را با یک شاخص تاب آوری (RI) کمی می کند و می توان آن را به صورت زیر بیان کرد.

آرمن=🔻تی0تیپ(تی)دتی🔻تی0تیتیپ(تی)دتی،

(3)

که در آن، T کل زمان مشاهده است، پ(تی)سطح عملکرد واقعی در زمان t است و تیپ(تی)سطح عملکرد هدف یا مورد انتظار در زمان t است.

3.3. شبیه سازی تاب آوری

ارزیابی انعطاف‌پذیری شبکه‌های حسگر از طریق شبیه‌سازی برای به‌دست آوردن پروفایل‌های انعطاف‌پذیری فوق‌الذکر انجام شد ( شکل 1).). چارچوب شبیه سازی شامل دو مرحله است: (1) شبیه سازی حمله و (2) شبیه سازی بازیابی. در تئوری، هر دو مرحله را می توان بر اساس استراتژی های مختلف شبیه سازی کرد. ما در این مطالعه بر ارزیابی انعطاف‌پذیری شبکه‌های حسگر تحت حملات تصادفی (یعنی شکست‌ها) با استراتژی‌های بازیابی مختلف تمرکز می‌کنیم. حملات تصادفی می تواند به طور موثر موقعیت های قدیمی تجهیزات، خرابی های تصادفی ناشی از عوامل فنی یا طبیعی یا خرابکاری را شبیه سازی کند. در مقایسه با حملات سیستمی عمدی مانند حملات تروریستی، ما معتقدیم که حملات تصادفی بهتر نشان دهنده موقعیت های نقص واقعی در حسگرهای نظارت بر ترافیک است. برای شبیه‌سازی فرآیند بازیابی، ما دو استراتژی مختلف را با توجه به تجربیات دنیای واقعی، به ترتیب اولین شکست-اول-اول-تعمیر و بازیابی ترجیحی پیشنهاد کردیم.شکل 2 گردش کار یک فرآیند شبیه سازی طراحی شده را نشان می دهد.

چندین فرض در شبیه سازی ها وجود دارد: (1) حملات با حذف گره(ها) و بازیابی با بازیابی گره های حذف شده شبیه سازی می شود [ 54 ]. (2) تنها یک حمله یا بازیابی می تواند در یک مرحله زمانی رخ دهد [ 55 ]; (3) بازیابی فقط پس از تکمیل یک سری حملات متوالی انجام می شود، به عنوان مثال، ما چرخه های بازیابی حمله چندگانه را در نظر نمی گیریم [ 25 ]]؛ (4) برای ثبات مقایسه، فراوانی حملات (زمان بین حملات) و زمان مورد نیاز برای تعمیر ثابت است. (5) تعداد کل حسگرها در طول شبیه سازی ثابت می ماند – این برای اطمینان از ثبات KPI انتخاب شده در سراسر شبیه سازی است. فرضیه ای که می خواهیم در این مطالعه آزمایش کنیم این است که انتخاب استراتژی بازیابی بر انعطاف پذیری شبکه حسگر از نظر قابلیت مشاهده کلی تأثیر می گذارد. دو سناریوی سه موردی برای آزمون این فرضیه به شرح زیر طراحی شد.

سناریو 1- مورد کنترل: مورد کنترل به عنوان حملات تصادفی با بازیابی اولین شکست-اول-اول- تعمیر طراحی شده است. این سناریو شهودی‌ترین و اساسی‌ترین استراتژی را شبیه‌سازی می‌کند [ 56 ]، که در آن می‌توان حسگرهای خراب را با توجه به ترتیب خرابی‌هایشان تعمیر کرد، به‌عنوان مثال، به نوبه خود، ابتدا سنسورها از کار افتادند، پس از تکمیل مجموعه اولیه خرابی‌ها، ابتدا تعمیر می‌شوند.
سناریو 2 – موارد مقایسه ای: این سناریو به عنوان حملات تصادفی با بازیابی ترجیحی [ 57 ] طراحی شده و از دو مورد مقایسه ای تشکیل شده است. مورد مقایسه ای 1 این است که با یک توالی ترجیحی از سنسورهای شکست خورده با توجه به مرکزیت بین سنسورها در شبکه بازیابی شود، به عنوان مثال، دنباله بازیابی سنسورهای خراب از رتبه نزولی مرکزیت بین بودن سنسورهای شکست خورده پیروی می کند. مورد مقایسه ای 2 این است که با یک توالی ترجیحی از سنسورهای شکست خورده مطابق با حجم ترافیک در سطح حسگر بازیابی شود، به عنوان مثال، توالی بازیابی از رتبه نزولی مشاهده پذیری هر حسگر منفرد پیروی می کند.

از آنجایی که ما به‌طور تصادفی حسگرهایی را برای خرابی در شبکه انتخاب می‌کنیم، هر شبیه‌سازی نتیجه‌ای کمی متفاوت به همراه خواهد داشت. بنابراین، ما تکنیک‌های مونت کارلو را برای جبران عدم قطعیت تصادفی هنگام شبیه‌سازی خرابی‌های تصادفی در شبکه‌های حسگر به کار بردیم. مزیت این روش این است که از طریق نمونه گیری تصادفی مکرر می توان به نتایج معناداری دست یافت. از نظر فنی، با توجه به اینکه ما حملات تصادفی m را بر روی یک شبکه حسگر از n گره شبیه سازی می کنیم ( ن={1،2،3،…،n}) و j بار نمونه برداری تصادفی را در شبیه سازی مونت کارلو تکرار می کنیم، می توان آن را به صورت شبه کد زیر اجرا کرد (الگوریتم 1). برای هر اجرا، می توانیم از رابطه (3) برای محاسبه یک RI استفاده کنیم. مساحت زیر منحنی با استفاده از تابع ادغام عددی ذوزنقه ای در Matlab محاسبه شد. این تابع انتگرال تقریبی یک تابع را با استفاده از روش ذوزنقه ای با فاصله واحد محاسبه می کند [ 58 ]. سپس میانگین عددی نمرات انعطاف‌پذیری را می‌توان برای j بار تکرار در هر سناریو به دست آورد تا به یک RI نهایی معنادار دست یافت.

الگوریتم 1: شبه کد برای شبیه سازی مونت کارلو.

4. منطقه مطالعه و توصیف داده ها

منطقه مورد مطالعه انتخاب شده کمبریج، انگلستان (شهرک شهرستان کمبریج شایر) است که تقریباً در 80 کیلومتری شمال لندن واقع شده است. مجموعه داده ها حاوی اطلاعات دقیق زنجیره سفر است که از حسگرهای تشخیص خودکار شماره پلاک (ANPR) به دست آمده است. در مجموع 96 حسگر دوربین در منطقه مورد مطالعه با شناسه های برچسب دار از 1 تا 96 مستقر شده اند. شکل 3 طرح جغرافیایی منطقه مورد مطالعه و مکان سنسورهای ANPR را نشان می دهد.

