خلاصه

تصمیم گیرندگان برای تصمیم گیری صحیح در مورد سرمایه گذاری ها، عملیات و سیاست ها در بخش جاده های عمومی، نیاز به دانش در مورد معیارهای ترافیکی کامیون ها، مانند میانگین زمان سفر و فراوانی سفرها در میان مناطق جغرافیایی دارند. شرکت های لجستیک خصوصی روزانه مقدار زیادی از سیستم موقعیت یابی جهانی بار (GPS) و داده های حمل و نقل را جمع آوری می کنند. پردازش چنین داده هایی می تواند تصمیم گیرندگان عمومی را با اقدامات دقیق ترافیک حمل و نقل، که برای تصمیم گیری های مختلف برنامه ریزی ضروری هستند، ارائه دهد. مقاله حاضر یک چارچوب سیستمی را پیشنهاد می‌کند که در پروژه تحقیقاتی «سیستم جدید برای اشتراک داده‌ها بین شرکت‌های لجستیک و مقامات زیرساخت عمومی: بهبود زیرساخت با حفظ مزیت رقابتی» استفاده شود. مطالعات قبلی این واقعیت را نادیده گرفتند که گام اولیه برای ارائه سیستم‌های پردازش داده ارزشمند و قابل استفاده، در نظر گرفتن نیازهای کاربر نهایی هنگام توسعه چارچوب سیستم است. برخلاف مطالعات موجود، این مقاله چارچوب سیستم را از طریق اعمال یک رویکرد طراحی کاربر محور با ترکیب سه مرحله اصلی توسعه می‌دهد. اولین قدم شناسایی اقدامات ترافیکی خاص است که نیازهای برنامه ریزی تصمیم گیرندگان عمومی را برآورده می کند. مرحله دوم با هدف شناسایی انواع مختلف داده های حمل و نقل مورد نیاز به عنوان ورودی به سیستم پردازش داده است، در حالی که مرحله سوم روش های مورد نیاز برای پردازش داده های حمل و نقل مشترک را نشان می دهد. برای انجام این کار، کار فعلی از روش‌های بررسی ادبیات و شناسایی نیاز کاربران در استفاده از رویکرد متمرکز کاربر استفاده می‌کند. علاوه بر این، ما یک ارزیابی سیستماتیک از پوشش و کفایت داده های به دست آمده در حال حاضر ایجاد می کنیم. در نهایت، عملکرد دقیق سیستم پردازش داده را نشان می‌دهیم و یک مورد کاربردی برای نشان دادن رویه‌های آن ارائه می‌کنیم.

کلید واژه ها:

حمل و نقل ; GPS ؛ پایگاه داده ; حمل و نقل جاده ای ; ماتریس های OD اقدامات پارکینگ ؛ الگوهای رانندگی ؛ نمودار میل ; الزامات کاربر

1. معرفی

شبکه راه ها یک نیاز ضروری برای توسعه اقتصادی و اجتماعی کشورها است [ 1 ]. بر این اساس، بسیاری از کشورها توجه زیادی به بهبود زیرساخت های شبکه راه های خود از طریق پروژه های سرمایه گذاری بزرگ دارند. با این حال، تصمیمات سرمایه گذاری در زیرساخت های جاده ای نیازمند منابع اقتصادی قابل توجهی است و پیامدهای بلندمدتی دارد. به عنوان مثال، کل سرمایه گذاری در زیرساخت های حمل و نقل جاده ای در دانمارک بیش از 1 میلیارد یورو در سال 2016 بوده است که 0.8 درصد از تولید ناخالص داخلی (GDP) را نشان می دهد. حمل و نقل باری مبتنی بر جاده همیشه در اقتصاد دانمارک مهم بوده است. در سال 2015، گزارش شد که بیش از 4800 شرکت در حمل و نقل جاده ای بار در دانمارک کار می کنند [ 2]]. در همان سال، تقریباً 36.1 هزار نفر در حمل و نقل بار جاده ای مشغول به کار شدند [ 3 ]. گردش مالی فعالیت های حمل و نقل کالا در سال 2015 به 5.1 میلیارد یورو رسید [ 4 ]. تا سال 2023، انتظار می رود که درآمد حمل و نقل کالا از طریق جاده به حدود 6.4 میلیارد یورو برسد [ 5 ]. علیرغم مزایای اقتصادی، حمل و نقل بار مبتنی بر جاده در مقایسه با سایر روش‌های حمل و نقل بار، سهم قابل توجهی در انتشار کربن، تصادفات و ازدحام داشته است [ 6 ، 7 ]. این امر مستلزم اتخاذ تصمیمات سرمایه‌گذاری مؤثر در زیرساخت‌های جاده‌ای برای کاهش مشکلات رو به رشد حمل‌ونقل بار است [ 8 ].
از منظر برنامه ریزی، دانش در مورد چگونگی حرکت بار در جاده ها برای تصمیم گیری موثر در سرمایه گذاری های زیرساختی و تدوین سیاست های جدید ضروری است. با این حال، بسیاری از مطالعات در دسترس بودن محدود دانش در مورد جابجایی بار را گزارش کردند [ 9 ]. یکی از مهم ترین دلایل این محدودیت، کمیاب بودن داده های تفکیک شده در مورد حرکت کامیون است [ 10]]. به لطف پیشرفت‌ها در سیستم‌های اطلاعات و ارتباطات، اکثر شرکت‌های لجستیک روزانه مقادیر زیادی از داده‌های حمل و نقل را در مورد فعالیت‌های تحویل مانند داده‌های سیستم موقعیت‌یابی جهانی (GPS) از کامیون‌های باری جمع‌آوری می‌کنند. داده های حمل و نقل می تواند شامل اطلاعات مکان و سرعت کامیون های باری باشد و محموله های هر کامیون مانند انواع و مقدار کالاهای حمل شده را توصیف می کند. داده های جمع آوری شده در درجه اول برای مدیریت عملیات تحویل و اهداف معیار در شرکت های لجستیک استفاده می شود [ 11]]. چنین داده‌هایی می‌توانند دانش روشنگری در مورد چندین معیار ترافیکی مرتبط با جابجایی‌های بار مانند تورهای کامیون، الگوهای سفر و سطوح ازدحام ارائه دهند. به عنوان مثال، Azab و همکاران نشان دادند که اگر شرکت های حمل و نقل کانتینری برنامه های تحویل خود را قبل از رسیدن به بنادر به اشتراک بگذارند، بنادر کانتینری می توانند عملکرد خدمات و استفاده از دروازه ها را بهبود بخشند [12] .]. با وجود آن، داده‌های حمل و نقل از شرکت‌های لجستیک اغلب برای مقامات دولتی در دسترس نیست زیرا شامل اطلاعات محرمانه در مورد تجارت شرکت‌های لجستیکی است. اخیراً محققان سیستم های پردازش داده را توسعه داده اند که داده های حمل و نقل را از شرکت های لجستیک خصوصی جمع آوری و پردازش می کند. اهداف اصلی چنین مطالعاتی توسعه تجزیه و تحلیل داده ها برای تولید اقدامات ارزشمند ترافیک باری است که می تواند از مقامات دولتی در هنگام تصمیم گیری برنامه ریزی در بخش جاده حمایت کند [ 13 ]. تجزیه و تحلیل داده ها را می توان به عنوان استفاده از یک رویکرد الگوریتمی برای مجموعه ای از داده ها با هدف استخراج بینش و اندازه گیری تعریف کرد [ 14] .]. به عنوان مثال، معیارهای ترافیکی که از پردازش داده‌های GPS به دست می‌آیند می‌تواند شامل ماتریس‌های مبدأ-مقصد (OD)، میانگین سرعت سفر و قابلیت اطمینان زمان سفر باشد [ 10 ، 15 ، 16 ]. چانکایو و همکاران (2018) سیستمی برای پردازش داده های GPS از حمل و نقل بار در تایلند برای استخراج الگوهای سفر کامیون های باری ایجاد کرد. علاوه بر این، آنها داده‌های استفاده از زمین را برای ایجاد یک ماتریس OD مبتنی بر فعالیت برای ایجاد درک بهتر از الگوهای جابجایی بار در نظر گرفتند [ 13 ]. هیون و همکاران، سیستمی را برای ایجاد ماتریس های OD برای تعیین راهروهای باری مورد استفاده برای تصمیم گیری در مورد بهترین مکان برای نصب آشکارسازهای حلقه توسعه دادند [ 17]]. C.-F. لیائو از داده های GPS برای تجزیه و تحلیل راهروهای باری کلیدی در منطقه شهرهای دوقلو در مینه سوتا، ایالات متحده استفاده کرد [ 18 ]. علاوه بر این، ما و همکاران، از داده های GPS برای ایجاد ماتریس های OD برای استفاده توسط مقامات زیرساخت عمومی استفاده کردند [ 19]]. بیشتر مطالعات موجود بر روی الگوریتم‌های محاسباتی و تکنیک‌های مدل‌سازی برای استخراج معیارهای مختلف متمرکز شده‌اند. چندین محقق سهم قابل توجهی در بهبود دقت و همچنین قابلیت اطمینان الگوریتم‌های محاسباتی داشته‌اند. با این حال، مطالعات موجود این واقعیت را نادیده گرفتند که گام اولیه برای ارائه سیستم‌های پردازش داده ارزشمند و قابل استفاده، درک نیازهای کاربر نهایی و استفاده از یک رویکرد طراحی کاربر محور در فرآیند توسعه است. یکی از الزامات اولیه رویکرد طراحی کاربر محور، جمع آوری نیازهای کاربر است [ 20 ]. با توجه به Illemann و همکاران. [ 21]، تصمیم گیرندگان عمومی ممکن است از اقدامات مختلف ترافیکی که می توان از داده های حمل و نقل استخراج کرد و اقداماتی که می تواند نیازهای برنامه ریزی آنها را پشتیبانی کند، آگاه نباشند. شناسایی نیازهای کاربران نهایی یکی از ضروری ترین مراحل برای اطمینان از موفقیت یک سیستم است [ 20]. علاوه بر این، ادبیات موجود توجه کمی به ارزیابی کفایت و پوشش داده های حمل و نقل کرده است. کافی بودن داده مربوط به مقدار داده های حمل و نقل است که برای ارائه معیارهای آماری قابل توجه ترافیکی مورد نیاز است. پوشش داده ها نشان دهنده توزیع جغرافیایی داده های حمل و نقل است. برآورد اقدامات مختلف به طور موثر برای همه مناطق جغرافیایی مورد مطالعه، مستلزم آن است که مناطق جداگانه به اندازه کافی توسط داده ها پوشش داده شوند. اکثر مقالات تحقیقاتی کفایت داده ها را از طریق تعیین حجم نمونه داده بررسی کرده اند که می تواند نتایج آماری معنی دار را تضمین کند [ 19 , 22 , 23 , 24]. جنبه های مهمی مانند پوشش جغرافیایی داده ها به ندرت در ادبیات حمل و نقل بار در نظر گرفته شده است.
هدف اصلی این کار بحث در مورد چارچوب سیستم پردازش داده است که در مرحله آزمایشی یک پروژه تحقیقاتی دو ساله به نام “سیستم جدید برای به اشتراک گذاری داده ها بین شرکت های لجستیک و مقامات زیرساخت عمومی: بهبود زیرساخت با حفظ مزیت رقابتی” توسعه یافته است. این پروژه تحقیقاتی با هدف توسعه یک سیستم پردازش داده برای جمع آوری و تجزیه و تحلیل داده های جابجایی بار شرکت های لجستیک خصوصی انجام می شود. اقدامات به دست آمده از سیستم توسعه یافته با یک مقام عمومی، به عنوان مثال، اداره راه دانمارک (DRD) به اشتراک گذاشته خواهد شد. DRD یک نهاد دولتی است که مسئول برنامه ریزی، ساخت و نگهداری جاده های دولتی در دانمارک است. به خصوص، کار حاضر به چهار سؤال اصلی تحقیق می‌پردازد که به اندازه کافی در ادبیات مربوطه در نظر گرفته نشده‌اند. سوالات تحقیق به شرح زیر است:
  • چگونه می توان الزامات DRD (اقدامات ترافیکی) را به طور موثر در مرحله توسعه سیستم پایگاه داده جمع آوری کرد؟
  • انواع مختلف داده های حمل و نقل خام که برای فعال کردن سیستم پردازش برای برآوردن نیازهای DRD مورد نیاز است، چیست؟
  • رویه ها و سیستم هایی برای جمع آوری و تجزیه و تحلیل داده های حمل و نقل مشترک و اطمینان از حفظ حریم خصوصی داده ها چیست؟
  • چه مقدار داده برای ارائه تجزیه و تحلیل داده های حمل و نقل از نظر آماری مهم مورد نیاز است؟
برای ارائه پاسخ به این سؤالات، ما از روش بررسی ساختاری و تجزیه و تحلیل نیاز کاربر استفاده کردیم. هدف فرآیند بررسی ما پوشش مطالعات مربوطه است که در آن داده‌های شرکت‌های لجستیک خصوصی برای حمایت از تصمیم‌گیری در بخش دولتی استفاده می‌شود. به طور خاص، ما مطالعاتی را هدف قرار می دهیم که در آن داده های حمل و نقل، به عنوان مثال، داده های GPS، از شرکت های لجستیک خصوصی جمع آوری شده و برای حمایت از برنامه ریزی در بخش های عمومی استفاده می شود. علاوه بر این، تمرکز این فرآیند بررسی به مطالعات بر روی حمل‌ونقل کالای جاده‌ای با تمرکز ویژه بر داده‌های GPS محدود می‌شود، زیرا بسیاری از مطالعات نشان داده‌اند که داده‌های GPS کامیون‌های باری می‌تواند برای استخراج چندین تجزیه و تحلیل، مانند الگوهای رانندگی و ماتریس های OD فرآیند بررسی شامل دو مرحله اصلی است. در اولین قدم،
“سازمان های عمومی”، “وزارت حمل و نقل”، “سیاست حمل و نقل”، “بخش عمومی”؛ “مبداء-مقصد”، “لجستیک”، “بار”، “کامیون”، “جی پی اس”، “کامیون”، “داده”.
مرحله دوم با هدف بررسی دقیق هر مقاله برای حذف دوتایی ها و فیلتر کردن مقالات بر اساس ارتباط با محدوده تعریف شده بود. همه مقالات شناسایی شده را بررسی کردیم تا به مجموعه نهایی شامل 97 مقاله رسیدیم. شکل 1تجزیه و تحلیل زمانی مقالات شناسایی شده در سه دهه اخیر را نشان می دهد. به طور کلی، شکل روند افزایشی در تحقیقات داده های حمل و نقل را نشان می دهد. می توان اشاره کرد که در دهه اخیر توجه پژوهشی قابل توجهی نسبت به دوره های قبل به موضوع شده است. اگرچه این شکل نشان می دهد که برخی از سال ها انتشارات نسبتاً کمی دارند، روند کلی نشان دهنده علاقه به سرعت در حال رشد در موضوع تحقیق است. این روند کلی تأیید می کند که تجزیه و تحلیل داده های حمل و نقل از بخش خصوصی برای حمایت از تصمیم گیری قابل اعتماد در بخش های دولتی ضروری است.
برای ارائه بهتر یافته ها، ما باقی مانده این مقاله را به شش بخش تقسیم می کنیم. بخش 2 و بخش 3 به ترتیب به پاسخ به سؤالات اول و دوم تحقیق اختصاص دارد. بخش 4 به سؤالات تحقیق سوم و چهارم می پردازد. یک مورد کاربردی برای نشان دادن چارچوب سیستم در بخش 5 ارائه شده است . نتیجه گیری و کار آینده در بخش پایانی 6 ارائه شده است .

2. شناسایی مهمترین اقدامات ترافیکی از دیدگاه کاربران نهایی

همانطور که قبلاً گفته شد، طراحی سیستم مستلزم ایجاد درک بهتری از اقداماتی است که کاربران نهایی از سیستم انتظار دارند. هدف این بخش شناسایی الزامات DRD برای سیستم است. در ادبیات، تکنیک‌هایی وجود دارد که می‌تواند برای جمع‌آوری نیازمندی‌های کاربران در مورد سیستم اطلاعاتی مورد استفاده قرار گیرد، به عنوان مثال، گروه‌های متمرکز، مصاحبه با نظر کارشناسان، نظرسنجی‌های مبتنی بر وب و نقشه‌برداری ذهنی توسط کارشناسان [25 ، 26 ، 27 ] .
در این مقاله، ما از یک رویکرد جمع‌آوری نیازمندی‌ها استفاده کردیم که بر اساس یک نمودار قرابت، به دنبال رویکرد [ 21 ] است. رویکرد پیشنهادی شامل دو بخش اصلی است که در شکل 2 نشان داده شده است . گام اول شامل بررسی ادبیات مربوطه برای شناسایی روش های مختلف استفاده از داده های حمل و نقل در برنامه ریزی حمل و نقل توسط مقامات دولتی است. بخش دوم با هدف شناسایی نیازهای کاربران از طریق استفاده از نمودار وابستگی و مصاحبه های نیمه ساختاریافته با ذینفعان مربوطه است.
به عنوان اولین گام، جستجوی ادبیات همانطور که قبلاً در بخش 1 نشان داده شد، انجام شد . این جستجو به مجموعه ای از 35 مقاله در مورد استفاده های متعدد از داده های حمل و نقل منجر شد. با تجزیه و تحلیل این مجموعه، هجده نوع مختلف استفاده از داده، همانطور که در جدول 1 نشان داده شده است، شناسایی شد.. تیم تحقیق از هشت ذینفع از DRD دعوت کرد تا در یک کارگاه آموزشی شرکت کنند تا میزان استفاده از داده های شناسایی شده از مرور ادبیات را ارزیابی کنند. این هشت ذینفع شامل مهندسان داده، آماردانان، مدیران پروژه، کارمندان و کارمندان پرونده بودند. استفاده از داده‌های شناسایی‌شده توسط شرکت‌کنندگان برای توسعه دسته‌های اصلی استفاده از داده‌ها از طریق یک نمودار قرابت اصلاح شد. نمودار قرابت روشی برای توسعه دسته بندی داده ها بر اساس روابط طبیعی آنها از طریق طوفان فکری یا با تجزیه و تحلیل داده های کیفی جمع آوری شده از طریق نظرسنجی، مصاحبه یا نتایج بازخورد است. در ابتدا به عنوان یک ابزار مدیریت کیفیت توسعه یافت، اما اکنون در حوزه های مختلف برای تولید ایده برای تصمیم گیری استفاده می شود [ 28]]. مراحل اصلی نمودار میل به شرح زیر است: شناسایی مشکل و بیان آن به وضوح، یادداشت ایده ها بر روی کارت های یادداشت، و مرتب کردن کارت ها در گروه های انسجام طبیعی. هنگامی که همه کارت ها گروه بندی می شوند، می توان به اجماع نظرات همه شرکت کنندگان در مورد نام و محتوای دسته ها دست یافت. چندین مطالعه از روش نمودار میل برای تجزیه و تحلیل و طبقه بندی داده های کیفی از کارگاه ها، نظرسنجی ها، مصاحبه ها و غیره استفاده کرده اند [ 29 ، 30 ، 31 ]. همانطور که در جدول 1 نشان داده شده است، شرکت کنندگان به سه دسته اصلی طبقه بندی می شوند . این دسته بندی ها به شرح زیر است:
  • برنامه ریزی زیرساخت جاده: این دسته شامل مطالعاتی است که از داده های حمل و نقل برای تأیید یا بررسی تأثیر جاده های جدید، مناطق پارکینگ برای کامیون ها و پتانسیل های جاده های عوارضی استفاده می کند.
  • مقررات حمل و نقل کالا: این دسته شامل مطالعاتی است که نشان می دهد چگونه می توان از داده های حمل و نقل برای پیشنهاد و تأیید سیاست های ترافیک بار استفاده کرد.
  • تجزیه و تحلیل حرکت بار: این دسته شامل مطالعاتی است که داده های حمل و نقل را به منظور ایجاد درک بهتری از نحوه استفاده از شبکه های جاده ای توسط کامیون های باری تجزیه و تحلیل می کند.
شکل 3 a توزیع 35 مقاله را با توجه به سه دسته نشان می دهد. می‌توان اشاره کرد که 51 درصد از مقالات بر تحلیل‌های حرکت بار متمرکز شده‌اند و با هدف ایجاد درک بهتری از نحوه استفاده از شبکه‌های جاده‌ای توسط کامیون‌ها بوده‌اند. علاوه بر این، 32 درصد و 17 درصد از مقالات به ترتیب بر روی مقررات حمل و نقل کالا و برنامه ریزی زیرساخت تمرکز داشتند. شکل 3 ب تجزیه و تحلیل زمانی مقالات هر دسته را در 15 سال گذشته نشان می دهد. به طور کلی، روند رو به رشدی در تحقیقات در مورد سه دسته قابل مشاهده است. با این حال، تحقیقات در دسته سوم دارای نرخ رشد نسبتاً بالاتری از انباشت تحقیق است. شکل 4a روندهای تحقیقاتی در هر دسته را تجزیه و تحلیل می کند و نشان می دهد که 67 درصد از مقالات مربوط به مقررات جابجایی کالا با هدف توسعه رویکردهای مبتنی بر داده است که می تواند برای ارزیابی اثربخشی برنامه ها و سیاست ها برای تصمیم گیرندگان و شبیه سازی اثرات سیاست ها مورد استفاده قرار گیرد. پیشنهادات. شکل 4 ب نشان می دهد که 38 درصد از مطالعات در مورد برنامه ریزی زیرساخت با هدف استفاده از داده های حمل و نقل برای توجیه مناطق پارکینگ و منطقی سازی مناطقی که ممکن است پارکینگ جدید پیشنهاد شود، انجام شده است. در نهایت، شکل 4 ج نشان می‌دهد که 54 درصد از مطالعات در دسته سوم (تحلیل‌های حرکت بار) به ماتریس‌های OD و مشکلات ازدحام کامیون‌ها مانند شناسایی نقاط ازدحام، میانگین سرعت سفر، قابلیت اطمینان زمان سفر در مسیرهای خاص و انتخاب مسیر پرداخته‌اند. مدل سازی
این سه مقوله بیشتر از طریق یک مصاحبه نیمه ساختاریافته با شرکت کنندگان مورد بحث قرار گرفت تا مهمترین اقدامات ترافیکی و استفاده از داده ها از دیدگاه کاربران سیستم، یعنی شرکت کنندگان شناسایی شود. نتایج حاصل از بحث‌ها و مصاحبه‌ها با ذینفعان سه معیار مهم ترافیکی را به شرح زیر نشان داد: ماتریس‌های OD، الگوهای رانندگی، و تحلیل الگوی پارکینگ.

2.1. ماتریس های OD

ماتریس های OD می توانند درک بهتری از پویایی تقاضای ترافیک در فضا (از مبدا تا مقصد) و زمان ارائه دهند [ 69 ]. ماتریس OD نمایشی از تعداد سفرهای وسیله نقلیه است که از یک منطقه (مبدا) شروع می شود و به منطقه دیگر (مقصد) ختم می شود. به طور سنتی، یک ماتریس OD با ایجاد جدولی به اندازه n × n ، که در آن n تعداد مناطق است، و جایی که T ij = سفر از مبدا i به مقصد j است، توصیف می شود .
شرکت‌کنندگان ماتریس‌های OD را به‌عنوان یک معیار کلیدی در نظر گرفتند، زیرا می‌توانند تجزیه و تحلیل ترافیک کامیون‌های شرق به غرب در دانمارک، شدت ترافیک کامیون‌ها در تمام جاده‌های ایالتی و شناسایی مهم‌ترین کریدورهای جاده‌ای را فعال کنند. منبع داده موجود در حال حاضر برای DRD، داده های آشکارسازهای حلقه است که در سراسر شبکه جاده دانمارک پخش شده است. این آشکارسازها شامل دسته بندی خودکار تمامی خودروهای عبوری می باشد. این فقط اجازه می دهد تا در مورد کامیون های عبوری در نقاط شناسایی خاص، بدون دانستن مبدا یا مقصد کامیون عبوری، اطلاعاتی کسب کنید. برای به دست آوردن دانش دقیق در مورد شدت ترافیک کامیون در جاده های خاص، نیاز به شناسایی دقیق ماتریس های OD دارد. DRD از چندین منبع و تکنیک دیگر برای تخمین و تجزیه و تحلیل ترافیک در جاده های دانمارک استفاده می کند، به عنوان مثال،70 ]. مدل حمل و نقل LTM نیاز به کالیبراسیون از طریق ماتریس های OD دارد که می تواند با استفاده از داده های GPS ایجاد شود. این نیز یکی از نیازهای کاربر شناسایی شده بود.

2.2. الگوهای رانندگی در بین مناطق

الگوهای رانندگی شامل نقاط ازدحام برای حمل و نقل بار، سرعت متوسط ​​سفر، قابلیت اطمینان زمان سفر در مسیرهای خاص و انتخاب مسیر است. دانش در مورد انتخاب مسیر برای DRD مهم است، زیرا این می تواند اطلاعات ارزشمندی را برای برنامه ریزی جاده های جدید یا گسترش جاده های موجود ارائه دهد. شناسایی مسیرهای انتخابی خاص کامیون‌ها، دانش در مورد استفاده از جاده‌های دولتی و همچنین در نظر گرفتن الگوهای مسیرهای جایگزین بر اساس تجزیه و تحلیل زمانی از روز را امکان‌پذیر می‌سازد.
DRD فاقد دانش در مورد نقاط ازدحام برای حمل و نقل بار است. همانطور که قبلا ذکر شد، نقاط ازدحام با در نظر گرفتن همه وسایل نقلیه از طریق منابع داده دیگر امکان پذیر است. مقدار زیادی از حمل و نقل بار در یک منطقه باعث ازدحام می شود [ 8]. بنابراین، به دست آوردن دانش در نقاط با مقادیر زیاد کامیون و دانستن اینکه آیا این در حال افزایش یا کاهش است، مهم است. چنین دانشی می تواند امکان انجام اقداماتی را برای کاهش ازدحام در جاده های ایالتی فراهم کند. علاوه بر آن، تجزیه و تحلیل قابلیت اطمینان زمان سفر در امتداد جاده‌های خاص به شما امکان می‌دهد بفهمیم کدام مسیرهای جاده‌ای دارای عوامل مؤثر بر زمان سفر هستند. با گنجاندن این معیار، DRD می‌تواند جریان ترافیک در این مسیرهای جاده‌ای را بهبود بخشد یا تحلیل‌های دیگری از جاده انجام دهد تا عوامل خاص مؤثر بر زمان سفر را درک کند. انتشار گازهای گلخانه ای نیز به عنوان یک معیار مهم در نظر گرفته شد که می تواند به طور غیرمستقیم با استفاده از میانگین سرعت کامیون ها در مناطق مختلف برآورد شود.

2.3. تجزیه و تحلیل الگوی پارکینگ

آخرین معیار کلیدی شناسایی شده، تحلیل الگوی پارکینگ است. تجزیه و تحلیل الگوی پارکینگ شامل اطلاعاتی در مورد مکان پارک کامیون ها و مدت زمان پارک آنها است. این شامل تجزیه و تحلیل اینکه آیا کامیون ها در مناطق پارکینگ مشخص، یا در کنار جاده یا سایر مناطق پارکینگ غیرمشخص پارک می شوند، می شود، زیرا این امکان را برای در نظر گرفتن پتانسیل مکان های پارکینگ جدید فراهم می کند. در رابطه با جاده های ایالتی، DRD مطالعات مشاهده ای را برای به دست آوردن دانش در مورد تعداد کامیون هایی که از مناطق استراحت خاص در امتداد بزرگراه ها استفاده می کنند انجام می دهد [ 8]]. این مطالعات رصدی می تواند منبع قابل اعتمادی از داده ها در مورد تعداد کامیون های ورودی و خروجی به مناطق استراحت ارائه دهد. علیرغم آن، آنها فقط یک معیار استفاده دوره ای از چند منطقه استراحت را تشکیل می دهند و امکان انجام تجزیه و تحلیل مهم بیشتر را فراهم نمی کنند، به عنوان مثال، مدت اقامت در پارکینگ، روند فصلی در میانگین اقامت در پارکینگ و میزان استفاده از کامیون ها. مناطق استراحت در مدت زمان طولانی تر. با توجه به نتایج مصاحبه های انجام شده، این تحلیل های بیشتر برای DRD اهمیت زیادی دارد.