داده های خودرو از 11 تا 17 ژوئن 2017 (هفت روز از یکشنبه تا شنبه بعد) جمع آوری شد. همه سنسورهای دوربین به طور مداوم از ساعت 00:00:00 تا 23:59:00 در طول روز ضبط می کنند تا همه وسایل نقلیه قابل تشخیص و سفرهای آنها را بر اساس مهرهای مسیر زمانی در منطقه ضبط کنند. شناسه خودرو و شناسه حسگر نیز به‌ویژه ثبت شد. ما پردازش و تمیز کردن داده ها را با روش های زیر انجام دادیم: (1) نقاط داده نامعتبر به دلیل خرابی سنسور و خطاهای انتقال حذف شدند، مانند سوابق با شناسایی ناموفق در شناسه خودرو و سایر متغیرهای اطلاعاتی. (2) به منظور دریافت الگوهای حرکتی معنادار وسیله نقلیه در منطقه مورد مطالعه، وسایل نقلیه ای که در یک زمان غیرمعمول وارد منطقه مطالعه شده و برای مدت کوتاهی باقی مانده بودند حذف شدند. بر اساس اطلاعات زنجیره سفر مبدأ-مقصد، ما وسایل نقلیه‌ای را که برای اولین بار بین ساعت 4 بعد از ظهر تا 5 صبح (صبح روز بعد) وارد منطقه مطالعه شده بودند، حذف کردیم. علاوه بر این، ما آن دسته از وسایل نقلیه را نیز حذف کردیم که مدت زمان زنجیره سفر کمتر از 5 ساعت (زمان بین اولین ورود و آخرین خروج آن در منطقه مورد مطالعه) است، یعنی وسایل نقلیه موقتی، وسایل نقلیه موقت مانند زباله. کامیون ها و HGV ها و اتوبوس های حومه شهر می توانند به طور موثر فیلتر شوند.

برای انجام تشخیص دقیق ضبط‌های حسگر و تسهیل ساخت شبکه‌های حسگر، ما زنجیره‌های سفر را بر اساس سوابق حسگر هر زنجیره سفر به سفرهای یک طرفه تقسیم کردیم. به عنوان مثال، یک زنجیره سفر مبدا-مقصد ساخته شده از حسگر مبدا A به حسگر مقصد D از طریق B و C به سه سفر یک طرفه تقسیم می شود: A به B، B به C، و C به D. توجه داشته باشید که هر سفر بخش بندی شده یک مدت سفر دارد و مدت زمان زنجیره سفر این وسیله نقلیه مجموع این سفرهای تقسیم شده است. بنابراین، مجموعه داده های نهایی شامل شش متغیر توصیفی، از جمله مهر زمانی ورود وسیله نقلیه (زمانی که یک وسیله نقلیه وارد منطقه نظارت یک حسگر می شود)، VRN (شناسه وسیله نقلیه ناشناس)، شناسه دوربین ورودی،جدول 1 ).

پس از حذف نقاط داده پوچ، کل شمارش وسیله نقلیه برای تمام هفت روز را می توان به دست آورد ( شکل 4). حداکثر تعداد در روز 6 (جمعه، تعداد کل روزانه: 114748) و حداقل در روز 1 (یکشنبه، تعداد کل روزانه: 71165) ظاهر می شود. روزهای هفته وسایل نقلیه بیشتری نسبت به آخر هفته ها دارند (به طور متوسط 33163 وسیله نقلیه بیشتر در روز). در مورد ساخت شبکه حسگر، دو مسئله جبران ناپذیر در مجموعه داده ها به دلیل داده های از دست رفته وجود دارد: (1) شش حسگر دوربین در طول دوره جمع آوری داده ها از کار افتادند. بنابراین، ما از داده های 90 دوربین باقی مانده استفاده می کنیم. (2) ویژگی “خروج شناسه دوربین” برای روز 2 (دوشنبه) در داده های اصلی به دلیل مشکلات کدگذاری نامعتبر بود، بنابراین ما روز 2 را هنگام ساخت شبکه حسگر انبوه در تجزیه و تحلیل بعدی حذف می کنیم. با این حال، این بر تعداد خودرو برای روز 2 تأثیر نمی گذارد زیرا اطلاعات VRN در نظم خوبی است.

5. الگوهای حرکت مکانی-زمانی خودرو

ما از درک ویژگی های زمانی و مکانی الگوهای تحرک وسیله نقلیه در این بخش شروع می کنیم. این بخش به عنوان پایه ای برای شبیه سازی انعطاف پذیری زیر و پیامدهای آن عمل می کند.

5.1. تحلیل زمانی

شمارش ساعتی شماره وسایل نقلیه در هر روز، الگوهای ترافیکی زمانی را در منطقه مورد مطالعه نشان می‌دهد ( شکل 5 – ستون I). به عنوان مثال، ما روزهای 1 (یکشنبه) و 2 (دوشنبه) را برای نشان دادن یک تعطیلات آخر هفته و روزهای هفته در اینجا ارائه می کنیم. الگوهای زمانی روزهای دیگر را می توان در پیوست ( شکل A1) یافت). توزیع ساعتی تعداد کل وسیله نقلیه در منطقه مورد مطالعه تقریباً از یک توزیع مویب زنگی شکل با راس انباشته شده در حدود ساعت 13:00 تا 14:00 پیروی می کند. تغییرات ساعتی تعداد وسایل نقلیه نیز برای نشان دادن تغییرات شماره وسایل نقلیه در منطقه مورد مطالعه در هر ساعت متوالی محاسبه شد (به ستون II – تفاوت ساعتی از ستون I مراجعه کنید). می‌توانیم ببینیم که اوج صبح منحنی شکل گیری نسبتاً تندتری نسبت به اوج عصر دارد، که حاکی از افزایش سریع‌تر حجم ترافیک در اوج صبح است. با مقایسه متقابل روزهای 1 و 2، واضح است که اوج صبح روز اول (آخر هفته، حدود ساعت 10 صبح) حدود سه ساعت دیرتر از روز دوم (روز هفته، حدود ساعت 7:00 صبح) بوده است. با این حال، در مقایسه پیک های عصر تفاوت معنی داری وجود ندارد.

شکل 6توزیع طول مدت سفر در روزهای 1 و 2 را نشان می دهد. از طرح های فرعی (a) و (c)، اکثر سفرها فقط برای مدت زمان کوتاهی به طول انجامید. نمودارهای فرعی (b) و (d) توزیع احتمال طول سفر را در مقیاس ورود به سیستم نشان می‌دهند، که در آن می‌توانیم ببینیم که بخش‌های دم را می‌توان با یک توزیع قدرت-قانون تقریب زد. در مقایسه با طرح فرعی (b) و (d)، می‌توانیم ببینیم که چنین دم قانون در روز 2 (روز هفته) از روز 1 (آخر هفته) برجسته‌تر است. این به الگوهای متمایز استفاده از وسیله نقلیه بین تعطیلات آخر هفته و روزهای کاری دلالت دارد. در این طرح‌های فرعی، می‌توان مشاهده کرد که برخی از سفرها بسیار کوتاه (کمتر از نه ثانیه) بودند در حالی که برخی از سفرها برای مدت نسبتاً طولانی (نزدیک به 24 ساعت) به طول انجامید. با بازرسی دقیق ما دریافتیم که این مدت زمان طولانی سفر به وسایل نقلیه متوقف شده مانند وسایل نقلیه پارک طولانی مدت نسبت داده می شود. این سفرهای بسیار کوتاه به شدت به توزیع نادرست حسگرهای ANPR (دو دوربین به قدری نزدیک به یکدیگر قرار می‌گیرند که وسایل نقلیه با زمان سفر کوتاهی بین این دو دوربین از آن عبور می‌کنند) و وسایل نقلیه دوربرگردان در دوربرگردان و تقاطع‌ها مرتبط است. این نتایج نشان می‌دهد که سفرها با مدت زمان‌های مختلف انجام می‌شوند، و دم‌های قانون قدرت حاکی از پویایی غیر پیش پا افتاده زمان سفر است.شکل A2 در ضمیمه همان تحلیل را برای بقیه روزها نشان می دهد، جایی که می توان الگوهای مشابهی را شناسایی کرد.

5.2. تحلیل فضایی

ما داده‌ها را در روزهای هفته و آخر هفته جمع‌آوری کردیم تا سیستم‌های حسگر را به‌عنوان شبکه‌های فضایی هدایت‌شده بدون وزن بسازیم ( شکل 7)). اندازه و رنگ گره ها متناسب با درجه کل گره است (رنگ قرمز نشان دهنده درجه بالا، رنگ سبز نشان دهنده درجه متوسط و رنگ آبی نشان دهنده درجه پایین است). درجه بالاتر نشان‌دهنده این واقعیت است که این دوربین دارای نرخ بالاتری از اتصالات وسیله نقلیه با بسیاری از دوربین‌های دیگر در منطقه مورد مطالعه است. می بینیم که درجه گره در برخی گره های خاص به طور قابل توجهی متفاوت است (مانند دوربین 25، 28 و 16) در حالی که برخی گره ها در طول روز هفته و آخر هفته نسبتاً به همان درجه باقی می مانند (مثلاً دوربین 19، 20 و 13). هر دو شبکه دارای یک هسته نسبتا متراکم از لبه ها در منطقه مرکز شهر هستند در حالی که تراکم لبه در حاشیه بسیار کمتر است. چنین الگویی نشان می دهد که تحرکات تحرکی در مرکز شهر بیشتر از حاشیه شهر است. با این حال، حرکات نسبتاً کم وسایل نقلیه لزوماً نشان‌دهنده اهمیت کمتر گره‌ها در اطراف حاشیه شهر نیست. همانطور که از توزیع های فضایی مرکزیت بین و حجم ترافیک مشاهده می شود (شکل 8 )، برخی از گره ها در نواحی پیرامونی به طور مداوم در هر دو اندازه گیری از اهمیت بالایی برخوردار هستند (به عنوان مثال، دوربین های 23، 4، و 19). این گره ها در راهروهای اصلی شهر کمبریج قرار دارند که نقش مهمی در وسایل نقلیه ورودی و خروجی برای رسیدن به سایر نقاط مرکز شهر دارند. واضح است که الگوهای حرکت وسایل نقلیه در منطقه مورد مطالعه در هر دو حالت روزهای هفته و آخر هفته بسیار ناهمگن هستند و می توانند به طور قابل توجهی در مناطق مختلف فضایی متفاوت باشند.

6. قابلیت مشاهده انعطاف پذیر شبکه های حسگر

پس از تجزیه و تحلیل ویژگی‌های مکانی – زمانی شبکه‌های حسگر، در این بخش، انعطاف‌پذیری آن شبکه‌های حسگر را از نظر قابلیت مشاهده در برابر خرابی‌های تصادفی در نظر می‌گیریم. ما شبیه‌سازی‌های انعطاف‌پذیری را به دنبال سناریوهای بازیابی و مواردی که در بخش 3 توضیح داده شده است، انجام می‌دهیم .

6.1. سناریو 1: مورد کنترل

برای یک کمی سازی انعطاف پذیری استاندارد، KPI در محور y باید برای مقایسه محاسبات بین موارد عادی شود. ما مشاهده پذیری را با محاسبه نسبت مشاهده پذیری شبکه های حسگر با استفاده از تعداد خودرو مشاهده شده تقسیم بر تعداد کل وسایل نقلیه عادی کردیم، یعنی برای حمله چهارم، نسبت مشاهده پذیری را می توان به صورت محاسبه کرد. Vمن/Vتیoتیآل، جایی که Vمنشماره وسیله نقلیه مشاهده شده پس از حمله اول وVتیoتیآلتعداد کل وسایل نقلیه ضبط شده توسط تمام 90 سنسور دوربین است. برای هر دور شبیه سازی، 10 تکرار شبیه سازی مونت کارلو برای هر دو شبکه روزهای هفته و آخر هفته با 85 شکست تصادفی شبیه سازی شده اعمال شد.