3. شناسایی مورد نیاز داده های ورودی

هدف اصلی این بخش شناسایی انواع مختلف ورودی داده مورد نیاز برای تولید معیارهای ترافیکی کلیدی است که قبلاً تعیین شده است. به منظور شناسایی نیازهای داده خام، روش های تولید اقدامات کلیدی در ابتدا در نظر گرفته شد. سپس روش های شناسایی شده با توجه به الزامات داده های ورودی مورد بررسی قرار گرفت. از دیدگاه روش‌شناسی، بسیاری از مطالعات نشان می‌دهند که داده‌های GPS کامیون‌های باری را می‌توان برای استخراج معیارهای کلیدی به کار برد، زیرا داده‌های GPS مسیرهای سفر کامیون بار را در حالی که در حال حرکت یا ساکن است، ضبط می‌کند. بنابراین، می توان مکان ها و زمان هایی را که کامیون در آن توقف کرده است، شناسایی کرد. به عنوان مثال تقوی و همکاران. [ 71] انواع مختلفی از توقفگاه های کامیون (ایستگاه های تولیدی و غیرمولد) را از داده های GPS کامیون در مقیاس بزرگ شناسایی کرد. سامبو و همکاران [ 72 ] روشی را برای شناسایی نقاط داغ وسایل نقلیه و الگوهای احتمالی پارک با استفاده از داده های GPS از وسایل نقلیه پیشنهاد کرد. هاک و همکاران [ 57 ] از داده های GPS برای توسعه درک بهتر از الگوهای پارکینگ کامیون با استفاده از مدل های اقتصادسنجی استفاده کرد. ما و همکاران [ 19 ] سیستمی را برای جمع آوری داده های GPS از تعداد زیادی کامیون و شناسایی ماتریس های OD و الگوهای رانندگی در میان مناطق مختلف در Puget Sound، واشنگتن توسعه داد. جنارو و همکاران [ 54] سیستمی را برای پردازش داده های GPS از 28000 وسیله نقلیه و ارائه ارزیابی و نقشه برداری انتشار گازهای گلخانه ای توسعه داد. شناسایی توقف می تواند به شناسایی ماتریس های OD کمک کند و با استفاده از تکنیک های مختلف مانند روش های مبتنی بر مرکز [ 73 ]، روش های مبتنی بر سرعت [ 74 ]، روش های مبتنی بر مدت زمان [ 75 ، 76 ، 77 ]، و روش های مبتنی بر چگالی ساخته می شود. [ 71 ]. چندین محقق گزارش کردند که یکی از مسائل اصلی در مورد روش‌های شناسایی توقف این است که برای ایجاد داده‌های دقیق در مورد جریان ترافیک بار نیاز دارند [ 78 ]. کیفیت تحلیل های مشتق شده را می توان با ترکیب انواع مختلف داده ها با داده های GPS بهبود بخشید [ 79]. درک بهتر اینکه چه نوع داده هایی را می توان برای نتایج قابل اعتماد شناسایی توقف ترکیب کرد، ضروری است. بر این اساس، یک مرور ادبیات همانطور که در بخش 1 نشان داده شده است با تمرکز ویژه بر الزامات ورودی داده و منبع آن برای روش‌های شناسایی توقف موجود انجام شد . جستجوی ادبیات انجام شده منجر به 19 مقاله شد که از داده های GPS، به تنهایی یا همراه با سایر انواع داده ها، برای تخمین ماتریس های OD استفاده می کردند. جدول 2منابع داده های مختلف مورد استفاده توسط 19 مطالعه شناسایی شده با در نظر گرفتن ماتریس های OD را نشان می دهد. همانطور که از ردیف آخر جدول مشاهده می شود، تعداد ترافیک، کاربری زمین و وزن در حرکت منابع داده ای هستند که اغلب با داده های GPS ترکیب می شوند. ستون آخر جدول تعداد منابع داده استفاده شده توسط 19 مقاله را نشان می دهد. به طور خلاصه، 58 درصد از 19 مقاله تنها از یک منبع داده، یعنی داده های GPS استفاده می کردند. استفاده از دو منبع داده در مقایسه با استفاده از سه و چهار منبع داده بیشتر مورد استفاده قرار می گیرد. مشاهدات حاصل از مطالعات موجود نیاز به ترکیب منابع مختلف داده ها را به دو دلیل اصلی تایید می کند. دلیل اول این است که ترکیب انواع داده های مختلف، تجزیه و تحلیل های ارزشمندتر و دقیق تری را امکان پذیر می کند، مانند درک فعالیت های حمل و نقل و نه فقط داده های OD و انتخاب مسیر. دلیل دوم برای اهداف اعتبارسنجی است. اعتبارسنجی به معنای مقایسه معیارهای مشتق شده با معیارهای مرجع به منظور ارزیابی میزان قابل اعتماد بودن معیارهای محاسبه شده است. به عنوان مثال، C.-F. لیائو (2014) آمار سرعت مبتنی بر GPS را با معیارهای شمارش ترافیک مقایسه کرد [18 ]. اگرچه استفاده از بیش از یک منبع داده می‌تواند دقت اندازه‌گیری‌های مشتق‌شده را بهبود بخشد، پردازش داده و قابلیت همکاری بین منابع داده مختلف را پیچیده‌تر می‌کند. این توضیح می دهد که چرا اکثر مطالعات موجود اغلب دو منبع داده را ترکیب می کنند.
در ادامه نشان می‌دهیم که چگونه از این منابع داده توسط برخی از محققان برای تولید معیارهای مختلف استفاده شده است. ما و همکاران (2011) از داده های GPS برای ایجاد ماتریس های OD برای استفاده توسط مقامات زیرساخت عمومی از طریق یک ابزار مبتنی بر وب استفاده کرد. رویکرد آنها امکان تجزیه و تحلیل چندین معیار عملکرد حمل و نقل، به عنوان مثال، تغییرپذیری زمان سفر و تغییر سرعت سفر، و نقاط داغ ازدحام [ 19 ] را فراهم کرد. کمالی و همکاران (2016) از داده های GPS به تنهایی برای شناسایی انتخاب های مختلف مسیر بین مبدا و مقصد در فلوریدا استفاده کرد [ 15]]. روش آنها نمای کلی از حمل و نقل از طریق بخش های بزرگراه، رمپ های دسترسی و مسیرها را ارائه می دهد. اگرچه داده‌های GPS در ایجاد ماتریس‌های OD کاربردهای متعددی دارند، اما در مقایسه با روش‌های سنتی‌تر جمع‌آوری داده‌ها، مانند شمارش ترافیک، بررسی‌های حمل‌ونقل، آشکارسازهای حلقه، و غیره، هنوز کاستی‌های کمی دارند. (2018) گزارش داد که چگونه می توان از پایگاه داده ملی در تایلند برای تجزیه و تحلیل جفت OD کامیون های باری استفاده کرد [ 13]. این برای ایجاد ماتریس های OD با در نظر گرفتن مبدا و مقصد دقیق و همچنین هر توقف در طول مسیر استفاده می شود. آنها همچنین داده های کاربری زمین را به منظور شناسایی صحیح ماهیت محموله حمل شده توسط کامیون، به عنوان مثال، مزرعه برنج به کارخانه برنج، وارد کردند. این امکان درک فعالیت حمل و نقل و نه فقط انتخاب مسیر و جفت OD را فراهم می کند، در نتیجه امکان تجزیه و تحلیل جریان های خاص بار را به جای سفرهای فردی فراهم می کند. پتانسیل ها برای استفاده توسط مقامات زیرساخت عمومی بسیار زیاد است، با این حال آنها هنوز به طور کامل توسعه نیافته اند.
بسیاری از مطالعات از تعداد ترافیک یا آشکارسازهای حلقه مختلف برای اعتبارسنجی ماتریس های OD ایجاد شده از داده های GPS استفاده کردند. C.-F. لیائو (2014) از داده‌های GPS برای تجزیه و تحلیل راهروهای باری کلیدی در منطقه شهرهای دوقلو در مینه‌سوتا، ایالات متحده استفاده کرد تا تراکم‌ها و تنگناهای ترافیکی را بهتر درک و شناسایی کند [18 ] . برای تأیید نتایج، نویسنده آمار سرعت به‌دست‌آمده و تعداد کامیون‌هایی را که از بخش‌های جاده‌ای خاص عبور می‌کنند با معیارهای شمارش ترافیک مقایسه کرد. داده های GPS می تواند برای تجزیه و تحلیل تاخیر روزانه و قابلیت اطمینان زمان سفر، و برای ایجاد شاخص قابلیت اطمینان زمان سفر، که قابلیت اطمینان سفر در مسیرهای مختلف را نشان می دهد، استفاده شود.
شناسایی توقف یا پارک کامیون ها بر اساس نقاط داده های GPS در چندین مطالعه مختلف در نظر گرفته شده است. شناسایی توقف را می توان با تعیین آستانه ای در حدود حداقل زمان توقف یا با استفاده از روش های خوشه بندی مبتنی بر چگالی [ 71 ] انجام داد.
بر اساس درک فوق به دست آمده از ادبیات، ما الزامات داده برای سیستم پیشنهادی را در جدول 3 نتیجه می گیریم . به طور کلی، داده‌های GPS و داده‌های محموله برای تولید معیارهای کلیدی مورد نیاز هستند، در حالی که داده‌های آشکارساز حلقه و داده‌های مشاهده‌ای برای اعتبارسنجی اقدامات مشتق‌شده مورد نیاز هستند.

4. رویه ها و سیستم برای توسعه اقدامات حمل و نقل کالا

بخش‌های زیر به تفصیل رویه‌های مورد نیاز در پردازش داده‌ها برای برآوردن نیازهای DRD را مورد بحث قرار می‌دهند. بر اساس یافته‌های بخش 3 ، دو نوع داده، یعنی داده‌های GPS و داده‌های محموله، برای تولید تحلیل‌های مورد نیاز شناسایی شده‌اند. سیستم پردازش داده تلفیقی از این دو مجموعه داده را در نظر می گیرد تا دانش بیشتری را در مورد اقدامات مورد نیاز مانند ماتریس های PC فراهم کند. ادغام داده به این معنی است که دو منبع داده با هم ترکیب می شوند تا اطلاعات مفیدتری استخراج شود به نحوی که عملکرد بهتری از آنچه تنها با یک نوع داده ممکن است داشته باشد [ 80 ].
ادغام این دو مجموعه داده امکان پذیر است زیرا هر تریلر دارای یک شناسه یا پلاک ثبت منحصر به فرد است که سیستم می تواند از آن برای جستجوی داده های محموله تریلر و ترکیب آن با نتایج OD آن تریلر استفاده کند. این اجازه می دهد تا جریان های کالا را با جزئیات تعیین کنید، به عنوان مثال، جریان های کالا از نظر ارزش، نوع یا وزن کالاها.
بر اساس مطالعات قبلی [ 11 ، 19 ، 81 ، 82 ، 83 ]، رویه های تولید اقدامات ترافیکی از چهار مرحله اصلی به شرح زیر تشکیل شده است:
(آ)
جمع آوری و تجزیه و تحلیل داده های خام
(ب)
ذخیره سازی داده ها و توسعه پایگاه داده.
(ج)
پردازش داده های خام؛
–
روش فیلتر کردن داده ها؛
–
روش تعیین اندازه نمونه؛
–
روش تجزیه و تحلیل حمل و نقل کالا
(د)
اعتبار سنجی تحلیل های حمل و نقل کالا
هر یک از مراحل بالا در زیر توضیح داده شده است، از جمله محدودیت های داده ها و همچنین رویکرد ما برای مواجهه با این محدودیت ها. تمرکز خاصی به اولین مجموعه داده، یعنی داده های GPS اختصاص داده شده است.

4.1. جمع آوری و تجزیه و تحلیل داده های خام

اطلاعات حمل و نقلی که در حال حاضر در این پروژه موجود است توسط دو شرکت بزرگ لجستیک دانمارکی ارائه شده است. داده های دسترسی به دوره زمانی از 1 ژانویه تا 30 آوریل 2019 را پوشش می دهد. مجموع داده های GPS ارائه شده توسط شرکت ها شامل بیش از 21 میلیون رکورد GPS از تقریباً 3500 کامیون است که بیش از 8٪ از کل کامیون های ثبت شده را نشان می دهد. در دانمارک [ 84 ]. قراردادهایی برای جمع آوری داده ها با این دو شرکت بسته شد. در پاسخ، هر شرکت مجموعه‌ای از داده‌های مورد نیاز را ارائه کرد. یک پایگاه داده برای ذخیره و کار با این داده ها، با پیروی از ساختار پیشنهادی Ma و همکاران، ساخته شد. [ 19] که در آن پایگاه داده ای برای جمع آوری داده های GPS از شرکت های لجستیک خصوصی ایجاد شد و این داده ها در فرمت های مختلف فایل دریافت شد. از آنجایی که حجم داده ها بسیار زیاد بود، یعنی میلیون ها رکورد داده، یک پایگاه داده بزرگ ایجاد شد.
برای اطمینان از قابل اعتماد بودن تحلیل های حمل و نقل کالا، ضروری است که تا حد امکان شرکت های حمل و نقل را شامل شود. علاوه بر این، مهم است که اطمینان حاصل شود که داده های شرکت های شرکت کننده از نظر جغرافیایی تمام مناطق دانمارک را پوشش می دهند. شکل 5 توزیع جغرافیایی نقاط GPS که در حال حاضر در پروژه موجود است را نشان می دهد. همانطور که از شکل 5 می توان اشاره کرد ، حدود 69٪ از داده های GPS در مناطق Midtjylland و Syddanmark متمرکز است، در حالی که سه منطقه دیگر دانمارک دارای مقادیر نسبتاً کمی از داده های GPS هستند. این تجزیه و تحلیل درکی از محل جمع‌آوری داده‌های به‌دست‌آمده در حال حاضر فراهم می‌کند و اجازه می‌دهد تا اطلاعاتی در مورد جایی که داده‌ها به شدت نمایش داده می‌شوند و بالعکس.
یک سوال جالب که باید به آن پاسخ داده شود این است که “آیا ما داده های GPS کافی برای اندازه گیری های آماری قابل اعتماد داریم؟” پاسخ به این سوال مستلزم تعیین نیازهای اندازه نمونه است [ 24 ]. به عنوان مثال، برای تخمین زمان یا سرعت سفر، تجزیه و تحلیل حمل و نقل باید تصمیم بگیرد که چه تعداد کامیون مجهز به GPS مورد نیاز است که به عنوان حداقل حجم نمونه مورد نیاز نیز شناخته می شود [19 ] . اطلاعات مربوط به حجم نمونه برای توسعه تحلیل های آماری مهم حمل و نقل ضروری است. محاسبه اندازه نمونه نمی تواند انجام شود مگر اینکه داده های GPS موجود فیلتر شده باشند و فقط داده های GPS معتبر در نظر گرفته شوند. ما در بخش 4.3.2 به این سوال با جزئیات بیشتر پاسخ می دهیم، پس از نمایش نحوه فیلتر و ذخیره داده های به دست آمده.