با استفاده از آرمنمتریک، شاخص‌های تاب‌آوری هر مورد محاسبه شد و مقادیر میانگین برای محک‌گذاری در نظر گرفته شد. همانطور که در شکل 9 a,c نشان داده شده است، حتی اگر می‌توانیم شبیه‌سازی‌ها را با منحنی‌های کمی متفاوت ببینیم، میانگین مقدار انعطاف‌پذیری به‌دست‌آمده برای روزهای هفته و آخر هفته تفاوت معنی‌داری ندارد (میانگین آرمنبرای روزهای هفته و آخر هفته به ترتیب 0.515 و 0.524 است). این نشان می‌دهد که انعطاف‌پذیری این دو شبکه حسگر فقط در سطح متوسطی است (با در نظر گرفتن مقیاس RI از 0 تا 1) و از نظر نسبت مشاهده‌پذیری کلی به شدت تغییر نمی‌کند. نمودار فرعی (b) و (d) با تنظیم تعداد حملات تصادفی، اثرات منفی اندازه های مختلف خرابی های تصادفی را بر انعطاف پذیری کلی سیستم نشان می دهد. ما 1 تا 90 شکست تصادفی را با گام افزایشی 1 برای هر دو شبکه شبیه سازی کردیم. واضح است که با افزایش تعداد شکست ها، انعطاف پذیری کاهش می یابد. روند کاهشی کلی در هر دو مورد یک رابطه تخریب خطی تقریبی بین انعطاف‌پذیری و تعداد خرابی‌ها را نشان می‌دهد. این نشان می‌دهد که افزایش خطی تعداد خرابی‌های تصادفی در نظارت بر شبکه‌های حسگر منجر به مشاهده‌پذیری خطی بدتر می‌شود. بنابراین، حفظ عملکرد سنسورها و جلوگیری از خرابی های احتمالی با بهبود قابلیت اطمینان آنها، اقدامات کلیدی برای حفظ سطح بالایی از انعطاف پذیری است.

6.2. سناریو 2: موارد مقایسه ای

شکل 10 نتایج به‌دست‌آمده از دو شبیه‌سازی را با استفاده از سناریوی 2 نشان می‌دهد. نمودارهای فرعی (a) و (c) به ترتیب نتایج مورد مقایسه‌ای 1 و (b) و (d) نتایج مورد مقایسه‌ای 2 هستند. برای تسهیل مقایسه متقابل، تعداد خرابی ها و تعداد تکرارها را در شبیه سازی های مونت کارلو مانند شبیه سازی های کنترلی تنظیم کردیم. در مورد مقایسه ای 1، حاصل آرمنبه وضوح نشان می دهد که انعطاف پذیری کلی شبکه های حسگر را می توان از حدود 0.5 در مورد کنترل به حدود 0.7 (0.656 و 0.662 برای روزهای هفته و آخر هفته، به ترتیب) افزایش داد، که نشان می دهد که تعمیر با توجه به مرکزیت بین سنسورها می تواند انعطاف پذیری را بهبود بخشد. قابلیت مشاهده شبکه های حسگر در هر دو مورد آخر هفته و روزهای هفته.

در مورد مقایسه ای 2، ما نتایج مشابهی را یافتیم اما کمی بهبود یافته بود آرمنمقادیر (0.700 و 0.693 برای روزهای هفته و آخر هفته، به ترتیب). ما می بینیم که تعمیر حسگرهای خراب با توجه به قابلیت مشاهده در سطح فردی آنها می تواند استراتژی بازیابی را بهبود بخشد، و همچنین بدیهی است که شیب کلی بخش های بازیابی در مقایسه با موارد کنترل و مورد مقایسه ای 1 صاف تر و تندتر است. این یافته فرضیه ما را تأیید می کند و به یک گزاره متوسط منجر می شود: هنگام تصمیم گیری در مورد چگونگی بازیابی حسگرهای نظارت بر ترافیک از تعداد زیادی خرابی تصادفی، اگر دانش محدودی در مورد الگوهای تحرک دقیق خودرو وجود داشته باشد، یک استراتژی بازیابی ترجیحی بر اساس مرکزیت بین توپولوژیکی می تواند راه حل خوبی ارائه دهد. با این حال، اگر اطلاعات دقیق در دسترس باشد، توصیه می‌شود که ملاحظات مربوط به ویژگی‌های توپولوژیکی و الگوهای مکانی-زمانی وسیله نقلیه گرفته‌شده توسط حسگرهای مستقر شده نشان داده شود، و یک استراتژی بازیابی ترجیحی باید در اولویت قرار گیرد. با توجه به تمرکز سنتی تحقیقات قبلی بر مطالعه توپولوژی شبکه، آنچه در اینجا بررسی کرده‌ایم می‌تواند یک دیدگاه جایگزین برای مدیریت اثربخشی پروژه‌های نظارت بر ترافیک باشد.

7. بحث و نتیجه گیری

یکی از مزایای ساخت دارایی های زیرساخت هوشمند این است که به ذینفعان اجازه می دهد ظرفیت، کارایی، قابلیت اطمینان و انعطاف پذیری بیشتری به دست آورند [ 60 ]. مفهوم تاب آوری به طور فزاینده ای در حال تبدیل شدن به یک ویژگی سیستمی فراگیر در طیف گسترده ای از سیستم های زیرساخت شهری است [ 61 ، 62]. به منظور درک بهتر این مفهوم در سیستم‌های حمل‌ونقل و شبکه‌های حسگر هوشمند مرتبط با آنها، درک الگوهای تحرک مکانی-زمانی شهر نیز از قبل مهم است. بنابراین، این مطالعه بر تجزیه و تحلیل الگوهای مکانی-زمانی سفرهای ماشینی در کمبریج با استفاده از داده‌های ANPR و آزمایش اینکه چگونه برنامه‌های بازیابی حسگرهای مختلف ممکن است بر انعطاف‌پذیری شبکه‌های حسگر از نظر قابلیت مشاهده کلی تأثیر بگذارد، متمرکز است.

تجزیه و تحلیل تفاوت از نظر حجم ترافیک و زمان پیک بین روزهای هفته و آخر هفته را تأیید می کند. برای بررسی تغییرات مدت سفر، ما سفرهای طولانی مدت را به عنوان موارد پرت حذف نکردیم، اما توزیع آنها را تحلیل کردیم. تجزیه و تحلیل ها نشان می دهد که توزیع سفرهای طولانی مدت دارای اثر دم چربی با ویژگی قانون قدرت است. ترکیب نتایج حاصل از تجزیه و تحلیل فضایی، نشان می دهد که حرکات وسیله نقلیه در هر دو بعد مکانی و زمانی بسیار پویا و ناهمگن هستند. تغییرات قابل توجه مشاهده شده از نظر مدت زمان سفر نشان می دهد که حسگرهای ANPR منبع داده های جدید و مکملی را برای بررسی پویایی کوتاه مدت استفاده از خودرو در شهر ارائه می دهند، که به سختی می توان از طریق شمارنده های مکانیکی وسایل نقلیه و سفرهای مبتنی بر نمونه دریافت کرد. نظرسنجی ها