4.2. ذخیره سازی داده ها و توسعه پایگاه داده

GPS و فایل‌های داده‌های محموله معمولاً دارای تعداد قابل توجهی رکورد هستند، به‌ویژه اگر کامیون‌ها محموله‌های کمتر از کامیون (LTT) را حمل می‌کنند یا سرعت نمونه‌گیری که داده‌های GPS جمع‌آوری‌شده در آن کوتاه است. برای مدیریت و تجزیه و تحلیل حجم زیادی از داده های متنوع از چندین شرکت لجستیکی، به یک پایگاه داده نیاز است که امکان انعطاف پذیری و مقیاس پذیری را فراهم می کند [ 19]]. بر این اساس، یک راه اندازی پایگاه داده ابری توسعه داده شده است. شکل 7 ساختار کلی پایگاه داده توسعه یافته را نشان می دهد. از دیدگاه فنی، پایگاه داده اصلی با استفاده از PostgreSQL، با PostGIS طراحی شده است. استفاده از PostgreSQL با PostGIS امکان ادغام یکپارچه با سیستم اطلاعات جغرافیایی (GIS) QGIS را فراهم می کند. با توجه به این یکپارچگی، انجام تعدادی عملیات از جمله تجسم نقاط داده بر روی نقشه امکان پذیر است ( شکل 6 را ببینید.). این امکان تأیید دستی هر تحلیل انجام شده را فراهم می کند. علاوه بر این، با مکان یابی مناطق جغرافیایی خاص، با استفاده از QGIS، امکان شناسایی نقاط داده خاص و استفاده از این شناسایی برای استخراج داده های کامل در این نقاط خاص وجود دارد. همچنین ممکن است بر اساس تاریخ و زمان خاصی فیلتر شوند. برای تجزیه و تحلیل داده ها، داده های خام GPS با استفاده از QGIS بر روی نقشه ترسیم شد. همانطور که در شکل 6 نشان داده شده است، برای تجزیه و تحلیل های خاص یک بخش جاده خاص، QGIS امکان بزرگنمایی در بخش جاده مورد مطالعه را فراهم می کند .
از طریق این سیستم پردازش داده، شرکت ها می توانند به صورت دوره ای داده های خود را به یک سرور پروتکل انتقال فایل (FTP) ارسال کنند، همانطور که در شکل 7 نشان داده شده است . یک پروتکل تنظیم شده است که هر هفته اجرا شود تا داده ها را از سرور FTP بازیابی کند و در بازه های زمانی 1 هفته به سرور پایگاه داده آپلود کند. هنگامی که داده ها دریافت می شوند، داده ها به طور خودکار به پایگاه داده اضافه می شوند. پایگاه داده در حال حاضر تقریباً 4.8 گیگابایت داده دارد. این تقریباً 0.048٪ از فضای موجود فعلی در سرور پایگاه داده را تشکیل می دهد. از آنجایی که پایگاه داده برای مقیاس پذیری ساخته شده است، در صورت نیاز ممکن است فضای بیشتری اضافه شود.

4.3. رویه های پردازش داده ها

هنگامی که داده های خام از پایگاه داده به دست آمد، روش های فیلتراسیون و تصحیح برای حل هر گونه مشکل داده اعمال می شود. برای داده های GPS، از دست دادن سیگنال و نویز مسائل معمولی هستند، در حالی که داده های حمل و نقل به دلیل موارد گم شده و فرمت های مختلف مشکلاتی دارند. مراحل پردازش داده ها در ادامه توضیح داده شده است.

4.3.1. فیلتر و تصحیح داده ها

پس از ذخیره داده های خام همانطور که در بخش قبل توضیح داده شد، ضروری است که با هر گونه مشکل داده مقابله کنید. همانطور که قبلا گفته شد، از دست دادن سیگنال و نویز سیگنال دو مشکل اصلی دستگاه های GPS هستند. دلایل مختلفی برای چنین مشکلات سیگنال وجود دارد، به عنوان مثال، از دست دادن سیگنال ممکن است به دلیل شروع سرد که معمولا در ابتدای هر روز رخ می دهد، یا به دلیل شروع گرم که زمانی رخ می دهد که دستگاه GPS وضعیت خود را از “حالت خواب” تغییر می دهد، رخ می دهد. پس از توقف یک یا دو ساعتی راننده به حالت “کار”. دلیل دیگر از دست دادن سیگنال این است که کامیون ها از طریق جاده هایی که توسط ساختمان های بلند احاطه شده اند حرکت می کنند [ 11 , 94]. از دست دادن سیگنال و نویز سیگنال منجر به از دست رفتن بخش‌هایی از سفرها و ایجاد سفرهای نادرست مانند دنباله‌ای از نقاط تولید شده توسط یک دستگاه GPS ثابت می‌شود که به اشتباه به عنوان سفر شناسایی شده‌اند [83 ] .
قبل از پردازش داده های خام GPS برای توسعه تجزیه و تحلیل حمل و نقل کالا، لازم است مشکلات سیگنال را حل کنیم. در انجام این کار، ما از رویه های مشابه گزارش شده در کار Ma و همکاران پیروی می کنیم. [ 19 ] برای شناسایی خودکار سوابق GPS مشکوک برای اصلاح یا حذف بیشتر. داده های خام GPS بر اساس قوانین زیر پس از پردازش می شوند:
  • هنگامی که ارتباط مؤثر بین دستگاه‌های GPS و ماهواره‌های GPS از دست رفته سیگنال‌های GPS ممکن است از بین بروند. چنین انسدادی ممکن است بر شناسایی داده های OD تأثیر منفی بگذارد. در پاسخ به این مشکل از دست دادن سیگنال، سوابق GPS گزارش شده قبل و بعد از از دست دادن سیگنال می تواند برای فرض سوابق GPS از دست رفته استفاده شود. به عنوان مثال، اگر میانگین سرعت سفر برای رکوردهای GPS قبل و بعد از از دست دادن سیگنال کمتر از حد آستانه سرعت باشد، یعنی 8 کیلومتر در ساعت، منطقی است که فرض کنیم یک سفر در منطقه از دست دادن سیگنال به پایان رسیده است. . برعکس، اگر میانگین سرعت سفر برای رکوردهای GPS قبل و بعد از تلف شدن سیگنال بالاتر از این آستانه باشد، فرض می شود که کامیون به طور مداوم با سرعتی برابر با میانگین سرعت سفر در منطقه از دست دادن سیگنال به حرکت خود ادامه می دهد.
  • در برخی موارد، سوابق GPS همان کامیون نشان می دهد که کامیون به طور ناگهانی مسیر را ترک کرده و بازگشته است، به عنوان مثال گاهی اوقات اتفاق می افتد که یک نقطه GPS در فاصله دورتر از مسیر ثبت می شود، اما نقاط GPS قبلی و بعدی روی یکسان هستند. مسیر چنین نقاط GPS در تجزیه و تحلیل در نظر گرفته نمی شود.
4.3.2. تعیین حجم نمونه و تحلیل کفایت داده ها

برای توسعه تجزیه و تحلیل های قابل اعتماد حمل و نقل با استفاده از دستگاه های GPS، بررسی نیازهای اندازه نمونه مهم است [ 24 ]. به عنوان مثال، برای تخمین زمان یا سرعت سفر لینک، تجزیه و تحلیل حمل و نقل باید تصمیم بگیرد که چند کامیون منحصر به فرد مورد نیاز است، همچنین به عنوان حداقل حجم نمونه مورد نیاز شناخته می شود [ 19 ]. همیشه یک نمونه بزرگ برای ایجاد اطلاعات دقیق تر در مورد جمعیت توصیه می شود. این به این دلیل است که حجم نمونه بزرگ نشان می‌دهد که داده‌های به‌دست‌آمده بیشتر معرف وضعیت دنیای واقعی هستند و این باعث افزایش اعتماد به نتایج می‌شود [ 24] .]. با این حال، با افزایش حجم نمونه، هزینه های جمع آوری داده ها افزایش می یابد، زیرا این امر مستلزم گنجاندن شرکت های بیشتری در پروژه است. بنابراین، محاسبه حداقل حجم نمونه نشان دهنده یک مبادله متوازن بین دقت تجزیه و تحلیل و هزینه اکتساب داده است. چو و همکاران (2002) و چن و چین (2000) معادله ای را برای محاسبه حجم نمونه هنگام تخمین سرعت بر اساس داده های GPS به شرح زیر ارائه کردند [ 22 ، 23 ]:

n=zα22σ2اسE2

جایی که:

  • n حجم نمونه است که بر حسب تعداد کامیون های مجهز به کاوشگر GPS بیان می شود.
  • zα2= مقدار z جدول بندی شده مربوط به 100 × است 1-α جonfمندهnجهبه عنوان مثال، سطح اطمینان 95٪ به این معنی است که احتمال 95٪ وجود دارد که تخمین های سرعت جمعیت در محدوده مشخص شده مقادیر سرعت شناسایی شده بر اساس نمونه قرار می گیرند.
  • σ = انحراف استاندارد.
  • SE = خطای نمونه برداری، که خطای نسبی مجاز انتخاب شده توسط کاربر در تخمین سرعت متوسط ​​است.
از معادله (1) برای تصمیم گیری در مورد تعداد کامیون مورد نیاز استفاده خواهد شد. بر اساس رابطه (1)، حجم نمونه مورد نیاز به شدت به میزان دقت، یعنی مقادیر خطای نمونه گیری و سطح اطمینان بستگی دارد که به ترجیح کاربران بستگی دارد. از سوی دیگر، در صورتی که داده‌های GPS کافی برای ارائه حداقل حجم نمونه وجود نداشته باشد، می‌توان از معادله برای محاسبه سطح اطمینان در معیارها بر اساس داده‌های GPS موجود و خطای نمونه‌گیری استفاده کرد. یک مورد کاربردی بعداً برای نشان دادن استفاده از معادله (1) مورد بحث قرار خواهد گرفت.
برای تجزیه و تحلیل داده های GPS برای هر روز، برای یک مکان خاص، با استفاده از الزامات حجم نمونه، از دو شاخص به شرح زیر استفاده می شود:

  • شاخص در دسترس بودن داده ها ( u )، که درصد (%) ساعات روزانه را که حداقل یک کامیون GPS در دسترس است، نشان می دهد. u را می توان به صورت زیر محاسبه کرد:

    تو=ل24×100%

    که در آن l تعداد ساعاتی است که در آن حداقل یک کامیون در دسترس است. l از داده های GPS موجود محاسبه می شود. به عنوان مثال، اگر u برای یک بخش جاده خاص 100٪ باشد، به این معنی است که حداقل یک رکورد داده GPS در هر ساعت برای این بخش در دسترس است.

  • شاخص قابلیت اطمینان داده ها ( d ) درصد (%) ساعات روزانه را نشان می دهد که در آن داده های GPS موجود حداقل مورد نیاز اندازه نمونه را برآورده می کند. d را می توان با این معادله محاسبه کرد:

    د=v24×100%

    که در آن v تعداد ساعاتی است که داده های GPS حداقل مورد نیاز اندازه نمونه را برآورده می کند. به عنوان مثال، اگر d 54.2٪ باشد، به این معنی است که حدود 54.2٪ از 24 ساعت داده های GPS کافی برای ارائه معیارهای سرعت آماری قابل توجهی دارند.

فرآیند محاسبه حداقل حجم نمونه و دو شاخص برای 14 بخش جاده ای که برای DRD اهمیت داشتند انجام شد. شرح تفصیلی ورودی ها و محاسبه معادله (1) را می توان در بخش 5 یافت . شکل 8نتایج شاخص ها را برای بخش های انتخابی جاده نشان می دهد. همانطور که از شکل نشان داده می شود، شاخص در دسترس بودن داده ها در تمام بخش های جاده مورد بررسی دارای مقدار غیر صفر است، به این معنی که حداقل یک ساعت داده های GPS در تمام بخش های جاده در دسترس است. از سوی دیگر، همانطور که توسط شاخص قابلیت اطمینان داده ها نشان داده شده است، داده های موجود برای نیاز اندازه نمونه کافی نیست. تجزیه و تحلیل عمیق نتایج نشان می دهد که داده های GPS موجود در حال حاضر کمتر از حداقل اندازه نمونه مورد نیاز است و میزان تفاوت در ساعات اوج مصرف قابل توجه است. بنابراین، موارد زیر بر چگونگی رفع این کمبود در داده‌ها متمرکز می‌شود تا امکان انجام اقدامات دقیق‌تر فراهم شود.
بر اساس بحث قبلی، یک نظرسنجی برای بررسی تمایل شرکت‌های لجستیک برای به اشتراک گذاشتن داده‌ها در سیستم پیشنهادی انجام شده است. با توجه به پراکندگی جغرافیایی اعضای ITD، فهرستی از 11 شرکت مربوطه توسط سازمان تجارت بین المللی حمل و نقل دانمارک (ITD) ارائه شد. از این 11 شرکت، 10 شرکت تمایل به اشتراک گذاری داده ها در سیستمی مانند سیستم پیشنهادی را نشان دادند.
4.3.3. روش تحلیل حمل و نقل بار
همانطور که قبلا گفته شد، سیستم توسعه یافته برای ارائه سه معیار کلیدی برنامه ریزی شده است: ماتریس های OD منطقه ای، الگوهای رانندگی و اقدامات پارکینگ. در ادامه روش استخراج هر اندازه را به اختصار توضیح می دهیم.
توسعه ماتریس های OD به طور کلی نیاز به اعمال تعدادی مرحله برای هر کامیون منحصر به فرد دارد: شناسایی توقف ها، تعیین اهداف هر توقف، ایجاد سفرهای مبدا و مقصد هر کامیون. مرحله اولیه برای به دست آوردن داده های OD شناسایی تمام توقف های انجام شده توسط کامیون ها است. چندین مطالعه روش‌های مختلفی را برای شناسایی توقف پیشنهاد کردند، به عنوان مثال، روش‌های مبتنی بر مرکز [ 73 ]، روش‌های مبتنی بر سرعت [ 74 ]، روش‌های مبتنی بر مدت زمان [ 75 ]، روش‌های مبتنی بر چگالی [ 71 ]، و خوشه‌بندی فضایی مبتنی بر چگالی. روش برنامه های کاربردی با نویز (DBSCAN) [ 95]. ما روش DBSCAN را برای شناسایی ایستگاه های کامیون در نظر خواهیم گرفت. این به این دلیل است که کاربرد این روش در ادبیات به خوبی شناخته شده است و در چندین پروژه تحقیقاتی با داده های GPS در مقیاس بزرگ استفاده شده است. مراحل زیر برای توسعه ماتریس های OD دنبال خواهد شد:
  • شناسایی ایستگاه های کامیون:
    روش DBSCAN شامل دو مرحله اصلی است: (1) شناسایی خوشه‌هایی از نقاط GPS، و (2) اجرای یک محدودیت زمانی برای اطمینان از عدم شناسایی توقف‌ها بر اساس نقاط GPS با شکاف زمانی بزرگ [95 ] .
  • شناسایی هدف از توقف کامیون ها:
    داده‌های کاربری عمومی در دسترس عموم برای شناسایی اهداف توقف‌ها استفاده خواهد شد: توقف‌های استراحت، توقف‌های بارگیری/تخلیه، و توقف‌های سوخت‌رسانی [ 71 ].
  • تعیین مبدا و مقصد برای تولید سفر:
    توقفگاه های مبدأ و مقصد، توقفگاه هایی خواهند بود که استراحت، سوخت و یا توقف ترافیک نیستند.
  • محاسبه ماتریس OD ناحیه ای:
    ماتریس OD ناحیه ای مقدار سفرهای منحصر به فرد بین هر منطقه را تعیین می کند [ 19 ].
الگوهای رانندگی با مراحل زیر تجزیه و تحلیل خواهند شد:
  • تعیین تنوع انتخاب مسیر بین مناطق:
    تجزیه و تحلیل انتخاب مسیر، میزان سفرها را در مسیرهای جداگانه در میان مناطق توصیف می کند و مسیرهای اصلی سفر بین مناطق را به عنوان مسیری با بیشترین میزان سفر شناسایی می کند [ 15 ].
  • تعیین زمان و سرعت سفر بین مناطق:
    زمان و سرعت سفر با استفاده از اطلاعات سفرها در میان مبدا و مقصد محاسبه خواهد شد، به دنبال رویه‌های معرفی‌شده در [ 67 ].
با توجه به برآورد اقدامات پارکینگ، تحلیل ها بر روی مناطق استراحت متمرکز خواهد بود. اقدامات پارکینگ را می توان با مراحل زیر استخراج کرد:
  • تشخیص توقف در مناطق استراحت:
    همانطور که قبلا گفته شد، روش DBSCAN برای شناسایی تمام توقف های احتمالی کامیون ها استفاده خواهد شد. تجزیه و تحلیل پارکینگ فقط توقف های کامیون ها در مناطق مختلف استراحت در دانمارک را در نظر می گیرد.
  • تعیین زمان ورود و اقامت:
    از آنجایی که هر توقف مجموعه ای از رکوردهای GPS است، برای هر توقف، رکوردهای GPS آن بر اساس مهر زمانی مرتب می شوند. سپس زمان ورود و خروج هر کامیون به عنوان اولین و آخرین مهر زمانی در محل استراحت در نظر گرفته می شود. این می تواند امکان تجزیه و تحلیل در مورد کل زمان اقامت در هر منطقه پارکینگ را فراهم کند [ 96 ]. این می تواند در هر ساعت، روز، هفته یا ماه، بسته به نیازهای شناسایی شده DRD در نظر گرفته شود.
  • محاسبه بهره برداری از جایگاه های پارکینگ:
    با اطلاعات مربوط به زمان ورود و خروج کامیون ها، میانگین بهره برداری از جایگاه پارکینگ را می توان به عنوان نسبت تعداد کامیون های پارک شده به طور همزمان به حداکثر ظرفیت فضای استراحت تخمین زد.

4.4. اعتبار سنجی تحلیل های حمل و نقل بار

تصمیمات سرمایه گذاری مربوط به برنامه ریزی حمل و نقل مستلزم مقدار زیادی پول است و پیامدهای بلندمدتی دارد، به همین دلیل ضروری است که تحلیل های حمل و نقل مورد استفاده برای اطلاع رسانی این تصمیمات سرمایه گذاری تایید شود. از نقطه نظر ریاضی، اعتبارسنجی فرآیندی است برای ارزیابی اینکه آیا اقدامات حمل و نقل بار به دست آمده از سیستم در محدوده تحمل تعیین شده توسط کاربر مورد نظر سیستم است یا خیر. در این مطالعه، اعتبار سنجی با مقایسه مستقیم نتایج سیستم، به عنوان مثال، معیارهای اساسی ترافیک (سرعت و زمان سفر) و جریان های ترافیک بار (ماتریس های OD) به اندازه گیری های مرجع انجام می شود. در ادبیات، این یک روش معمول است که اندازه‌گیری‌های سرعت GPS با اندازه‌گیری‌های سرعت ایستگاه‌های آشکارساز حلقه مقایسه می‌شوند [ 81 ،93 ]. شایان ذکر است که آشکارسازهای حلقه تخمین نقطه‌ای (میانگین سرعت زمان) را محاسبه می‌کنند، در حالی که سرعت GPS برای وسایل نقلیه عبوری از هر بخش (میانگین سرعت فضا) محاسبه می‌شود [ 93 ]. با این حال، ثابت شده است که سرعت‌های میانگین فضا معمولاً کمتر از میانگین سرعت‌های زمانی هستند، که در آن ادبیات نشان می‌دهد که سرعت متوسط ​​زمان جریان آزاد 1٪ تا 5٪ بزرگتر از سرعت میانگین فضا است [97 ، 98 ، 99 ] . همانطور که قبلا گفته شد، ایستگاه های آشکارساز حلقه در دانمارک ابزار مهمی برای اندازه گیری سرعت هستند. اندازه گیری سرعت از ایستگاه های آشکارساز حلقه به عنوان یک مرجع در نظر گرفته می شود و برای ارزیابی دقت اندازه گیری های سرعت از داده های GPS استفاده می شود. اعتبارسنجی سایر اقدامات در مورد بحث قرار گرفتبخش 3 .

5. یک پرونده کاربردی

موارد زیر یک مورد کاربردی از رویه های پردازش و اعتبارسنجی داده ها را نشان می دهد. در این مطالعه موردی، هدف تخمین میانگین سرعت سفر ساعتی در بخش جاده خاص، که شامل یک ایستگاه آشکارساز حلقه است، است. این ایستگاه منبعی برای اندازه گیری سرعت مرجع برای اعتبارسنجی نتایج سیستم فراهم می کند.
شایان ذکر است که کامیون ها ممکن است دستگاه های GPS متفاوتی با نرخ نمونه برداری متفاوت داشته باشند. بنابراین، برای جلوگیری از گم نشدن هر گونه رکورد داده GPS از هر کامیونی که از قسمت جاده عبور می کند، داده های GPS برای یک طول مشخص در سمت چپ و راست مرکز آن بخش جاده به دست می آید. بر اساس تجزیه و تحلیل اولیه، مشخص شد که مسافت 3 کیلومتر کافی است.
شکل 9 بخش جاده مورد مطالعه و همچنین ایستگاه آشکارساز حلقه را نشان می دهد. داده های کشش جاده با فاصله گرفتن 20 متر از مرکز جاده تعیین شد.
به عنوان اولین گام، داده های GPS برای این بخش جاده از پایگاه داده به دست می آید و برای حذف هرگونه داده نامعتبر با پیروی از قوانین توضیح داده شده در بخش 4.3.1 فیلتر می شود .
مرحله دوم تعیین حداقل حجم نمونه کامیون های مجهز به GPS است. برای این منظور باید مقادیر سطح اطمینان، خطای نمونه گیری و انحراف معیار برای حل معادله (1) ارائه شود. در این مطالعه، ما خطای نمونه برداری 3 کیلومتر در ساعت و فاصله اطمینان 95 درصد را در نظر می گیریم که در آن مقدار جدول بندی شده zα21.96 است. اگر به خاطر این مثال فرض کنیم که واریانس در 24 ساعت روز تغییر نمی کند، انحراف معیار ( σ) را می توان تقریباً با ( آر/4، جایی که Rتفاوت بین حداکثر و حداقل مقادیر سرعت در ساعت اندازه گیری است. از داده های GPS این بخش جاده، حداکثر و حداقل سرعت به ترتیب 56 و 91 کیلومتر بر ساعت است. با حل معادله (1) مشخص می شود که در هر ساعت به نمونه ای از 33 کامیون منحصر به فرد برای تخمین میانگین سرعت سفر ساعتی با سطح اطمینان 95 درصد و خطای نمونه گیری 3 کیلومتر در ساعت نیاز است. لازم به ذکر است که در صورتی که سیستم کامیون های کافی برای برآوردن این نیاز اندازه نمونه نداشته باشد، سیستم به هزینه دقت حجم نمونه را کاهش می دهد. به عنوان مثال، یک نمونه 24 کامیون برای به دست آوردن اندازه گیری سرعت با سطح اطمینان 90٪ و خطای نمونه گیری 3 کیلومتر در ساعت کافی است.شکل 10 میزان داده های موجود در سیستم را برای این بخش جاده در 14 فوریه 2019 نشان می دهد. از شکل 10 مشخص است که سیستم حداقل اندازه نمونه داده های GPS را برای تمام ساعت ها برآورده نمی کند.
مرحله سوم محاسبه مقادیر ساعتی میانگین سرعت فضا از روی رکوردهای GPS موجود است. نتایج اندازه گیری سرعت از داده های GPS در شکل 11 نشان داده شده است . علاوه بر این، شکل 11 اندازه‌گیری سرعت به‌دست‌آمده از ایستگاه آشکارساز حلقه و داده‌های GPS را برای هر ساعت از 14 فوریه 2019 مقایسه می‌کند. با بررسی بصری هر دو منحنی، می‌توان اشاره کرد که هر دو منحنی تناسب نسبتاً خوبی و سرعت متوسط ​​پایین‌تری را نشان می‌دهند. زمان اوج.