برای تاب آوری شبکه های حسگر، مطالعات قبلی در مورد تاب آوری شبکه بر روی انعطاف پذیری و استحکام ساختاری متمرکز شده است [ 54 ، 56 ، 63]، با استفاده از اتصال مبتنی بر شبکه و ویژگی های توپولوژیکی به عنوان شاخص های کلیدی. در این مطالعه، ما دریافتیم که قابلیت مشاهده حسگرهای نظارت بر ترافیک نه تنها با ویژگی‌های توپولوژیکی آن در شبکه حسگر، بلکه تا حد زیادی توسط تحرک پویا وسیله نقلیه تعیین می‌شود. سنسورهای نظارت بر ترافیک از نظر سهمی که در مشاهده پذیری کلی دارند، همگن نیستند. بنابراین، برای بازیابی سنسورها از خرابی های عظیم، به اولویت بندی متناظر نیاز دارد. این نشان می‌دهد که نحوه تعیین برنامه تعمیر و نگهداری (یعنی توالی تعمیر حسگرهای معیوب) نقش مهمی در تأثیرگذاری بر راندمان بازسازی سیستم‌های حسگر نظارت مستقر شده دارد. به ویژه با در نظر گرفتن این که سناریوی ترجیحی بازیابی سریع‌تری از قابلیت مشاهده کلی شبکه حسگر را ممکن می‌سازد. به عبارت دیگر، با توجه به کاهش بودجه در میان مقامات محلی در بریتانیا، یک طرح تعمیر و نگهداری حسگر/طرح بازیابی اولویت‌بندی شده استفاده کارآمدتر از منابع عمومی را ممکن می‌سازد.

محدودیت‌های متعددی در این مقاله وجود دارد که عمدتاً به دلیل در دسترس بودن و کیفیت مجموعه داده‌ها است. (1) داده‌های نامعتبر مرجع دوربین خروجی در روز 2 به قدری قابل توجه است که ما فقط می‌توانیم کل داده‌های روز 2 را هنگام ساخت شبکه جمع‌آوری شده برای مورد روزهای هفته حذف کنیم. اگر بتوان آن نقاط داده نامعتبر را بازیابی کرد، ممکن است ساختار توپولوژی آن کمی تغییر کند. (2) با توجه به مشکل فنی سنسورهای ANPR، دقت تشخیص صفحه حدود 80٪ از اندازه کل ناوگان است. نرخ شناسایی بالاتر، اندازه ناوگان دستگیر شده را افزایش می دهد و بنابراین، ممکن است الگوهای مکانی-زمانی حقیقت زمینی را بهبود بخشد. (3) داده های ANPR اطلاعات دقیقی در مورد انواع خودرو ارائه نمی دهد. بنابراین، ما فقط یک روش تقریبی را برای حذف سایر انواع خودرو به کار بردیم. اگر اطلاعات دقیق کافی در دسترس باشد، می‌توانیم تحلیل دقیق‌تری از ناهمگونی فضایی تحرک وسیله نقلیه برای هر نوع وسیله نقلیه ارائه کنیم. در نهایت، (4) به دلیل توزیع نادرست حسگرهای ANPR، این امکان وجود دارد که برخی نقاط جالب خاص از الگوهای تحرک حقیقت زمینی شهر گم شده باشند. بنابراین، ما در کار آینده خود بر بهینه سازی طرح فضایی آن حسگرهای هوشمند تمرکز خواهیم کرد.

این مطالعه مطالعات تجربی تحرک و ارزیابی کمی تاب‌آوری در شبکه‌های حسگر نظارت بر ترافیک را غنی می‌کند. برخلاف سایر ارزیابی‌های تاب‌آوری سنتی در شبکه‌ها، ما تاب‌آوری شبکه‌های حسگر را از طریق تمرکز بر مشاهده‌پذیری آن‌ها مطالعه می‌کنیم، و شکافی را بین ارزیابی انعطاف‌پذیری شبکه و مطالعات حسگر ترافیک هوشمند پر می‌کنیم. رویکرد تحقیقی که در اینجا نشان دادیم می‌تواند در شهرهای دیگر نیز اعمال شود و می‌تواند برای فرآیند تصمیم‌گیری هنگام استقرار حسگرها در پروژه‌های جدید مفید باشد. برای کار آینده، ما بر روی مقابله با محدودیت‌های تایید شده و بررسی سایر استراتژی‌های بازیابی جایگزین برای بررسی بیشتر شیوه‌های what-if و پیامدهای عملی آنها تمرکز خواهیم کرد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

جی پی اس	سیستم موقعیت یاب جهانی
KPI	شاخص کلیدی عملکرد
RI	شاخص تاب آوری
ANPR	تشخیص خودکار پلاک
HGV	وسیله نقلیه کالاهای سنگین
VRN	شناسه خودرو

پیوست اول

شکل A1. تعداد ساعت و تغییرات خودرو در روز 3 تا روز 7.

شکل A2. توزیع مدت سفر در روز 3 تا روز 7.