6. نتیجه گیری و تحقیقات آتی

ادبیات موجود بیشتر بر روی الگوریتم‌های محاسباتی و تکنیک‌های مدل‌سازی برای استخراج معیارهای ترافیکی مختلف از ترافیک بار متمرکز شده است. هیچ مطالعه قبلی کاربرد یک روش طراحی کاربر محور را در فرآیند توسعه سیستم پردازش داده در نظر نگرفته است. یکی از عناصر اساسی رویکرد طراحی کاربر محور، جمع آوری نیازهای کاربر است. یک بررسی ادبیات ساختاری به منظور ترسیم معیارهای ترافیکی مختلف از داده‌های حمل و نقل و تصمیم‌گیری در مورد انواع داده‌های خام مورد نیاز برای تولید این اقدامات انجام شد. یک رویکرد جمع‌آوری نیازمندی‌ها برای شناسایی مؤثر اقدامات ترافیکی که می‌تواند به بهترین وجه با نیازهای برنامه‌ریزی مقامات دولتی مطابقت داشته باشد، استفاده می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که ماتریس‌های OD، الگوهای رانندگی، و تجزیه و تحلیل الگوی پارکینگ برای مقامات عمومی اهمیت زیادی دارد. دو نوع داده، به عنوان مثال، داده های GPS و داده های حمل و نقل، برای دستیابی به اقدامات مورد نظر شناسایی شده اند، در حالی که داده های آشکارسازهای حلقه و مشاهدات در مناطق استراحت برای اعتبارسنجی اقدامات مشتق شده پیشنهاد می شوند. سیستم پردازش داده پیشنهادی پیشنهاد می‌کند که داده‌های GPS و داده‌های محموله را با هم ترکیب کند تا نتایج را به گونه‌ای ارائه کند که از آنچه تنها با یک نوع داده ممکن است بهتر عمل کند. این اجازه می دهد تا جریان های کالا را با جزئیات تعیین کنید، به عنوان مثال، جریان های کالا از نظر ارزش، نوع یا وزن کالاها. داده های GPS توسط دو شرکت بزرگ لجستیک دانمارکی ارائه می شود. مجموع داده های GPS ارائه شده توسط دو شرکت شامل بیش از 21 میلیون رکورد GPS از حدود 3500 کامیون است. بیش از 8 درصد از کل کامیون های ثبت شده در دانمارک را نشان می دهد. به طور کلی، رویه های مورد نیاز در پردازش داده ها از چهار مرحله اصلی به شرح زیر تشکیل شده است: (1) جمع آوری داده ها، (2) ذخیره سازی داده ها و توسعه پایگاه داده، (3) پردازش داده ها، (4) اعتبار سنجی تحلیل های حمل و نقل کالا. کفایت داده ها بر اساس سه شاخص حجم نمونه، شاخص در دسترس بودن داده ها و شاخص پایایی داده ها مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که شاخص در دسترس بودن داده ها در مقاطع راه مورد مطالعه دارای مقدار غیر صفر است، به این معنی که داده ها در مقاطع جاده در دسترس هستند. از سوی دیگر، همانطور که نتایج شاخص پایایی داده ها نشان می دهد، داده های موجود برای نیاز به حجم نمونه کافی نیست. علاوه بر این، نتایج نشان داد که داده‌های GPS موجود در حال حاضر کمتر از حداقل حجم نمونه بوده و میزان تفاوت در ساعات اوج مصرف معنی‌دار است. در پاسخ، نظرسنجی برای دعوت از شرکت‌های تدارکات اضافی برای به اشتراک گذاشتن داده‌های خود در سیستم پیشنهادی انجام شده است. با توجه به پراکندگی جغرافیایی اعضای ITD، فهرستی از 11 شرکت مربوطه توسط سازمان تجارت بین المللی حمل و نقل دانمارک (ITD) ارائه شد. از این 11 شرکت، 10 شرکت تمایل به اشتراک گذاری داده ها در یک سیستم را نشان دادند. یک مورد کاربردی واقعی برای نشان دادن روش‌های پردازش در رابطه با اقدامات سرعت استفاده شد. نتایج نشان داد که تناسب خوبی بین اندازه‌گیری‌های سرعت از داده‌های GPS و اندازه‌گیری‌های سرعت به‌دست‌آمده از ایستگاه آشکارساز حلقه وجود دارد.
محدودیت اصلی این است که طراحی سیستم فقط به ارائه سه معیار کلیدی محدود می شود و نمی تواند اقدامات دیگری را ارائه دهد. گسترش سیستم نیز به دلیل تعداد کمی از شرکت های شرکت کننده در پروژه محدود شده است. اگرچه برنامه ما این است که شرکت‌های جدید را در پروژه بگنجانیم تا دسترسی و پوشش داده‌ها را بهبود ببخشیم، بسیاری از شرکت‌ها ممکن است کیفیت داده‌ای پایین ارائه دهند. محدودیت دیگر این است که هنگام گسترش سیستم، مجموعه داده های GPS بسیار بزرگ خواهد بود و زمان پردازش به طور قابل توجهی افزایش می یابد. مسئله زمان محاسباتی زیاد را می توان با استفاده از یک CPU پیشرفته حل کرد که نیاز به هزینه سرمایه گذاری نسبتاً بالایی دارد.
فاز بعدی این پروژه بر گسترش سیستم در ارتباط با دستیابی به داده های GPS بیشتر و توسعه الگوریتم هایی برای استخراج معیارهای کلیدی ترافیک تمرکز خواهد کرد. با به دست آوردن داده های اضافی، اقدامات آماری قابل اعتماد حرکت کامیون ممکن است امکان پذیر باشد.
در نهایت تعدادی از حوزه های تحقیقاتی آتی به شرح زیر شناسایی شدند:
  • تقاضای حمل و نقل آینده: استفاده از داده ها برای تجزیه و تحلیل تغییراتی که می تواند بر تقاضای حمل و نقل بار در آینده تأثیر بگذارد و احتمالات را برای شکل دادن به نسل بعدی سیاست های حمل و نقل نشان دهد. این شامل تجزیه و تحلیل تغییرات در الگوهای خرید سنتی به سمت خریدهای بیشتر مبتنی بر وب، تغییر در الگوهای سفر، محدودیت‌های سیاستی در مورد انتشار گازهای گلخانه‌ای در شهرها یا تغییر به سمت وسایل نقلیه الکتریکی است که نیازمند ملاحظات زیرساخت شارژ و توزیع شبکه برق است.
  • کاهش ازدحام: یک سوال جالب که می‌توان در تحقیقات آینده به آن پرداخت این است که «آیا هزینه‌های عوارض متمایز شده با زمان می‌تواند زمان تحویل را تغییر دهد و در نتیجه بر نرخ تراکم، با دور کردن زمان رانندگی کامیون‌ها از دوره‌های شلوغی تأثیر بگذارد؟». علاوه بر این، عوامل مؤثر بر این امر باید بیشتر مورد بررسی قرار گیرند، به عنوان مثال، قیمت حمل و نقل و پذیرش مصرف کننده از زمان تحویل متغیر. تجزیه و تحلیل انتخاب مسیر ممکن است نشان دهد که کدام بخش جاده در صورت ترافیک کامیون های سنگین یا عدم وجود مسیرهای جایگزین آسیب پذیر است. استفاده از این دانش احتمالاً می‌تواند فرصت‌هایی را برای گسترش جاده‌ها یا ساخت جاده‌های جدید نشان دهد.
  • حمایت از سیاست: «آیا داده‌های حمل و نقل می‌توانند از مقامات دولتی در زمینه‌های دیگری غیر از برنامه‌ریزی حمل‌ونقل یا پشتیبانی از متخصصان حمل‌ونقل در بخش‌های خصوصی حمایت کنند؟» سوال جالبی است که می توان با تحقیقات آتی به آن پرداخت. داده‌های جمع‌آوری‌شده عمدتاً بر توسعه حمل‌ونقل کالا و سیاست‌های مرتبط تمرکز دارد، ممکن است در حمایت از سیاست‌های توسعه مفید باشد، به‌عنوان مثال، مناطق شهری، مناطقی که جابه‌جایی در آنها رخ می‌دهد، و غیره. انتشار گازهای گلخانه ای، سر و صدا و جاده های دسترسی ممکن است بهبود و بهبود یابد.
  • داده های نسل بعدی: یک سوال مرتبط این است که “پیشرفت های فناوری بعدی که ابعاد بیشتری را به داده های موجود ارائه می دهد و امکان تغییر گام در درک تحولات سیاست را فراهم می کند، چیست؟”. استفاده از داده های خصوصی در سازمان های دولتی تأثیر مستقیمی بر جمع آوری داده های بیشتر توسط شرکت های خصوصی دارد. این نمونه‌گیری طبیعی، سازمان‌های عمومی را قادر می‌سازد تا داده‌های ارزان قیمت را بدون نیاز به نصب تجهیزات گران قیمت به دست آورند. با کاستی هایی همراه است، به عنوان مثال، داده ها برای هدف خاصی جمع آوری نشده اند. تحقیقات آینده باید بر چگونگی توسعه روش‌های جدید یا تنظیم روش‌های موجود تمرکز کند.
  • روش‌های جمع‌آوری داده‌ها: ابزار جمع‌آوری دانش در مورد انواع توقف و علل توقف، برای بهبود مدل‌های حمل‌ونقل در آینده را در نظر بگیرید. تحقیق در مورد اینکه کدام روش‌های جمع‌آوری داده‌ها بهترین هستند، جنبه مهمی از چندین مطالعه است. از آنجایی که داده‌های ضروری مورد نیاز برای ایجاد ماتریس‌های OD هنوز مورد بحث است، بررسی اینکه چه داده‌هایی مورد نیاز است و کدام روش‌ها می‌توانند به بهترین وجه از این داده‌ها پشتیبانی کنند، اهمیت دارد، به ویژه با توجه به هزینه و زمان برای جمع‌آوری داده‌های لازم.
  • تجزیه و تحلیل فراداده: با در نظر گرفتن ماتریس OD و تجزیه و تحلیل الگوهای محرک، درک گسترش مورد نیاز داده ها اهمیت دارد. برای تعیین یک مجموعه انتخاب مسیر بی‌طرفانه برای جفت‌های OD، لازم است تا گسترش زمانی داده‌ها را بیشتر تجزیه و تحلیل کنیم، یا تجزیه و تحلیل داده‌ها را تنظیم کنیم تا به این نتیجه برسیم که چند سفر کافی است [63 ] .
  • کالیبراسیون مدل: کالیبراسیون مدل‌ها با ماتریس‌های OD، با استفاده از داده‌های حقیقت زمین یا داده‌های شبیه‌سازی شده، به انواع ورودی داده‌های بیشتری نیاز دارد. اینکه از کدام نوع داده ها برای کالیبراسیون استفاده شود و چگونه از این داده ها استفاده شود، موضوعی است که نیاز به بررسی بیشتر دارد.

منابع

  1. لاوی، دی. بنیاد، جی. Solomon, C. اثر سرمایه گذاری در زیرساخت های حمل و نقل بر نسبت بدهی به تولید ناخالص داخلی. ترانسپ Rev. 2011 , 1647 . [ Google Scholar ] [ CrossRef ]
  2. آمار دانمارک تعداد شرکت ها در بخش حمل و نقل در دانمارک بر اساس حالت. در دسترس آنلاین: https://www.statista.com/statistics/448383/number-of-enterprises-in-the-transport-sector-in-denmark-by-mode/ (دسترسی در 10 اکتبر 2019).
  3. آمار دانمارک تعداد کارمندان در بخش حمل و نقل در دانمارک بر اساس حالت. در دسترس آنلاین: https://www.statista.com/statistics/448130/number-of-employees-in-the-transport-sector-in-denmark-by-mode/ (دسترسی در 10 اکتبر 2019).
  4. Danmarks Statistik دانمارک حجم گردش مالی در بخش حمل و نقل بر اساس حالت. در دسترس آنلاین: https://www.statista.com/statistics/448688/denmark-turnover-volume-in-the-transport-sector-by-mode/ (دسترسی در 10 اکتبر 2019).
  5. Danmarks Statistik حمل و نقل بار از طریق درآمد جاده ای در دانمارک. در دسترس آنلاین: https://www.statista.com/forecasts/390721/freight-transport-by-road-revenue-in-denmark (در 10 اکتبر 2019 قابل دسترسی است).
  6. کویبورگ، او. Fosgerau, M. تجزیه جداسازی رشد ترافیک حمل و نقل جاده ای دانمارکی و رشد اقتصادی. ترانسپ سیاست 2007 ، 14 ، 39-48. [ Google Scholar ] [ CrossRef ]
  7. هوانگ، مدلسازی تقاضای حمل و نقل TS و برنامه ریزی لجستیک برای ارزیابی اثرات زیست محیطی سیستم های حمل و نقل. Ph.D. پایان نامه، دانشگاه ایلینوی در Urbana-Champaign، Urbana، IL، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  8. Vejdirektoratet Statsvejnettet. 2019. در دسترس آنلاین: https://www.vejdirektoratet.dk/api/drupal/sites/default/files/2019-07/WEB_Statsvejnettet%202019.pdf (دسترسی در 10 ژوئیه 2019).
  9. جمع آوری و مدل سازی داده های حمل و نقل پان، QS: روش ها و عمل. ترانسپ طرح. تکنولوژی 2006 ، 29 ، 43-74. [ Google Scholar ] [ CrossRef ]
  10. مک کورمک، ای. دستگاه‌های Hallenbeck، ME ITS برای جمع‌آوری داده‌های کامیون برای معیارهای عملکرد استفاده می‌شوند. Natl. اطلاعات حمل و نقل ایالتی مدیریت دارایی. 2006 ، 1957 ، 43-50. [ Google Scholar ] [ CrossRef ]
  11. گریوز، SP; Figliozzi، MA جمع آوری داده های تور خودروهای تجاری با فناوری سیستم موقعیت یابی غیرفعال جهانی: مسائل و کاربردهای بالقوه. ترانسپ Res. ضبط J. Transp. Res. هیئت 2008 ، 2049 ، 158-166. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. عذاب، ع. کرم، ع. Eltawil، A. یک رویکرد بهینه‌سازی مبتنی بر شبیه‌سازی برای زمان‌بندی قرار ملاقات کامیون‌های خارجی در پایانه‌های کانتینری. بین المللی جی مدل. شبیه سازی 2020 ، 40 ، 321-338. [ Google Scholar ] [ CrossRef ]
  13. چانکائو، ن. سومالی، ع. سیریپیروت، تی. تریپاک، تی. هو، HW; لام، تجزیه و تحلیل ترافیک حمل و نقل WHK از داده های GPS کامیون ملی در تایلند. ترانسپ Res. Procedia 2018 ، 34 ، 123-130. [ Google Scholar ] [ CrossRef ]
  14. والر، MA; Fawcett، SE برای یک دانشمند داده اینجا را کلیک کنید: داده های بزرگ، تجزیه و تحلیل پیش بینی، و توسعه نظریه در عصر زنجیره تامین جنبش سازندگان. اتوبوس جی. تدارکات. 2013 ، 34 ، 249-252. [ Google Scholar ] [ CrossRef ]
  15. کمالی، م. ارماگون، ا. ویسواناتان، ک. پینجاری، انتخاب مسیر کامیون AR از جریان‌های داده بزرگ GPS. ترانسپ Res. ضبط J. Transp. Res. هیئت 2016 ، 2563 ، 62-70. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. زنجانی، ع. پینجاری، ع. کمالی، م. تاکور، ا. کوتاه، جی. میسور، وی. طباطبایی، برآورد SF جریانهای کامیون مبدأ-مقصد سراسر ایالت از جریانهای بزرگ داده GPS برای مدل ایالتی فلوریدا. ترانسپ Res. ضبط 2015 ، 87-96. [ Google Scholar ] [ CrossRef ]
  17. هیون، ک. مدل تصمیم گیری مکان سنسور ریچی، SG برای اندازه گیری جریان کامیون. ترانسپ Res. ضبط J. Transp. Res. هیئت 2017 ، 2644 ، 1-10. [ Google Scholar ] [ CrossRef ]
  18. لیائو، سی.-ف. ایجاد معیارهای قابل اعتماد عملکرد حمل و نقل با داده های GPS کامیون. ترانسپ Res. ضبط 2014 ، 2410 ، 21-30. [ Google Scholar ] [ CrossRef ]
  19. ما، ایکس. Mccormack، ED; Wang, Y. پردازش داده‌های سیستم موقعیت‌یابی جهانی تجاری برای توسعه یک برنامه اندازه‌گیری عملکرد کامیون مبتنی بر وب. ترانسپ Res. ضبط J. Transp. Res. هیئت 2011 ، 2246 ، 92-100. [ Google Scholar ] [ CrossRef ]
  20. پارکر، سی. رویکردی به تحلیل نیازمندی ها برای سیستم های پشتیبانی تصمیم. بین المللی جی. هوم. محاسبه کنید. گل میخ. 2001 ، 55 ، 423-433. [ Google Scholar ] [ CrossRef ]
  21. Illemann, TM; کرم، ع. Reinau، KH به سمت اشتراک گذاری داده های شرکت های حمل و نقل خصوصی با سیاست گذاران عمومی: چارچوب پیشنهادی برای شناسایی استفاده از داده های مشترک. در مجموعه مقالات هفتمین کنفرانس بین المللی IEEE 2020 در زمینه مهندسی صنایع و کاربردها (ICIEA)، بانکوک، تایلند، 16 تا 21 آوریل 2020. [ Google Scholar ]
  22. چن، ام. Chien، SIJ تعیین تعداد وسایل نقلیه کاوشگر برای تخمین زمان سفر آزادراه با شبیه سازی میکروسکوپی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2000 ، 1719 ، 61-68. [ Google Scholar ] [ CrossRef ]
  23. چو، آر. زی، سی. لی، دی. جمعیت وسیله نقلیه کاوشگر و اندازه نمونه برای تخمین سرعت شریانی. محاسبه کنید. مدنی زیرساخت. مهندس 2002 ، 17 ، 53-60. [ Google Scholar ] [ CrossRef ]
  24. لی، اس. زو، ک. ون گلدر، BHW; ناگل، جی. تاتل، سی. بررسی مجدد الزامات اندازه نمونه برای جمع‌آوری داده‌های ترافیک میدانی با دستگاه‌های سیستم موقعیت‌یابی جهانی. ترانسپ Res. ضبط 2002 ، 1804 ، 17-22. [ Google Scholar ] [ CrossRef ]
  25. Hsiao، CT; چو، FCC؛ Hsieh, CC; چانگ، ال سی. Hsu، CM توسعه یک سیستم یادگیری و ارزیابی مبتنی بر شایستگی برای آموزش اقامت: مطالعه تحلیلی نیازهای کاربر و پذیرش. جی. مد. Internet Res. 2020 ، 22 ، e15655. [ Google Scholar ] [ CrossRef ]
  26. نیکلسون، اف. Laursen، RK; کسیدی، آر. فارو، ال. تندلر، ال. ویلیامز، جی. سوردیک، ن. Velthof، G. چگونه ابزارهای پشتیبانی تصمیم می توانند به کاهش آلودگی نیترات و آفت کش ها در کشاورزی کمک کنند؟ بررسی ادبیات و بینش عملی از پروژه اتحادیه اروپا FAIRWAY. Water 2020 , 12 , 768. [ Google Scholar ] [ CrossRef ]
  27. سعیده، ح. دونگ، جی. وانگ، ی. Abid, MA چارچوب پیشنهادی برای بهبود فرآیند استخراج نیازمندی‌های نرم‌افزار در SCRUM: پیاده‌سازی توسط یک پروژه فناوری اطلاعات مبتنی بر نروژ در زندگی واقعی. جی. سافتو. تکامل. فرآیند 2020 ، 32 ، 1-24. [ Google Scholar ] [ CrossRef ]
  28. آواستی، ع. Chauhan، SS یک رویکرد ترکیبی با ادغام نمودار میل ترکیبی، AHP و TOPSIS فازی برای برنامه ریزی لجستیک شهری پایدار. Appl. ریاضی. مدل. 2012 ، 36 ، 573-584. [ Google Scholar ] [ CrossRef ]
  29. چو، اس. Koo, Y. پیشنهاد سناریوی رابط کاربری یک خودروی هوشمند بر اساس روش تحقیق متنی. قوس. دس Res. 2020 ، 33 ، 113-133. [ Google Scholar ] [ CrossRef ]
  30. اسلام، MN; کریم، م. اینان، TT; اسلام، AKMN بررسی قابلیت استفاده از برنامه های کاربردی سلامت تلفن همراه در بنگلادش. BMC Med. آگاه کردن. تصمیم می گیرد. ماک 2020 ، 20 ، 19. [ Google Scholar ] [ CrossRef ]
  31. بابر، س. بهارا، ر. White, E. قابلیت استفاده محصول نقشه برداری. بین المللی جی. اوپر. تولید مدیریت 2002 ، 22 ، 19. [ Google Scholar ] [ CrossRef ]
  32. پافومی، ای. دی جنارو، ام. مارتینی، جی. مطالعه در سراسر اروپا در مورد کلان داده ها برای حمایت از سیاست حمل و نقل جاده ای. مورد مطالعه. ترانسپ سیاست 2018 ، 6 ، 785–802. [ Google Scholar ] [ CrossRef ]
  33. پرز، BO تعیین و توجیه عملکرد مناطق پارکینگ رویکرد معیار مبتنی بر داده در واشنگتن، دی سی Transp. Res. ضبط 2015 ، 2537 ، 148-157. [ Google Scholar ] [ CrossRef ]
  34. ملو، اس. مکدو، جی. Baptista، P. اشتراک ظرفیت در راه حل های لجستیک: مسیری جدید به سمت پایداری. ترانسپ سیاست 2019 ، 73 ، 143-151. [ Google Scholar ] [ CrossRef ]
  35. Alho، AR; شما، ال. لو، اف. چیه، ال. ژائو، اف. Ben-Akiva، M. نسل بعدی بررسی وسایل نقلیه باری: تکمیل ردیابی GPS کامیون با بررسی فعالیت راننده. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی 2018 در مورد سیستم های حمل و نقل هوشمند (ITSC)، مائوئی، HI، ایالات متحده آمریکا، 4 تا 7 نوامبر 2018. [ Google Scholar ]
  36. Vegelien، AGJ; Dugundji، ER یک مدل زمان ترجیحی روز برای زمان عزیمت کامیون‌های تحویل در هلند. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی 2018 در مورد سیستم های حمل و نقل هوشمند (ITSC)، مائوئی، HI، ایالات متحده آمریکا، 4 تا 7 نوامبر 2018. [ Google Scholar ]
  37. گومز، جی. Vassallo، JMM تکامل در طول زمان حجم وسایل نقلیه سنگین در جاده‌های عوارضی: داده‌های پانل پویا برای شناسایی متغیرهای توضیحی کلیدی در اسپانیا. ترانسپ Res. بخش A خط مشی Pr. 2015 ، 74 ، 282-297. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. بوشنر، BS; کرانس، KM; داک، SP; کلیفتون، کی جی. گیبسون، PA; هاردی، DK; هوپر، KG; کیم، ال.-جی. مک کورت، آر اس؛ سامدال، DR; و همکاران پیشرفت در تخمین تولید سفرهای شهری ITE J. 2016 ، 86 ، 17-19. [ Google Scholar ]
  39. ملاندر، ال. دوبوا، ا. هدوال، ک. Lind, F. حمل و نقل کالاهای آینده در سوئد 2050: با استفاده از تحلیل سناریویی مبتنی بر دلفی. تکنولوژی پیش بینی. Soc. چانگ. 2019 ، 138 ، 178-189. [ Google Scholar ] [ CrossRef ]
  40. دوتا، ن. بواتنگ، RA؛ Fontaine, MD ایمنی و اثرات عملیاتی سیستم مدیریت ترافیک فعال بین ایالتی 66. J. Transp. مهندس بخش A سیستم. 2019 , 145 . [ Google Scholar ] [ CrossRef ]
  41. گرانت مولر، اس. هاجسون، اف. مالسون، ن. Snowball, R. Enhancing Energy, Health and Security Policy by استخراج، غنی سازی و واسط داده های نسل بعدی در حوزه حمل و نقل (مطالعه ای در مورد استفاده از داده های بزرگ در توسعه سیاست های بین بخشی). در مجموعه مقالات ششمین کنگره بین المللی IEEE 2017 در مورد داده های بزرگ، هونولولو، HI، ایالات متحده آمریکا، 25 تا 30 ژوئن 2017. [ Google Scholar ]
  42. هادوی، س. ورلینده، اس. وربکه، دبلیو. ماچاریس، سی. Guns, T. نظارت بر حمل و نقل شهری-باری بر اساس مسیرهای GPS وسایل نقلیه سنگین کالا. IEEE Trans. هوشمند ترانسپ سیستم 2019 ، 20 ، 3747–3758. [ Google Scholar ] [ CrossRef ]
  43. لیندهولم، MEE; Blinge، M. ارزیابی دانش و آگاهی از حمل و نقل بار شهری پایدار در میان برنامه ریزان سیاست مقامات محلی سوئد. ترانسپ سیاست 2014 ، 32 ، 124-131. [ Google Scholar ] [ CrossRef ]
  44. مینیس، پی. بیرنباوم، ال. مورتنسن، S. پاسخ حادثه راه آهن ترانزیت قبل و بعد از استقرار ICM: استراتژی ها و محدودیت ها. در مجموعه مقالات بیست و یکمین کنگره جهانی سیستم های حمل و نقل هوشمند: اختراع مجدد حمل و نقل در جهان متصل ما (ITSWC 2014)، دیترویت، MI، ایالات متحده، 7-11 سپتامبر 2014. انجمن حمل و نقل هوشمند آمریکا: واشنگتن، دی سی، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  45. بولدیو رای، اچ. ون لیر، تی. میرس، دی. Macharis، C. بهبود پایداری حمل و نقل بار شهری: چارچوب ارزیابی سیاست و مطالعه موردی. Res. ترانسپ اقتصاد 2017 ، 64 ، 26-35. [ Google Scholar ] [ CrossRef ]
  46. سانچز-دیاز، I. مدلسازی تولید بار شهری: مطالعه نیازهای باری مؤسسات تجاری. ترانسپ Res. بخش A خط مشی Pr. 2017 ، 102 ، 3-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. اسماعیل، ع. اینتان سوهانا، MR; مصری، کالیفرنیا؛ Rapar، NH اکتشاف در شرایط سطح روسازی منتسب به حمل و نقل مواد معدنی و عملیات لجستیک در شبکه جاده Kuantan. در سری کنفرانس های IOP: علم و مهندسی مواد ; IOP Publishing Ltd.: بریستول، بریتانیا، 2020؛ جلد 712. [ Google Scholar ]
  48. هرناندز، اس. هیون، کی. ترکیب داده های وزن در حرکت و سیستم موقعیت یابی جهانی برای تخمین توزیع وزن کامیون در سایت های شمارش ترافیک. جی. اینتل. ترانسپ سیستم تکنولوژی طرح. اپراتور 2020 ، 24 ، 201-215. [ Google Scholar ] [ CrossRef ]
  49. مقیمی، ب. کامگا، سی. زمانی پور، م. کنترل اولویت سیگنال ترانزیت نگاه به آینده با منطق خودسازماندهی. J. Transp. مهندس بخش A سیستم. 2020 , 146 . [ Google Scholar ] [ CrossRef ]
  50. Topilin, IV; Volodina، MV شبیه سازی ترافیک شبکه جاده های تنظیم شده با استفاده از سیستم های ناوبری. ماتر علمی انجمن 2018 ، 931 ، 661–666. [ Google Scholar ] [ CrossRef ]
  51. آدو-گیامفی، یو. شارما، ا. نیکربوکر، اس. هاوکینز، ن. جکسون، ام. چارچوب برای ارزیابی قابلیت اطمینان داده های کاوشگر پهناور. ترانسپ Res. ضبط J. Transp. Res. هیئت 2017 ، 2643 ، 93-104. [ Google Scholar ] [ CrossRef ]
  52. شارما، اس. اسنلدر، ام. Lint، HV استخراج انتخاب مسیر در سفر رانندگان کامیون با استفاده از داده‌های بلوتوث، داده‌های آشکارساز حلقه و داده‌های علامت پیام متغیر. در مجموعه مقالات ششمین کنفرانس بین‌المللی مدل‌ها و فناوری‌ها برای سیستم حمل‌ونقل هوشمند (MT-ITS 2019)، کراکوف، لهستان، 5 تا 7 ژوئن 2019. [ Google Scholar ]