منابع

گیورگی، ک. آتیلا، ا. تاماس، اف. چارچوب جدید برای نظارت بر تحرک شهری در شهرهای اروپایی. ترانسپ Res. Proc. 2017 ، 24 ، 155-162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیون، جی. هوشمند شدن در مورد تحرک شهری – همراستایی با پارادایم های هوشمند و پایدار. حمل و نقل. Res. A-Pol. 2018 ، 115 ، 4-14. [ Google Scholar ] [ CrossRef ]
فلمینگ، الف. موردی برای … ساختن شهرهای «گنگ» با فناوری پایین به جای شهرهای «هوشمند». در دسترس آنلاین: https://www.theguardian.com/cities/2020/jan/15/the-case-for-making-low-tech-dumb-cities-instead-of-smart-ones (در 16 آوریل 2020 قابل دسترسی است ).
تانگ، جی. ارزیابی تاب آوری در سیستم های پیچیده شهری. در دایره المعارف اهداف توسعه پایدار سازمان ملل: صنعت، نوآوری و زیرساخت ؛ Leal Filho, W., Azul, A., Brandli, L., Özuyar, P., Wall, T., Eds.; Springer: Cham، سوئیس، 2019; صص 1-10. [ Google Scholar ]
ژائو، ک. تارکوما، اس. لیو، اس. Vo, H. داده کاوی تحرک انسانی شهری: یک مرور کلی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2016 درباره داده های بزرگ (Big Data)، واشنگتن دی سی، ایالات متحده، 5 تا 8 دسامبر 2016؛ صفحات 1911-1920. [ Google Scholar ]
هوگینگ، اچ. گلنسور، ک. Lah, O. نیاز به ارزیابی کل نگر از اقدامات تحرک شهری – بررسی روش های موجود و طراحی یک رویکرد ساده شده. ترانسپ Res. Proc. 2014 ، 4 ، 3-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سان، ال. Axhausen، KW درک الگوهای تحرک شهری با چارچوب فاکتورسازی تانسور احتمالی. حمل و نقل. Res. B Meth. 2016 ، 91 ، 511-524. [ Google Scholar ] [ CrossRef ]
کومار، دی. وو، اچ. لو، ی. کریشناسوامی، اس. Palaniswami، M. درک تحرک شهری از طریق خوشه بندی سفرهای تاکسی. در مجموعه مقالات 2016 هفدهمین کنفرانس بین المللی IEEE در مدیریت داده های تلفن همراه (MDM)، پورتو، پرتغال، 13 تا 16 ژوئن 2016؛ صص 318-324. [ Google Scholar ]
کومار، دی. وو، اچ. راجاسگرار، س. لکی، سی. کریشناسوامی، اس. Palaniswami، M. خوشه‌بندی مسیر داده‌های بزرگ سریع و مقیاس‌پذیر برای درک تحرک شهری. IEEE Trans. هوشمند ترانسپ 2018 ، 19 ، 3709–3722. [ Google Scholar ] [ CrossRef ]
یانگ، تی. جین، ی. یان، ال. Pei, P. آرزوها و واقعیت های توسعه چندمرکزی: بینش از داده های چند منبعی به شکل شهری در حال ظهور شانگهای. محیط زیست برنامه ریزی کنید. B 2019 ، 46 ، 1264-1280. [ Google Scholar ] [ CrossRef ]
سرنا، ا. Gerrikagoitia، JK; برنابه، U. رویز، تی. تجزیه و تحلیل پایداری در تحرک شهری بر اساس محتوای رسانه های اجتماعی. ترانسپ Res. Proc. 2017 ، 24 ، 1-8. [ Google Scholar ] [ CrossRef ]
اوسوریو-آرجونا، جی. García-Palomares, JC رسانه های اجتماعی و تحرک شهری: استفاده از توییتر برای محاسبه ماتریس های سفر خانه-کار. شهرها 2019 ، 89 ، 268–280. [ Google Scholar ] [ CrossRef ]
جرونیمو، CLM; کامپلو، CEC؛ د سوزا باپتیستا، سی. استفاده از داده های باز برای تحلیل تحرک شهری از شبکه های اجتماعی. J. Inf. مدیریت داده ها 2017 ، 8 ، 83-99. [ Google Scholar ]
تانگ، جی. لیو، اف. وانگ، ی. وانگ، اچ. کشف تحرک انسان شهری از داده های جی پی اس تاکسی در مقیاس بزرگ. فیزیک A 2015 ، 438 ، 140-153. [ Google Scholar ] [ CrossRef ]
تراونمولر، ام. جانسون، ن. مالک، ع. Kontokosta، CE ردیابی دیجیتال: مدل‌سازی تحرک شهری با استفاده از داده‌های کاوشگر WIFI. در مجموعه مقالات ششمین کارگاه بین المللی محاسبات شهری (ACM KDD 2017)، هالیفاکس، NS، کانادا، 14 اوت 2017؛ صفحات 1-9. [ Google Scholar ]
رودریگز، DO; بوکرچه، ا. سیلوا، تی. لوریرو، AA; ویلاها، لس آنجلس ترکیب تاکسی و داده‌های رسانه‌های اجتماعی برای بررسی مسائل مربوط به تحرک شهری. محاسبه کنید. اشتراک. 2018 ، 132 ، 111-125. [ Google Scholar ] [ CrossRef ]
یانگ، ی. هپنستال، ا. ترنر، آ. Comber، A. چه کسی، کجا، چرا و چه زمانی؟ استفاده از کارت هوشمند و داده های رسانه های اجتماعی برای درک تحرک شهری. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 271. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لیو، جی. هان، ک. چن، XM; Ong، GP استنتاج مکانی-زمانی انتشارات ترافیک شهری بر اساس مسیرهای تاکسی و داده های شهری چند منبعی. حمل و نقل. Res. سی امر. 2019 ، 106 ، 145-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اسپرلینگ، جی. جوان، SE; گاریکاپاتی، وی. دووال، آل. Beck, J. Mobility Data and Models Informing Citys Smart ; گزارش فنی؛ آزمایشگاه ملی انرژی های تجدیدپذیر (NREL): طلایی، CO، ایالات متحده آمریکا، 2019؛ صص 1-73. [ Google Scholar ]
لوترو، ال. هردیا، RH; Álvarez، PJ پرده برداری از تفاوت های اجتماعی و اقتصادی در کلمبیا با استفاده از شبکه های پیچیده تحرک شهری. Memorias 2018 ، 1 ، 80-86. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ییلدیری اوغلو، م. Kim, J. شناسایی جوامع در شبکه های تحرک شهری با استفاده از نمودارهای چند لایه ترافیک شبکه. حمل و نقل. Res. سی امر. 2018 ، 89 ، 254-267. [ Google Scholar ] [ CrossRef ]
آهنگ، HY; شما، دی. مدلسازی تحرک شهری با تجزیه و تحلیل یادگیری ماشینی داده های حمل و نقل تاکسی عمومی. بین المللی جی. پرواس. Comp. اشتراک. 2018 ، 14 ، 73-87. [ Google Scholar ] [ CrossRef ]
ژانگ، اف. وو، ال. زو، دی. لیو، ی. سنجش اجتماعی از تصویرسازی سطح خیابان: مطالعه موردی در یادگیری الگوهای تحرک شهری فضایی-زمانی. ISPRS J. Photogramm. 2019 ، 153 ، 48-58. [ Google Scholar ] [ CrossRef ]
مگی، ای. والینو، ای. درک تحرک شهری و تأثیر سیاست‌های عمومی: نقش مدل‌های مبتنی بر عامل. Res. ترانسپ اقتصاد 2016 ، 55 ، 50-59. [ Google Scholar ] [ CrossRef ]
تانگ، جی. هاینیمن، اچ. خوجا، L. ارزیابی کمی چرخه های انعطاف پذیری متوالی در عملکرد بازار سهام: یک رویکرد سیستم محور. فیزیک A 2019 , 532 , 121794. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رگیانی، ع. Nijkamp، P. لانزی، دی. انعطاف پذیری و آسیب پذیری حمل و نقل: نقش اتصال. حمل و نقل. Res. A-Pol. 2015 ، 81 ، 4-15. [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. وانگ، N. کاهش خطر مبتنی بر انعطاف پذیری برای شبکه های جاده ای. ساختار. Saf. 2016 ، 62 ، 57-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Brabhaharan, P. پیشرفت های اخیر در بهبود انعطاف پذیری شبکه های جاده ای. در مجموعه مقالات کنفرانس مهندسی زلزله نیوزلند 2006، ولینگتون، نیوزلند، 1 آوریل 2006; صفحات 1-9. [ Google Scholar ]
وانگ، دی. Ip، W. ارزیابی و تجزیه و تحلیل انعطاف پذیری شبکه لجستیک با کاربرد در خدمات هواپیما. سیستم IEEE J. 2009 ، 3 ، 166-173. [ Google Scholar ] [ CrossRef ]
ژائو، ک. کومار، ا. هریسون، تی پی؛ ین، جی. تجزیه و تحلیل انعطاف پذیری توپولوژی های شبکه تامین پیچیده در برابر اختلالات تصادفی و هدفمند. سیستم IEEE J. 2011 ، 5 ، 28-39. [ Google Scholar ] [ CrossRef ]
Murray-Tuite, P. ارزیابی استراتژی‌های افزایش انعطاف‌پذیری سیستم حمل‌ونقل در برابر ازدحام ناشی از حوادث . گزارش فنی؛ مرکز حمل و نقل دانشگاه مید آتلانتیک، موسسه پلی تکنیک ویرجینیا و دانشگاه ایالتی: بلکسبورگ، ویرجینیا، ایالات متحده آمریکا، 2008; صص 1-63. [ Google Scholar ]
وانگ، ی. لیو، اچ. هان، ک. فریز، TL; یائو، تی. قیمت‌گذاری ازدحام روزانه و انعطاف‌پذیری شبکه. ترانسپ A 2015 , 11 , 873-895. [ Google Scholar ] [ CrossRef ]
لوپینگ، ی. Dalin، Q. تجزیه و تحلیل آسیب پذیری شبکه های جاده ای. J. Transp. سیستم مهندس Inf. فنی 2012 ، 12 ، 105-110. [ Google Scholar ]
وان، سی. یانگ، ز. ژانگ، دی. یان، ایکس. فن، اس. انعطاف پذیری در سیستم های حمل و نقل: یک بررسی سیستماتیک و جهت گیری های آینده. ترانسپ Rev. 2018 , 38 , 479-498. [ Google Scholar ] [ CrossRef ]
فاتورچی، ر. میلر هوکس، E. اندازه گیری عملکرد سیستم های زیرساخت حمل و نقل در بلایا: یک بررسی جامع. J. زیرساخت. سیستم 2014 ، 21 ، 04014025. [ Google Scholar ] [ CrossRef ]
توکاموهابوا، BR; استیونسون، ام. بازبی، جی. Zorzini، M. تاب آوری زنجیره تامین: تعریف، بررسی و مبانی نظری برای مطالعه بیشتر. بین المللی J. Prod. Res. 2015 ، 53 ، 5592-5623. [ Google Scholar ] [ CrossRef ]
ماتسسون، ال جی؛ جنلیوس، ای. آسیب‌پذیری و انعطاف‌پذیری سیستم‌های حمل و نقل – بحثی در مورد تحقیقات اخیر. حمل و نقل. Res. A-Pol. 2015 ، 81 ، 16-34. [ Google Scholar ] [ CrossRef ]
گوس، ا. گروسکلاگز، جی. Chuang, J. ذخیره سازی داده محور انعطاف پذیر در شبکه های حسگر بی سیم ad-hoc. در کنفرانس بین المللی مدیریت داده های تلفن همراه ; Springer: برلین/هایدلبرگ، آلمان، 2003; صص 45-62. [ Google Scholar ]
Erdene-Ochir، O. مینیر، م. والوا، اف. کونتوریس، الف. به سمت مسیریابی انعطاف پذیر در شبکه های حسگر بی سیم: مسیریابی مبتنی بر گرادیان در تمرکز. در مجموعه مقالات چهارمین کنفرانس بین المللی 2010 در زمینه فناوری ها و کاربردهای حسگر، ونیز، ایتالیا، 18 تا 25 ژوئیه 2010. صص 478-483. [ Google Scholar ]
کاستیلو، ای. نوگل، م. ریواس، ا. سانچز-کامبرونرو، S. قابلیت مشاهده شبکه های ترافیکی. مکان بهینه دستگاه های شمارش و اسکن. ترانسپ B 2013 ، 1 ، 68-102. [ Google Scholar ] [ CrossRef ]
کاستیلو، ای. گرانده، ز. کالوینو، آ. Szeto، WY; Lo, HK یک بررسی پیشرفته از موقعیت سنسور، مشاهده پذیری جریان، برآورد و مشکلات پیش بینی در شبکه های ترافیکی. J. Sens. 2015 ، 2015 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
خو، X. Lo, HK; چن، آ. Castillo، E. مکان حسگر شبکه قوی برای مشاهده کامل جریان پیوند در شرایط عدم قطعیت. حمل و نقل. Res. B Meth. 2016 ، 88 ، 1-20. [ Google Scholar ] [ CrossRef ]
بیانکو، ال. اعتراف، جی. Reverberi، P. یک مدل مبتنی بر شبکه برای مکان سنسور ترافیک با مفاهیمی بر برآورد ماتریس O/D. حمل و نقل. علمی 2001 ، 35 ، 50-60. [ Google Scholar ] [ CrossRef ]
ژو، ایکس. فهرست، GF یک مدل مکان سنسور نظری اطلاعاتی برای برنامه های کاربردی برآورد تقاضای مبدا-مقصد ترافیک. حمل و نقل. علمی 2010 ، 44 ، 254-273. [ Google Scholar ] [ CrossRef ]
رینالدی، م. Viti, F. تولید مجموعه مسیر دقیق و تقریبی برای مشاهده پذیری جزئی انعطاف پذیر در مشکلات مکان سنسور. حمل و نقل. Res. B Meth. 2017 ، 105 ، 86-119. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مروان، ن. Donges, JF; زو، ی. Donner، RV; کورتس، جی. رویکرد شبکه پیچیده برای تحلیل عود سری های زمانی. فیزیک Lett. A 2009 , 373 , 4246-4254. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بن نعیم، ای. Frauenfelder، H.; Toroczkai, Z. Complex Networks ; Springer-Verlag: برلین/هایدلبرگ، آلمان، 2004; صص 35-37. [ Google Scholar ]
نیومن، من؛ Barabási، ALE; Watts, DJ ساختار و دینامیک شبکه ها ; انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 2006; صص 1-8. [ Google Scholar ]
گیزبرگر، آر. سندرز، پی. Schultes، D. تقریب بهتر از مرکزیت بینایی. در مجموعه مقالات دهمین کارگاه مهندسی الگوریتم و آزمایشات (ALENEX)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 19 ژانویه 2008; ص 90-100. [ Google Scholar ]
سان، ال. Axhausen، KW; لی، دی اچ. Huang, X. درک الگوهای شهری از برخوردهای روزانه. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2013 ، 110 ، 13774–13779. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شریفی، ع. یاماگاتا، Y. اصول و معیارهای ارزیابی تاب آوری انرژی شهری: بررسی ادبیات. تمدید کنید. سوست انرژی Rev. 2016 , 60 , 1654–1677. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لینکف، آی. آیزنبرگ، دی. پلورد، ک. سیگر، تی پی; آلن، جی. کوت، الف. معیارهای انعطاف پذیری برای سیستم های سایبری. Env. سیستم تصمیم می گیرد. 2013 ، 33 ، 471-476. [ Google Scholar ] [ CrossRef ]
اویانگ، ام. Dueñas-Osorio، L. ارزیابی تاب آوری وابسته به زمان و بهبود سیستم های زیرساخت شهری. Chaos 2012 , 22 , 033122. [ Google Scholar ] [ CrossRef ][ Green Version ]
چن، پی. Hero، AO ارزیابی و حفاظت از انعطاف پذیری شبکه در برابر حملات گره ای. IEEE Commun. Mag. 2014 ، 52 ، 138-143. [ Google Scholar ] [ CrossRef ]
گانین، AA; ماسارو، ای. گاتفریند، ا. استین، ن. کیسلر، جی.ام. کوت، ا. منگوبی، ر. لینکف، I. انعطاف پذیری عملیاتی: مفاهیم، طراحی و تجزیه و تحلیل. علمی Rep. 2016 , 6 , 19540. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
بهاتیا، U. کومار، دی. کدرا، ای. Ganguly، کمی سازی تاب آوری مبتنی بر علم شبکه AR در شبکه راه آهن هند نشان داده شد. PLoS ONE 2015 ، 10 ، e0141890. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هو، اف. یونگ، CH; یانگ، اس. وانگ، دبلیو. Zeng، A. بازیابی شبکه های زیرساختی پس از حملات محلی. علمی Rep. 2016 , 6 , 24522. [ Google Scholar ] [ CrossRef ]
ریاضیات. ادغام عددی ذوزنقه ای ; جعبه ابزار MathWorks Matlab: Natick، MA، ایالات متحده آمریکا، 2020؛ در دسترس آنلاین: https://www.mathworks.com/help/matlab/ref/trapz.html (در 16 آوریل 2020 قابل دسترسی است).
داده های باز کمبریج شایر اینسایت. داده های ANPR کمبریج بزرگ ; شورای شهرستان کمبریج شایر: کمبریج، بریتانیا، 2020؛ در دسترس آنلاین: https://data.cambridgeshireinsight.org.uk (در 16 آوریل 2020 قابل دسترسی است).
باورز، ک. بوشر، وی. دنتن، آر. ادواردز، ام. انگلستان، جی. انزر، م. مدرسه، ج. پارلیکاد، الف. زیرساخت هوشمند: کسب اطلاعات بیشتر از دارایی های استراتژیک . گزارش فنی؛ مرکز زیرساخت و ساخت و ساز هوشمند کمبریج: کمبریج، بریتانیا، 2017؛ صص 1-7. [ Google Scholar ]
تمواکیس، پ. Xenidis، Y. ارزیابی مقایسه ای روش های کمی سازی انعطاف پذیری برای سیستم های زیرساخت. روند Soc. Behv. 2013 ، 74 ، 339-348. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فاکس-لنت، سی. لینکف، I. ماتریس تاب آوری برای برنامه ریزی جامع تاب آوری شهری. در برنامه ریزی شهری تاب آوری ; انتشارات بین المللی Springer: بازل، سوئیس، 2018; ص 29-47. [ Google Scholar ]
Gutfraind، A. بهینه سازی انعطاف پذیری آبشار توپولوژیکی بر اساس ساختار شبکه های تروریستی. PLoS ONE 2010 ، 5 ، e13448. [ Google Scholar ] [ CrossRef ]

شکل 1. یک نمایه انعطاف پذیری شکست-بازیابی معمولی.

شکل 2. گردش کار یک دور شبیه سازی در شبیه سازی انعطاف پذیری.

شکل 3. منطقه مورد مطالعه و نمای کلی سنسورهای تشخیص خودکار شماره پلاک (ANPR) (نقشه راه پایه از OpenStreetMap دانلود شد و با محدودیت سرعت > 20 مایل در ساعت فیلتر شد. داده های مکان سنسورهای ANPR از داده های باز Cambridgeshire Insight دانلود شد. 59 ]).

شکل 4. تعداد کل وسایل نقلیه در هر روز هفته.

شکل 5. تعداد ساعت و تغییرات خودرو در روزهای 1 و 2.

شکل 6. توزیع مدت سفر در روز 1 و روز 2. توجه داشته باشید که توزیع نمایی ظاهراً قادر به تناسب با دم سنگین در روز 2 نیست. با این حال، یک قانون قدرت، تناسب توزیع بهتری را در بخش دم نشان می‌دهد.

شکل 7. ( الف ) شبکه هدایت شده و تجمیع شده در روزهای هفته. ( ب ) شبکه آخر هفته کارگردانی و جمع‌آوری شده است. اندازه و رنگ گره با مرکزیت درجه گره متناسب است، قرمز به عنوان درجه بالا، آبی به عنوان درجه پایین و سبز به عنوان درجه متوسط.

شکل 8. توزیع فضایی مرکزیت بین و حجم ترافیک حسگرها در منطقه مرکزی شهر. ( الف ) بین حسگرها در یک روز هفته. ( ب ) حجم ترافیک سنسورها در یک روز هفته. ( ج ) بین سنسورها در آخر هفته. و ( د ) حجم ترافیک سنسورها در آخر هفته. اندازه و رنگ گره متناسب با اندازه است، قرمز به عنوان بالا، آبی به عنوان کم، و سبز به عنوان متوسط.

شکل 9. ( الف ، ج ) ارزیابی‌های انعطاف‌پذیری برای روزهای هفته و آخر هفته با شکست‌های تصادفی و استراتژی اولین شکست-اولین تعمیر. ( ب ، د ) انعطاف پذیری شبکه حسگر با تعداد خرابی های مختلف.

شکل 10. ارزیابی تاب آوری برای روزهای هفته و آخر هفته با شکست های تصادفی و استراتژی های بازیابی ترجیحی. ( الف ، ج ) استراتژی بازیابی ترجیحی با استفاده از مرکزیت بین توپولوژیکی. ( ب ، د ) استراتژی بازیابی ترجیحی با استفاده از حجم ترافیک در سطح حسگر.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. بررسی ادبیات