  53. کاترکازاس، سی. آنتونیو، سی. وازکز، NS; تروکیدیس، آی. Arampatzis، S. داده های بزرگ و چالش های حمل و نقل در حال ظهور: یافته های پروژه noesis. در مجموعه مقالات ششمین کنفرانس بین المللی مدل ها و فناوری ها برای سیستم های حمل و نقل هوشمند (MT-ITS 2019)، کراکوف، لهستان، 5 تا 7 ژوئن 2019. [ Google Scholar ]
  54. دی جنارو، ام. پافومی، ای. مارتینی، جی. داده های بزرگ برای حمایت از سیاست های حمل و نقل جاده ای کم کربن در اروپا: برنامه ها، چالش ها و فرصت ها. بیگ دیتا Res. 2016 ، 6 ، 11-25. [ Google Scholar ] [ CrossRef ]
  55. فریدل، ای. بکستروم، اس. استریپل، اچ. در نظر گرفتن زیرساخت هنگام محاسبه انتشار گازهای گلخانه ای برای حمل و نقل کالا. ترانسپ Res. قسمت D Transp. محیط زیست 2019 ، 69 ، 346-363. [ Google Scholar ] [ CrossRef ]
  56. گوچمن، ای. ارول، آر. مشکل حمل و نقل میان وجهی پایدار: مطالعه موردی یک شرکت لجستیک بین المللی، ترکیه. Sustainability 2018 , 10 , 4268. [ Google Scholar ] [ CrossRef ][ Green Version ]
  57. هاک، ک. میشا، س. پالتی، ر. گلیاس، م.م. سارکر، AA; Pujats، K. تحلیل استفاده از پارکینگ کامیون با استفاده از داده های GPS. J. Transp. مهندس بخش A سیستم. 2017 ، 143 ، 1-12. [ Google Scholar ] [ CrossRef ]
  58. پاز، ا. ویرامیستی، ن. Fuente-Mella، HDLDL پیش‌بینی معیارهای عملکرد برای ایمنی ترافیک با استفاده از مدل‌های قطعی و تصادفی. در مجموعه مقالات هجدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC 2015)، لاس پالماس، اسپانیا، 15 تا 18 سپتامبر 2015. [ Google Scholar ]
  59. چنس اسکات، ام. سن روی، اس. Prasad، S. الگوهای فضایی تصادفات ترافیکی خارج از سیستم در شهرستان میامی-دید، فلوریدا، طی سال‌های 2005-2010. Traffic Inj. قبلی 2016 ، 17 ، 729-735. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  60. خو، X. Duan, L. پیش‌بینی نرخ تصادف با استفاده از رگرسیون چندکی لجستیک با نتایج محدود. IEEE Access 2017 ، 5 ، 27036–27042. [ Google Scholar ] [ CrossRef ]
  61. سیریپیروت، تی. سومالی، ع. Ho, HW برآورد آماری تجزیه و تحلیل فعالیت حمل و نقل از داده های سیستم موقعیت یابی جهانی کامیون ها. ترانسپ Res. بخش E Logist. ترانسپ Rev. 2020 , 140 . [ Google Scholar ] [ CrossRef ]
  62. ژانگ، اس. لیو، ایکس. تانگ، جی. چنگ، اس. چی، ی. وانگ، ی. مدلسازی فضایی-زمانی رفتار انتخاب مقصد از طریق رویکرد سلسله مراتبی بیزی. فیزیک یک آمار مکانیک. برنامه آن است. 2018 ، 512 ، 537-551. [ Google Scholar ] [ CrossRef ]
  63. تهلیان، د. Pinjari، AR ارزیابی عملکرد الگوریتم‌های تولید مجموعه انتخاب برای تجزیه و تحلیل انتخاب مسیر کامیون: بینش‌هایی از تجمع فضایی برای الگوریتم حذف پیوند اول جستجوی وسعت (BFS-LE). ترانسپ ترانسپ. علمی 2020 ، 16 ، 1030-1061. [ Google Scholar ] [ CrossRef ]
  64. گولر، اچ. چارچوب مدلسازی تجربی برای پیش بینی حمل و نقل بار. حمل و نقل 2014 ، 29 ، 185-194. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. Joubert, JW; Meintjes، S. تکرارپذیری و تکرارپذیری: پیامدهای استفاده از داده های GPS برای زنجیره های فعالیت حمل و نقل. ترانسپ Res. روش قسمت B. 2015 ، 76 ، 81-92. [ Google Scholar ] [ CrossRef ]
  66. بن آکیوا، من؛ تولدو، تی. سانتوس، جی. کاکس، ن. ژائو، اف. لی، YJ; Marzano، V. جمع آوری داده های حمل و نقل با استفاده از GPS و نظرسنجی های مبتنی بر وب: بینش از نظرسنجی رانندگان کامیون ایالات متحده و دیدگاه های حمل و نقل شهری. مورد مطالعه. ترانسپ سیاست 2016 ، 4 ، 38-44. [ Google Scholar ] [ CrossRef ]
  67. Luong، TD; تهلیان، د. پینجاری، تحلیل اکتشافی جامع AR از تنوع انتخاب مسیر کامیون در فلوریدا. ترانسپ Res. ضبط 2018 ، 2672 ، 152-163. [ Google Scholar ] [ CrossRef ]
  68. ممتاز، SU; الورو، ن. انور، س. کیا، ن. دی، ب.ک. پینجاری، ع. طباطبایی، چارچوب تجزیه و تحلیل محموله SF Fusing و داده های ترانسفر: رویکرد تلفیق داده های اقتصادسنجی با کاربرد در فلوریدا. J. Transp. مهندس بخش A سیستم. 2020 , 146 . [ Google Scholar ] [ CrossRef ]
  69. کریشناکوماری، پ. ون لینت، اچ. جوکیچ، تی. Cats, O. یک روش مبتنی بر داده برای تخمین ماتریس OD. ترانسپ Res. قسمت C Emerg. تکنولوژی 2019 ، 1-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. Hansen, CO مستندات از Godsmodel. در دسترس آنلاین: https://www.landstrafikmodellen.dk/-/media/Sites/Landstrafikmodellen/Dokumentation-1-1/Notat-Godstrafikmodel.ashx?la=da&hash=A02446304C683ABB573CC76AA5207E60D54B .
  71. تقوی، م. ایران نژاد، ا. Prato، CG شناسایی کامیون از جریان بزرگی از داده های GPS از طریق یک مدل زنجیره مارکوف پنهان متوقف می شود. در مجموعه مقالات کنفرانس سیستم های حمل و نقل هوشمند IEEE 2019 (ITSC)، اوکلند، نیوزیلند، 27 تا 30 اکتبر 2019؛ صص 2265-2271. [ Google Scholar ]
  72. سامبو، اف. سالتی، س. براوی، ال. سیمونچینی، ام. تاکاری، ال. لری، ع. یکپارچه سازی GPS و تصاویر ماهواره ای برای تشخیص و طبقه بندی نقاط حساس ناوگان. در مجموعه مقالات بیستمین کنفرانس بین المللی IEEE 2017 در مورد سیستم های حمل و نقل هوشمند (ITSC)، یوکوهاما، ژاپن، 16 تا 19 اکتبر 2017. [ Google Scholar ] [ CrossRef ]
  73. اشبروک، دی. Starner, T. استفاده از GPS برای یادگیری مکان‌های مهم و پیش‌بینی حرکت بین کاربران متعدد. پارس همه جا. محاسبه کنید. 2003 ، 7 ، 275-286. [ Google Scholar ] [ CrossRef ]
  74. هولگوین-وراس، جی. Encarnación، T. پرز-گوزمان، اس. یانگ، X. شناسایی مکانیکی توقف فعالیت های حمل و نقل از داده های سیستم موقعیت یابی جهانی. ترانسپ Res. ضبط 2020 ، 2674 ، 235-246. [ Google Scholar ] [ CrossRef ]
  75. برناردین، وی.ال. تروینو، اس. کوتاه، JA در حال گسترش داده‌های مبدأ-مقصد غیرفعال مبتنی بر GPS کامیون در آیووا و تنسی. در مجموعه مقالات نود و چهارمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 11 تا 15 ژانویه 2015. [ Google Scholar ]
  76. بوته، دبلیو. Maat، K. استخراج و اعتبارسنجی اهداف سفر و حالت‌های سفر برای بررسی‌های سفر چند روزه مبتنی بر GPS: یک برنامه کاربردی در مقیاس بزرگ در هلند. ترانسپ Res. قسمت C Emerg. تکنولوژی 2009 ، 17 ، 285-297. [ Google Scholar ] [ CrossRef ]
  77. مک کورمک، ای. Bassok، A. ارزیابی دو روش کم هزینه برای جمع آوری داده های تولید کامیون با استفاده از فروشگاه های مواد غذایی. ITE J. 2011 ، 81 ، 34-38. [ Google Scholar ]
  78. مونوزوری، جی. کورتس، پی. اونیوا، ال. Guadix, J. برآورد جریان روزانه خودرو برای تحویل بار شهری. ج. طرح شهری. توسعه دهنده 2012 ، 138 ، 43-52. [ Google Scholar ] [ CrossRef ]
  79. مسا آرانگو، ر. اوکوسوری، اس. Sarmiento، I. روش شناسی جریان شبکه برای تخمین سفرهای خالی در مدل های حمل و نقل کالا. ترانسپ Res. ضبط J. Transp. Res. هیئت 2013 ، 2378 ، 110-119. [ Google Scholar ] [ CrossRef ]
  80. پاتیره، AD; رایت، ام. پرودهوم، بی. Bayen، AM به چه مقدار داده GPS نیاز داریم؟ ترانسپ Res. قسمت C Emerg. تکنولوژی 2015 ، 58 ، 325-342. [ Google Scholar ] [ CrossRef ]
  81. گراهام، ای. راجرز، جی. ارزیابی روش‌های جمع‌آوری داده‌های بهره‌وری حمل‌ونقل کالا و قابلیت اطمینان. در مجموعه مقالات کنفرانس تحقیقات مهندسی صنعتی 2012، اورلاندو، فلوریدا، ایالات متحده آمریکا، 19 تا 23 مه 2012. [ Google Scholar ]
  82. ایبارا-اسپینوزا، اس. ینو، آر. جیانوتی، ام. راپکینز، ک. de Freitas، ED تولید جریان ترافیک و سرعت داده‌های مدل منطقه‌ای با استفاده از سوابق وسایل نقلیه اینترنتی GPS. MethodsX 2019 ، 6 ، 2065–2075. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  83. شن، ال. Stopher، PR بررسی روش‌های بررسی سفر GPS و روش‌های پردازش داده‌های GPS. ترانسپ Rev. 2014 , 34 , 316-334. [ Google Scholar ] [ CrossRef ]
  84. Danmarks Statistik Bestanden af ​​køretøjer pr 1. Januar efter køretøjstype, tid og område. در دسترس آنلاین: https://www.dst.dk/da/Statistik/emner/erhvervslivets-sektorer/transport/transportmidler (در 5 اکتبر 2019 قابل دسترسی است).
  85. مور، AM سناریوهای نوآورانه برای مدل سازی حمل و نقل بار درون شهری. ترانسپ Res. بین رشته ای. چشم انداز 2019 ، 3 . [ Google Scholar ] [ CrossRef ]
  86. پیررا، م. کربنی، ا. Deflorio، F. نظارت بر دسترسی شهری برای خدمات تحویل بار از ردیابی وسایل نقلیه و مدل‌سازی شبکه. ترانسپ Res. Procedia 2019 ، 41 ، 410-413. [ Google Scholar ] [ CrossRef ]
  87. گان، م. لیو، ایکس. چن، اس. یان، ی. لی، دی. شناسایی انتشار گازهای گلخانه ای مرتبط با کامیون و عوامل تاثیر حیاتی در یک شبکه لجستیک شهری. جی. پاک. تولید 2018 ، 178 ، 561-571. [ Google Scholar ] [ CrossRef ]
  88. کامارگو، پ. هونگ، اس. Livshits, V. گسترش استفاده از داده های GPS کامیون در فعالیت های مدل سازی و برنامه ریزی حمل و نقل. ترانسپ Res. ضبط 2017 ، 2646 ، 68-76. [ Google Scholar ] [ CrossRef ]
  89. جینگریچ، ک. مائو، اچ. Anderson, W. طبقه بندی هدف رویدادهای کامیون متوقف شده: کاربرد آنتروپی در داده های GPS. ترانسپ Res. قسمت C Emerg. تکنولوژی 2016 ، 64 ، 17-27. [ Google Scholar ] [ CrossRef ]
  90. Joubert, JW; Meintjes، S. تولید زنجیره فعالیت حمل و نقل با استفاده از شبکه های پیچیده اتصال. ترانسپ Res. Procedia 2016 ، 12 ، 425-435. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  91. سانچز-دیاز، آی. هولگوین-وراس، جی. Ban، X. مدل ترکیبی تور باربری وابسته به زمان. ترانسپ Res. روش قسمت B. 2015 ، 78 ، 144-168. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  92. مناطق دانمارک در دسترس آنلاین: https://commons.wikimedia.org/wiki/File:Denmark_regions.svg (در 24 اکتبر 2019 قابل دسترسی است).
  93. بخور، س. لوتان، تی. گیتلمن، وی. موریک، اس. تحلیل و پایش سرعت سفر جریان آزاد در سطح ملی با استفاده از اندازه‌گیری‌های سیستم موقعیت‌یابی جهانی. J. Transp. مهندس 2013 ، 139 ، 1235-1243. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  94. ژنگ، جی. وانگ، ی. نیهان، NL ارزیابی کمی عملکرد GPS در زیر سایبان های جنگلی. در مجموعه مقالات IEEE 2005 Networking, Sensing and Control, Tucson, AZ, USA, 19-22 مارس 2005; صص 777-782. [ Google Scholar ]
  95. گونگ، ال. ساتو، اچ. یاماموتو، تی. میوا، تی. موریکاوا، تی. شناسایی مکان‌های توقف فعالیت در مسیرهای GPS با روش خوشه‌بندی مبتنی بر چگالی همراه با ماشین‌های بردار پشتیبان. J. Mod. ترانسپ 2015 ، 23 ، 202-213. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  96. وزارت حمل و نقل آمریکا نتایج بررسی پارکینگ کامیون قانون جیسون اداره بزرگراه فدرال و تجزیه و تحلیل مقایسه ای. در دسترس آنلاین: https://ops.fhwa.dot.gov/freight/infrastructure/truck_parking/jasons_law/truckparkingsurvey/index.htm (در 25 ژوئن 2020 قابل دسترسی است).
  97. هان، جی. پولاک، جی دبلیو. باریا، جی. کریشنان، آر. در مورد تخمین میانگین سرعت فضا از داده‌های آشکارساز حلقه القایی. ترانسپ طرح. تکنولوژی 2010 ، 33 ، 91-104. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. ترنر، اس ام. آیزل، WL; بنز، RJ; Holdener, DJ Travel Time Data Collection Handbook ; اداره بزرگراه فدرال ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1998.
  99. می، مبانی جریان ترافیک AD ; Prentice Hall: Englewood Cliffs، NJ، USA، 1990; شابک 0-13-926072-2. [ Google Scholar ]
توجه ناشر: MDPI با توجه به ادعاهای قضایی در نقشه های منتشر شده و وابستگی های سازمانی بی طرف می ماند.
Ijgi 09 00606 g001 550
شکل 1. تعداد مقالات پژوهشی در سال.
Ijgi 09 00606 g002 550
شکل 2. روش جمع آوری الزامات پیشنهادی.
Ijgi 09 00606 g003 550
شکل 3. توزیع مقالات شناسایی شده در رابطه با سه دسته ( الف ) و تحلیل زمانی مقالات در هر دسته ( ب ).
Ijgi 09 00606 g004 550
شکل 4. توزیع مقالات شناسایی شده در دسته های برنامه ریزی زیرساخت ( الف )، مقررات حرکت بار ( ب )، و تجزیه و تحلیل داده های حمل و نقل ( ج ).
Ijgi 09 00606 g005 550
شکل 5. درصد داده های GPS موجود در حال حاضر در مناطق اصلی دانمارک (اقتباس از مرجع [ 92 ]).
Ijgi 09 00606 g006 550
شکل 6. روی داده های GPS خام کامیون ها، یک عکس فوری از سیستم توسعه یافته بزرگنمایی کنید.
Ijgi 09 00606 g007 550
شکل 7. ساختار کلی سیستم پردازش داده توسعه یافته.
Ijgi 09 00606 g008 550
شکل 8. مقادیر متوسط ​​شاخص ها، شاخص در دسترس بودن داده ها و شاخص قابلیت اطمینان داده ها برای بخش های انتخابی جاده.
Ijgi 09 00606 g009 550
شکل 9. محل آشکارساز حلقه و داده های GPS.
Ijgi 09 00606 g010 550
شکل 10. تعداد کامیون های GPS که اطلاعات آنها در هر ساعت از 14 فوریه 2019 در سیستم موجود است.
Ijgi 09 00606 g011 550
شکل 11. مقایسه میانگین سرعت ساعتی از داده های ایستگاه و GPS.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید