برای ایجاد ابزارهای تصمیم‌گیری با کیفیت که به پایداری حمل‌ونقل کمک می‌کند، باید مدل‌هایی با تکیه بر داده‌های دقیق، به‌موقع و به‌اندازه کافی تفکیک‌شده بسازیم. با وجود فراگیر شدن کلان داده های امروزی، کاربردهای عملی هنوز محدود هستند و به آمادگی فناوری نرسیده اند. در میان آنها، داده های مخابراتی تولید شده به صورت غیرفعال برای مطالعه تولید الگوی سفر امیدوارکننده هستند. هدف این پژوهش دو جنبه است. اول، برای نشان دادن اینکه چگونه داده های مخابراتی را می توان با سایر منابع داده ترکیب کرد و برای تغذیه یک مدل ترافیک استفاده کرد. دوم، شبیه سازی ترافیک با استفاده از رویکرد مبتنی بر عامل و ارزیابی انتشار تولید شده توسط سناریوی مدل. با در نظر گرفتن نووی ساد به عنوان مطالعه موردی، ما ترکیب ترافیک را با وضوح 1 ثانیه با استفاده از پلت فرم GAMA شبیه سازی کردیم و انتشار آن را با وضوح 1 ساعت محاسبه کردیم. ما از داده های مخابراتی همراه با داده های جمعیت و GIS برای محاسبه حرکت مکانی-زمانی استفاده کردیم و آن را به ABM وارد کردیم. جریان ترافیک با داده‌های شمارنده خودکار وسایل نقلیه کالیبره و اعتبارسنجی شد، در حالی که از داده‌های کیفیت هوا برای تأیید انتشار گازهای گلخانه‌ای استفاده شد. نتایج ارزش استفاده از مجموعه داده های متنوع برای ایجاد ابزارهای تصمیم گیری را نشان می دهد. ما معتقدیم که این مطالعه تلاشی مثبت در جهت ترکیب کلان داده و ABM در مطالعات شهری است.

کلید واژه ها:

ABM ; کیفیت هوا ؛ کلان داده ؛ برنامه های کاربردی GIS داده های بزرگ ; CDR _ داده های مخابراتی ؛ تصمیم گیری مبتنی بر داده ; انتشار ; ترافیک ; مطالعات شهری

1. مقدمه

تراکم ترافیک یکی از مشکلات عمده در اکثر شهرهای سراسر جهان است، به ویژه در مناطق در حال توسعه که باعث افزایش اتلاف سوخت، زمان و تلفات پولی می‌شوند [ 1 ]. طبق گزارش سازمان بهداشت جهانی، آلودگی هوا سالانه عامل حدود 4.2 میلیون مرگ زودرس است [ 2 ]. افزایش مدت و شدت تراکم ترافیک نسبت به جریان آزاد ترافیک تاثیر منفی بیشتری بر آلودگی دارد. تعداد بیشتر افزایش سرعت، کاهش سرعت، توقف و استارت باعث افزایش انتشار و همچنین کاهش سرعت وسایل نقلیه می شود [ 3 ]. برای رویارویی با چالش‌ها، بسیاری از برنامه‌های کاربردی متنوع توسعه یافته و خط‌مشی‌ها مورد آزمایش قرار می‌گیرند، مانند اثرات خودروهای الکتریکی، دورکاری [ 4 ] و ادغام خودرو [4]. 5 ]] بر سیO2انتشار، نتیجه ممنوعیت خودروهای دیزلی قدیمی نOایکسانتشار [ 6 ]، تغییر محدودیت سرعت در چندین نوع انتشار [ 7 ]، قیمت‌گذاری ازدحام [ 8 ] و غیره. با این حال، تمام مطالعات ذکر شده بر داده‌های مصنوعی یا ثابت تکیه می‌کنند که معمولاً برای جمع‌آوری مغرضانه، پرهزینه و زمان‌بر هستند. و از کمبود پویایی انسانی رنج می برند [ 9 ]. علاوه بر این، داده های استاتیک به ندرت در زمان واقعی در دسترس هستند.
با افزایش تعداد دستگاه هایی که به طور منفعلانه داده های مربوط به رفتار مکانی-زمانی افراد را جمع آوری می کنند، فرصت های جدیدی به وجود می آید. استفاده گسترده از تلفن‌های همراه، حتی در کشورهای در حال توسعه، داده‌های جمع‌آوری‌شده غیرفعال در مورد حرکات کاربران را به روشی امیدوارکننده برای ردیابی تحرک افراد تبدیل می‌کند. برخلاف سایر داده‌های موقعیت مکانی مانند فیس‌بوک، ردیابی GPS و غیره، داده‌های مخابراتی اکثریت جمعیت در تمام گروه‌های سنی را پوشش می‌دهد، زیرا اکثر مردم همیشه دستگاه‌های تلفن همراه خود را حمل می‌کنند، که آنها را برای تولید الگوهای سفر مناسب می‌کند [ 9 ].
در حالی که مطالعات متعدد ارزش استفاده از داده های مخابراتی را در برنامه های مختلف نشان داده اند، رسیدن به سطح عملیات نزدیک نیست [ 10 ]. این مطالعات پتانسیل داده های مخابراتی را در حوزه های مختلف نشان می دهد، مانند برنامه ریزی شهری [ 11 ]، پایش همه گیر بیماری های عفونی [ 12 ، 13 ، 14 ، 15 ، 16 ، 17 ]، مطالعات دینامیک انسانی [ 18 ، 19 ، 20 ، 21 ]. , 22 , 23 , 24 , 25 ], تجزیه و تحلیل اجتماعی-اقتصادی [ 26، 27 ، 28 ] و مدیریت ریسک بلایا [ 29 ، 30 ، 31 ]. در زمینه ترافیک، مطالعات بر ارزیابی ترکیب ترافیک [ 32 ]، سرعت سفر و مدت زمان [ 33 ]، تعداد مسافران [ 34 ]، ماتریس‌های مبدا-مقصد [ 35 ، 36 ، 37 ]، مسیر متمرکز شده‌اند. انتخاب [ 38 ، 39 ]، و نحوه حمل و نقل [ 40 ، 41 ]. تنها در چند مقاله، نویسندگان از داده های مخابراتی برای استخراج جریان های تحرک و پر کردن یک مدل ترافیک استفاده می کنند [ 42 ,43 ، 44 ]. با این حال، طبق دانش ما، ما اولین کسانی هستیم که داده های مخابراتی را به انتشار ترافیک مرتبط می کنیم. علاوه بر این، ما ترافیک را شبیه‌سازی می‌کنیم و انتشار آن را بر اساس وضوح مکانی-زمانی دقیق (ترافیک: وضوح 1 ثانیه، سطح خیابان؛ انتشار: وضوح 1 ساعت، سطح خیابان) در کل منطقه شهر، همراه با مناطق فرعی آن محاسبه می‌کنیم. برخلاف مدل‌هایی که تنها بخشی از یک شهر را شبیه‌سازی می‌کنند، ما معتقدیم که برخی از سیاست‌ها و مقررات ترافیکی بر پویایی کل شهر تأثیر می‌گذارد و به همین دلیل باید کل سیستم را هنگام آزمایش آن در نظر گرفت. در نتیجه، ما از منابع داده متنوع‌تری برای پشتیبانی از مدل خود استفاده می‌کنیم، مانند داده‌های شمارنده خودکار خودرو، داده‌های کیفیت هوا، داده‌های GIS، و داده‌های رسمی جمعیت.
از آنجایی که ترافیک مانند یک سیستم پیچیده رفتار می کند که در آن پویایی به همه بازیگران آن بستگی دارد، مدل سازی مبتنی بر عامل (ABM) خود را به عنوان یک ابزار مناسب برای شبیه سازی آن تحمیل می کند. به این ترتیب، برای حمل‌ونقل شهری [ 4 ، 6 ، 42 ، 43 ]، مسیریابی اتوبوس [ 45 ]، جمع‌آوری خودرو [ 5 ، 46 ]، برنامه‌ریزی حمل‌ونقل عمومی [ 47 ] و غیره استفاده شده است. در مقایسه با سفرهای جمع‌آوری شده مدل‌ها، ABM می‌تواند علل پدیده‌های جهانی را که با عمل در سطح محلی پدیدار شده‌اند توضیح دهد و سپس پیامدهای تغییرات محلی مناسب در سطح سیستم را بررسی کند [ 48 ]]. بینش و درک پدیده ها از این طریق به منظور ایجاد مقررات کیفی که عملکرد مناطق شهری را بهبود می بخشد، ضروری است [ 49 ]. مدل های تجربی مبتنی بر عامل می توانند نه تنها به توضیح، بلکه برای پیش بینی نتیجه سناریوهای ملموس کمک کنند. با این وجود، برای شبیه‌سازی واقعی دینامیک فردی، داده‌ها در آن سطح نیز مورد نیاز است، که همیشه در دسترس نیست. علاوه بر این، این مدل ها معمولاً گرسنه داده هستند و از پیچیدگی های افزایش یافته رنج می برند [ 50 ]. علاوه بر این، پویایی مدل ایجاد شده با افزودن جزئیات از داده ها، مدل و پیچیدگی آن را غنی می کند، بنابراین نگاشت خروجی به سیستم های واقعی دشوارتر می شود. 51 ]]. ما با استفاده از مجموعه داده های متنوع و با اعمال فرآیندهای کالیبراسیون و اعتبار سنجی، بر چالش های ذکر شده غلبه می کنیم.
هدف این تحقیق پیشنهاد یک روش مبتنی بر عامل است که (1) ترافیک را شبیه سازی می کند و انتشارات آن را با وضوح مکانی-زمانی دقیق در طول روز ارزیابی می کند، (2) پتانسیل داده های مخابراتی را برای مدل سازی ترافیک در مقیاس بزرگ نشان می دهد. ، (3) به چالش های ترکیب داده های مخابراتی با منابع داده ناهمگن می پردازد و (4) سناریوی واقعی را تا حد امکان از نزدیک تکرار می کند در حالی که با چالش های موجود بودن داده ها و وضوح داده ها مقابله می کند. ما از پلتفرم GAMA [ 52] برای ساخت یک مدل ترافیک، و استفاده از خروجی آن برای ارزیابی انتشار. از آنجایی که روش پیشنهادی مبتنی بر عامل است، وابستگی جهانی-محلی را نشان می‌دهد، که برای شناسایی و درک محرک‌های رفتار سیستم‌های پیچیده مهم است. علاوه بر این، پیش‌بینی دینامیک ترافیک و انتشار را در سطح جهانی ممکن می‌سازد، که نتیجه تغییرات در سطح محلی است. ما معتقدیم که مدل پیشنهادی می تواند به عنوان یک ابزار تصمیم گیری مورد استفاده قرار گیرد. با در نظر گرفتن دومین شهر بزرگ در صربستان، نووی ساد، ما با موفقیت روش پیشنهادی را شبیه سازی و تأیید کردیم.

2. روش شناسی (معماری مدل)

در این بخش ابتدا مروری بر روش کامل استفاده شده ارائه می کنیم و سپس هر قسمت را به تفصیل شرح می دهیم.
طرح روش پیشنهادی در شکل 1 نشان داده شده است . بر اساس سه مرحله است. اولین مرحله شامل تولید الگوی سفر مکانی-زمانی است که بیشتر به عنوان مبنایی برای برآورد ترافیک و انتشار عمل می کند. مرحله دوم و سوم شامل شبیه سازی ABM ترافیک و محاسبه انتشار آن در سطح خیابان است. مدل ABM ترافیک، ساخته شده در پلت فرم GAMA [ 52]، بر اساس مدل خودرو دنبال می شود. هر نماینده نشان دهنده وسیله نقلیه ای است که مبدا و مقصدی همراه با زمان برنامه ریزی شده برای رفت و آمد دارد. این به طور واقع بینانه شرایط ترافیکی را با شامل گذرگاه ها، تغییر خطوط، سایر وسایل نقلیه، رفتار رانندگان در مرحله زمانی 1 ثانیه شبیه سازی می کند. خروجی مدل تعداد ارزیابی شده وسایل نقلیه و سرعت آنها در هر پیوند ترافیکی با وضوح 1 ساعت است که بیشتر برای ارزیابی انتشار آنها با ضرایب از کتابچه راهنمای HBEFA استفاده می شود [ 53 ]. ما محاسبه کردیم C O ، NOایکس، و پی امآلاینده ها
برای تغذیه، کالیبراسیون و اعتبارسنجی مدل، از مجموعه داده‌های متنوع با وضوح‌های مکانی و زمانی ناهمگن استفاده کردیم که در جدول 1 استفاده کردیم.. با استفاده از مجموعه داده های مخابراتی، احتمالات حرکت مکانی-زمانی را در منطقه مورد مطالعه محاسبه کردیم. احتمالات حرکت فضایی در میان جوامع محلی محاسبه شد، در حالی که حرکت زمانی با وضوح 1 ساعت محاسبه شد و احتمال یک عامل را برای شروع رفت و آمد در یک ساعت مشخص ارائه کرد. علاوه بر این، ما از آن خروجی همراه با داده های رسمی جمعیت و داده های GIS در سطح جامعه محلی به عنوان ورودی مدل ABM ترافیک خود استفاده کردیم. ما مدل ترافیک را با یافتن ترکیبی از پارامترهای مدل که به بهترین وجه با یک روز انتخاب شده از مجموعه داده‌های شمارنده خودکار خودرو مطابقت دارد، کالیبره کردیم. ما مدل خود را با مقایسه خروجی مدل با پارامترهای انتخاب شده با یک روز متفاوت انتخاب شده از مجموعه داده های شمارنده خودکار خودرو تأیید کردیم. کالیبراسیون و اعتبارسنجی در وضوح زمانی 1 ساعت انجام شد. پس از آن، خروجی مدل همراه با ضرایب تخمینی از کتاب راهنمای HBEFA برای محاسبه استفاده شد C O ، NOایکس، و پی امآلاینده های تولید شده توسط ترافیک خروجی مجدداً با داده های حقیقت زمینی، یا به عبارت دقیق تر، با داده های انتشار از دو ایستگاه موجود در منطقه مورد مطالعه مقایسه می شود. با آن، روش پیشنهادی را تایید کردیم.
بقیه بخش به شرح زیر سازماندهی شده است. ابتدا، پردازش داده‌های تلفن همراه و تولید ماتریس احتمال مبدا-مقصد را همراه با احتمالات حرکت زمانی ارائه می‌کنیم. پس از آن، طرح مدل ABM همراه با محاسبه انتشار آن ارائه شده است.

2.1. پردازش داده های تلفن همراه

داده های تلفن همراه سرشار از داده های رفتار کاربر است و به صورت غیر فعال توسط ارائه دهندگان مخابراتی برای مقاصد صورتحساب جمع آوری می شود. هر زمان که یک کاربر از سرویسی از یک ارائه دهنده استفاده می کند، یک ضبط جزئیات تماس (CDR) ایجاد و در پایگاه داده مخابراتی ذخیره می شود. جدای از عملکرد اصلی آنها، داده های مخابراتی بسیار ارزشمند هستند، زیرا امکان نظارت در زمان واقعی پویایی مکانی-زمانی تعداد زیادی از افراد را فراهم می کنند. به دلیل مسائل مربوط به حریم خصوصی، اپراتورهای مخابراتی قبل از اینکه داده ها را به اشخاص ثالث بدهند، رویه های دقیقی را برای ناشناس سازی داده ها انجام می دهند.
در این تحقیق، ما از CDR برای ارزیابی احتمالات حرکت مکانی-زمانی در منطقه مورد مطالعه استفاده کردیم. مجموعه داده شامل مجموعه ای از سوابق مخابراتی (اس ام اس ورودی/خروجی، تماس ورودی/خروجی و فعالیت اینترنتی) بود که توسط کاربران ناشناس به طور تصادفی انتخاب شده بودند. علاوه بر نوع سوابق مخابراتی، مجموعه داده شامل مختصات تقریبی یک ایستگاه رادیویی (RBS) است که ترافیک، زمان و مدت یک فعالیت را ثبت می کند، همچنین کد کشور و تعداد ارقام در یک شماره مخابراتی را شامل می شود. برای ایجاد رکورد استفاده شد. از آن سوابق، ما مسیرهای تحرک کاربر را بازسازی کردیم.
برای تولید ماتریس احتمال مبدا-مقصد (OD)، که بیشتر برای تولید ترافیک به ما کمک کرد، به چندین روش ارائه شده در ادبیات [ 24 ، 28 ، 35 ، 43 ] با اصلاحات مناسب که برای مورد ما تنظیم شده است، تکیه کردیم. مراحل در اینجا در سه بخش فرعی ارائه شده است.

2.1.1. پیش پردازش داده ها

اولین مرحله شامل پاکسازی داده ها بود:
  • RBS هایی را که رسماً به منطقه شهرداری تعلق نداشتند حذف کردیم.
  • شماره‌های تلفن ثابت را حذف کردیم زیرا نشان‌دهنده تحرک کاربر نیستند.
  • رکوردهای ایجاد شده توسط اعداد با چهار رقم یا کمتر حذف شدند، زیرا احتمالاً متعلق به خدمات عمومی (مانند خدمات پارکینگ) هستند.
  • اعداد خارجی حذف شدند زیرا آنها احتمالاً از گردشگرانی بودند که در جشنواره ای شرکت کردند که در طول چند روز از دوره زمانی که ما داده ها را در اختیار داشتیم. ما با آن رکوردها به عنوان یک ناهنجاری برخورد کردیم، زیرا این گردشگران به ترافیک و انتشار روزانه شهر کمکی نکردند.
  • در نهایت، کاربرانی را انتخاب کردیم که در طول روز و شب رکورد داشتند، زیرا می‌خواستیم سفرهای منظم کاربران را که در طول یک روز کامل انجام می‌شد تخمین بزنیم. بنابراین، ما کاربران را تنها با چند رکورد حذف کردیم.
2.1.2. Stay Extraction & Activity Inference
مرحله دوم استخراج سفرهای کاربران از CDR ها با انتخاب هر کاربر به صورت جداگانه و سفارش رکوردهای آنها در طول زمان بود. برای تخمین زمانی که کاربر در هر مکان سپری می‌کند، ما تفاوت زمانی بین دو آنتن را که به طور متوالی بازدید شده است، محاسبه کرده‌ایم، که سپس آن‌ها را تقسیم کرده و هر نیمه را به یک RBS اختصاص می‌دهیم [ 24 ]. با توجه به [ 35 ]، ما مکان‌ها را به‌عنوان «ماندن» و «عبور» طبقه‌بندی کردیم و در نهایت فقط مکان‌های اقامت را نگه داشتیم زیرا فقط به نقطه کاربر مبدا و مقصد علاقه‌مند بودیم. مکان‌ها فقط در صورتی به عنوان اقامت طبقه‌بندی می‌شوند که کاربر بیش از 10 دقیقه در آنجا سپری کند. برای تخمین مکان‌های مبدا (خانه) و مقصد، مجموعه داده‌ها را به دو بخش تقسیم می‌کنیم:
  • مجموعه‌ای از داده‌ها برای تخمین مکان‌های مبدا – حاوی سوابق به‌دست‌آمده در روزهای هفته بین ساعت ۷ بعد از ظهر تا ۸ صبح و آخر هفته‌ها.
  • مجموعه‌ای از داده‌ها برای تخمین مکان‌های مقصد – حاوی سوابق انجام‌شده در روزهای هفته بین ساعت ۸ صبح تا ۷ بعد از ظهر
برخلاف نویسندگان در [ 35 ]، مدت زمانی را که هر کاربر بر روی هر آنتن صرف کرده است در هر دو مجموعه داده خلاصه کرده و از آن برای تخمین مبدا و مقصد استفاده کردیم. در نتیجه، مکان مبدأ به عنوان مکانی که کاربر بیشتر وقت خود را در اولین مجموعه داده سپری کرده است، شناسایی شد، در حالی که مکان مقصد به عنوان مکانی با بالاترین مکان شناسایی شد. د1 * د2، جایی که د1فاصله از محل مبدا تخمینی و د2مدت زمانی است که کاربر در محدوده یک آنتن سپری می کند. این فرض از مقاله اقتباس شده است [ 35 ] و مبتنی بر شهادت ادبیات است که مطابق با زمان صرف شده در یک مکان، مکان های مقصد، مانند محل کار، به احتمال زیاد دورتر از مبدأ (خانه) هستند. مکان نسبت به مکان های نزدیکتر [ 54 ، 55 ].
2.1.3. مقیاس مجدد
به عنوان آخرین مرحله، ما داده ها را به سطح جامعه محلی تغییر دادیم. دلایل آن دو مورد بود. مطالعات قبلی همبستگی بالاتری را بین سفرهای گسترش یافته از داده های مخابراتی و بررسی های ترافیکی هنگام جمع آوری مبدا و مقصد سفر به مناطق بزرگتر از یک مایل مربع نشان داد [ 35 ، 56 ]. علاوه بر این، توزیع جمعیت در سطح جامعه محلی را نیز داشتیم. به دلایل ذکر شده در بالا، ما نقاط RBS را بیشتر گروه بندی کردیم و حرکت در بین جوامع را ارزیابی کردیم. برای دستیابی به آن، ابتدا دامنه های RBS را با چند ضلعی های Voronoi [ 57 ] تقریب زدیم، همانطور که در تحقیقات قبلی بیشتر انجام می شد [ 18 ، 21 ، 24 ، 28 ،36 28 ], 39 , 41 , 43 ]. ما فرض کردیم که یک کاربر احتمال یکنواختی برای قرار گرفتن در هر نقطه از چند ضلعی Voronoi دارد. بنابراین، هر کاربر برای مکان مبدأ و مقصد خود، یک نقطه در داخل چند ضلعی های مربوطه با توجه به توزیع یکنواخت اختصاص داد. در مرحله بعد، ما مناطق Voronoi و چند ضلعی های جامعه محلی را همپوشانی کردیم و مطابق با مکان های نقاط کاربران و تقاطعات بین چند ضلعی ها، به هر کاربر یک جامعه محلی برای مکان مبدا و مقصد اختصاص داده شد []. ما بیشتر تعداد سفرهای استخراج شده در میان جوامع محلی را به احتمالات حرکت در میان آنها تبدیل کردیم. دو دلیل وجود دارد. ارائه دهنده مخابراتی که مجموعه داده را در اختیار ما قرار داد، سهم بازار کاملی نداشت. بنابراین، ما فرض کردیم که کاربران ارائه‌دهنده مخابرات به طور یکسان در منطقه مورد مطالعه تخصیص داده شده‌اند. از آنجایی که ما حالت های حمل و نقل کاربران (مانند مسافران، دوچرخه سواران، وسایل نقلیه و غیره) را تشخیص ندادیم، این فرض را انجام دادیم که احتمالات محاسبه شده احتمال حرکت وسایل نقلیه را در شهرداری نشان می دهد. احتمال فعالیت مخابراتی نیز از داده های مخابراتی با محاسبه نسبت کاربران فعال در ساعت در طول روزهای کاری استنباط می شود.

2.2. مدل ترافیک مبتنی بر عامل

سیستم های شهری به طور کلی سیستم های پیچیده ای هستند و برای دستیابی به پایداری بالاتر، باید پیچیدگی آنها را درک کنیم [ 49 ]. سیستم ها به شدت توسط تعاملات غیرمتمرکز و محلی بین مجموعه ای از موجودیت های مستقل تعریف می شوند. آنها هوش جمعی را بدون وجود یک اقتدار مرکزی از خود نشان می دهند، یعنی تمایل به سازماندهی مشترک و سازگاری با تغییرات محیط دارند، بنابراین رفتار خود را در طول زمان بهینه می کنند. برای درک این سیستم ها، باید آنها را با هم در دو سطح انتزاعی، سطح مؤلفه محلی و سطح سیستم، مطالعه کنیم. ABM یک الگوی مدل‌سازی است که برای مدل‌سازی سیستم‌های پیچیده با استفاده از رویکرد پایین به بالا توسط موجودیت‌های برنامه‌نویسی، قوانین رفتار آنها و محیط مناسب است. 58 ].]. همانطور که مزایای رویکرد از پایین به بالا شناخته شده است، بسیاری از چارچوب های ABM برای مدل سازی حمل و نقل توسعه یافته است [ 59 ]. از میان آنها، ما پلتفرم GAMA [ 52 ] را برای مدلسازی ترافیک انتخاب کردیم، زیرا توانایی مدلسازی سیستم های پیچیده فضایی بزرگ و اقدامات داخلی برای مدل سازی ترافیک را دارد.
پیاده سازی مدل پیاده سازی مدل بر اساس یک افزونه داخلی برای مدل سازی ترافیک [ 60 ] است. این افزونه شامل سه مولفه عمل داخلی برای سه نوع مختلف عامل است که آنها را اعلام می کنند. این افزونه ها مجموعه ای از ویژگی ها و اقدامات تعریف شده را در اختیار نمایندگان قرار می دهند. انواع عوامل تعریف شده توسط افزونه عبارتند از:
عوامل راه – هر جاده یک چند خط است که از مجموعه ای از بخش های جاده (بخش ها) تشکیل شده است. عوامل جاده دارای یک هدف و یک گره منبع هستند و اطلاعاتی در مورد تمام جاده های ورودی و خروجی دارند. هدایت می شوند. بنابراین اگر یک قطعه جاده دو طرفه باشد برای هر جهت دو جاده ایجاد می شود. ماموران راه می توانند چندین خط داشته باشند که به وسایل نقلیه اجازه می دهد آنها را در هر زمان تغییر دهند. آنها اقدام مهارت جاده ای را انجام می دهند که مجموعه ای از متغیرها را برای آنها فراهم می کند، مانند ویژگی هایی که حداکثر سرعت مجاز را در جاده، جاده های متصل و گره های متصل را تعریف می کنند.
عوامل گره جاده – آنها ابتدا و/یا انتهای پیوندهای ترافیکی را تعریف می کنند. آنها مهارت گره جاده ای را اتخاذ می کنند که ویژگی های مرتبط با عوامل جاده ای مرتبط و همچنین ویژگی هایی را که گذرگاه ها را تعریف می کنند، مانند علائم توقف یا لیستی از عوامل راننده که یک گره را مسدود می کنند، ارائه می دهد.
عوامل راننده – هر عامل راننده یک مسیر برنامه ریزی شده دارد که متشکل از زنجیره های جاده ای است. راننده با توجه به تراکم ترافیک، خطی را انتخاب می کند و سمت راست ترین خط را ترجیح می دهد. عوامل راننده از مهارت های رانندگی پیشرفته ای استفاده می کنند که به آنها ویژگی های زیادی می دهد که مشخصه رفت و آمد رانندگان (مانند هدف، طول وسیله نقلیه، حداکثر شتاب وسیله نقلیه، فاصله ای که از راننده دیگر نگه می دارند، و غیره) و ویژگی های شخصی رانندگان (احتمالات رعایت علائم ایست، قوانین راهنمایی و رانندگی، تغییر خطوط و غیره). همچنین اقداماتی را برای آنها فراهم می کند که رفت و آمد با وسیله نقلیه را تعریف می کنند. آنها بر اساس مدل خودرو دنبال می شوند.
در مقاله، ما از هر سه عامل با مهارت هایشان استفاده کردیم و آنها را برای یک مورد خاص تنظیم کردیم. مشخصات مدل پیشنهادی در ادامه توضیح داده خواهد شد. با این حال، برای جزئیات بیشتر پیاده سازی در مورد افزونه، لطفاً به [ 60 ] مراجعه کنید.
قوانین مدلمدل از قوانین ساده پیروی می کند. هر نماینده نشان دهنده یک وسیله نقلیه است و هر یک دارای یک نقطه مبدا و مقصد و یک زمان حرکت است که رفت و آمد ماموران را مشخص می کند. راه اندازی مدل کاملاً به داده ها متکی است. شبیه سازی از ساعت 00:00 شروع می شود و با یک مرحله شبیه سازی 1 ثانیه تا روز بعد ادامه می یابد. حتی اگر خروجی با وضوح 1 ساعت مورد نیاز است، ما انتخاب کردیم که از یک پلاگین ترافیک داخلی استفاده کنیم که با وضوح 1 ثانیه کار می کند، زیرا توانایی شبیه سازی واقعی و دینامیکی سرعت خودرو را دارد که برای ارزیابی دقیق آلایندگی لازم است. . قبل از شروع شبیه سازی، هر عامل یک نقطه مبدا و مقصد به همراه یک زمان حرکت دریافت می کند. هنگامی که شبیه سازی شروع می شود، عوامل در مکان های مبدا یا مقصد خود هستند، که در جایی در منطقه مورد مطالعه قرار دارند. بسته به پنجره زمانی که یک عامل در مقصد خود می گذراند (مثلاً ساعات کاری) که به هر عامل در طول اولیه سازی اختصاص داده شده است. هنگامی که زمان حرکت مامور فرا می رسد، در شبکه ترافیک به سمت مقصد حرکت می کند. یک عامل در نقطه‌ای وارد شبکه ترافیک می‌شود که نشان‌دهنده گذرگاهی است که نزدیک‌ترین نقطه به مبدا/مقصد آن است و به همین ترتیب از شبکه خارج می‌شود. اگر یک عامل در یک نقطه مقصد باشد، اقامت آن توسط یک پارامتر ورودی مدل تعریف می‌شود.مدت زمان . پس از سپری شدن مدت زمان به نقطه مبدأ خود باز می گردد. رفت و آمد نمایندگان به طور کامل توسط پلاگین داخلی برای مدلسازی ترافیک در پلتفرم GAMA تعریف شده است که بر اساس مدل دنبال کردن خودرو [ 60 ] است.]. برای رفت و آمد از کوتاه ترین مسیر استفاده می کنند که توسط الگوریتم Dijkstra محاسبه می شود. در حین رفت و آمد، آنها به حداکثر سرعت مجاز در جاده احترام می گذارند و سرعت خود را با توجه به سایر عوامل اطراف خود، مقادیر ویژگی آنها و شبکه جاده تنظیم می کنند. ماموران دارای ویژگی های خاصی هستند که احتمال تغییر خط، شتاب گیری، کاهش سرعت، رعایت قوانین راهنمایی و رانندگی (اولویت ها، علائم ایست، حداکثر سرعت مجاز)، حفظ فاصله بیشتر یا کمتر از سایر خودروها، توقف بدون دلیل را مشخص می کند. علاوه بر این، هنگامی که یک مامور به دلیل خودرویی که در جلوی آن قرار دارد، سرعت خود را کاهش می دهد، احتمال تغییر خط یا استفاده از یک جاده متصل افزایش می یابد. چراغ راهنمایی در مدل گنجانده نشده است، اما با این وجود، ماموران به گونه ای برنامه ریزی شده اند که قبل از ورود به تقاطع برای یک ثانیه توقف کنند و قوانین راهنمایی و رانندگی در تقاطع ها را رعایت کنند (با احتمال مشخص). از آنجایی که برای تطبیق خروجی با الگوی مشاهده شده در مجموعه داده های شمارنده اتوماتیک خودرو نیاز داریم خروجی با وضوح 1 ساعت باشد، خروجی مدل ABM تعداد خودروها و میانگین سرعت با وضوح 1 ساعت در هر جاده است. ارتباط دادن. با این حال، از آنجایی که این مدل با وضوح 1 ثانیه کار می کند، می توان آن را به راحتی صادر کرد و برای مطالعه ترکیب ترافیک در سطح دقیق تری استفاده کرد.
تنظیم مدل برای تنظیم مدل، ما از مجموعه داده‌های متنوعی مانند شبکه ترافیک، داده‌های جمعیت، و داده‌های GIS جوامع محلی، و همچنین احتمالات حرکت در میان جوامع محلی و در طول زمان، که از داده‌های مخابراتی ارزیابی شده‌اند، استفاده کردیم. این داده ها مفروضات مدل ما را تعریف کردند و تأثیر قابل توجهی بر پویایی مدل داشتند. پارامترهای ورودی مدل، مدت زمانی بود که عوامل در مکان‌های مقصد خود صرف می‌کنند و درصد جمعیت شبیه‌سازی‌شده. اینها در طول فرآیندهای کالیبراسیون با سناریوی ترافیک واقعی تنظیم شدند.
شبکه ترافیکشبکه ترافیک از نقشه های خیابان باز (OSM) دانلود شد. جدای از نمایش فضایی جاده ها، داده های OSM حاوی اطلاعات مرتبط دیگری مانند تعداد خطوط، حداکثر سرعت مجاز، عرض جاده، یک طرفه یا دو طرفه بودن آن و سایر شبکه های ترافیکی است. امکانات. ما یک بافر 1 کیلومتری در اطراف شهر در منطقه مورد مطالعه شهرداری ایجاد کردیم و انواع جاده های قابل رانندگی را دانلود کردیم (به عنوان مثال، جاده های عابر پیاده را حذف کردیم). برای روستاهای اطراف که هم مربوط به منطقه موردی شهرداری هستند، فقط جاده های اصلی را دانلود کردیم. این کار به این صورت انجام شد زیرا ما می‌خواستیم از طریق ورودی و خروجی ترافیک، فشار ترافیک در شهر را مدل‌سازی کنیم و مسافران روستاهای اطراف به طور قابل‌توجهی به آن کمک می‌کنند و باعث می‌شوند جاده‌های ورودی شهر بیشترین فشار را متحمل شوند. ما داده‌ها را از قبل پردازش کردیم و آن‌ها را با مدل ترافیک خود تنظیم کردیم، و یک پیوند جاده برای هر جهت و خط، و همچنین گره‌های جاده برای هر تقاطع در شبکه ایجاد کردیم. علاوه بر این، ویژگی های جاده از دست رفته برآورده شد (به عنوان مثال، حداکثر سرعت مجاز).
توزیع جمعیت و تولید سفر از آنجایی که ما تعداد جمعیت را در سطح جامعه محلی به دست آوردیم، احتمال جابجایی بین جوامع (از جمله حلقه خود) از داده های مخابراتی ارزیابی شد. در مدل، جمعیت عامل ها با توجه به توزیع جمعیت در هر جامعه محلی و درصد پارامتر ورودی جمعیت شبیه سازی شده تولید شد. در طول راه اندازی مدل، تعداد عوامل برای هر جامعه با ضرب جمعیت جامعه در درصد جمعیت شبیه سازی شده ایجاد شد.و هر عامل یک نقطه به طور تصادفی در داخل یک چند ضلعی جامعه با این شرط که بین 100 تا 500 متر از یک پیوند ترافیکی قرار داشته باشد، دریافت کرد. نقطه اختصاص داده شده به عنوان محل مبدأ عامل علامت گذاری شد. با توجه به احتمالات جابجایی استخراج شده از هر جامعه محلی، به هر عامل یک جامعه محلی دوم و یک نقطه تصادفی در داخل آن با شرط مذکور که نشان دهنده مکان مقصد آن بود، اختصاص یافت. احتمالات صادراتی فعالیت موقت مخابراتی برای تخصیص ساعت حرکت خدمت کرد، در حالی که دقیقه و ثانیه دقیق به طور یکسان برای هر عامل انتخاب شد.
رفتار رانندگان متغیرهای فهرست شده در ستون اول جدول 2 برای توصیف ویژگی های شخصی رانندگان استفاده شد. ما آنها را با توزیع های احتمال استخراج شده از [ 61 ] مشخص کردیم و آنها را در ستون دوم جدول 2 فهرست کردیم.. هر راننده یک احتمال شخصی برای تغییر خط، رعایت اولویت ها و علائم توقف، مسدود کردن یک گره عبور بدون دلیل دارد. با ضریب فاصله امنیتی، حداقل فاصله ای که راننده از راننده دیگر نگه می دارد تعیین می شود. ضریب سرعت نشان دهنده سرعتی است که آنها می خواهند با توجه به حداکثر سرعت مجاز در جاده به آن برسند. زمانی که سرعت راننده به کمتر از 25 کیلومتر در ساعت می‌رسد، احتمال استفاده از جاده متصل با هر مرحله شبیه‌سازی افزایش می‌یابد. هنگامی که راننده به سرعت بیش از 25 کیلومتر در ساعت می رسد، احتمال آن صفر است.

کالیبراسیون و اعتبارسنجی مدل

از آنجایی که ما اطلاعاتی در مورد تعداد رانندگان فعال یا مدت زمانی که ماموران باید در مکان مقصد خود بگذرانند نداشتیم، این پارامترها را با مقایسه خروجی مدل با داده‌های شمارنده خودکار وسایل نقلیه، که شامل تعداد وسایل نقلیه عبور و مرور می‌شود، ارزیابی کردیم. سرعت متوسط ​​آنها در وضوح 1 ساعت، همراه با مختصات مکان شمارنده. برای هر ترکیب متفاوتی از مقادیر پارامتر مدل (هر سناریو)، یک خروجی مدل تولید کردیم که بیشتر با وضعیت واقعی گرفته شده توسط داده‌های شمارنده‌های خودکار خودرو در منطقه مورد مطالعه مقایسه شد.
تنظیمپس از اینکه مجموعه داده های شمارنده اتوماتیک خودرو را از قبل پردازش کردیم، یک روز کاری را انتخاب کردیم و آن را با هر سناریو تولید شده توسط مدل مقایسه کردیم. برای هر سناریو، تعداد وسایل نقلیه و سرعت آنها با وضوح 1 ساعت ارزیابی شد و با مقادیر موجود در مجموعه داده های شمارنده خودکار خودرو در یک ساعت مربوطه مقایسه شد. علاوه بر این، ما معیارهای همبستگی بین شرایط ترافیک مشاهده شده و هر سناریوی تولید شده توسط مدل را محاسبه کردیم. ما از ضرایب همبستگی پیرسون و اسپیرمن استفاده کردیم. پارامترهای مدل از سناریو که بهترین تناسب را برای روز انتخاب شده از مجموعه داده‌های شمارنده خودکار خودرو انتخاب کردند، انتخاب شدند. از طریق فرآیندهای کالیبراسیون، ما مقادیر جهانی را که ترکیب ناوگان را در طول یک روز تعریف می‌کند (تعداد وسایل نقلیه در شبکه جاده در طول یک روز) ارزیابی کردیم.
اعتبارسنجی برای ارزیابی قابلیت اطمینان مدل ما، حجم ترافیک سناریوی مدل انتخابی را در مرحله کالیبراسیون با روز دیگر انتخاب شده از داده‌های خودروی خودکار مقایسه کردیم. اعتبار سنجی به همان روش کالیبراسیون انجام می شود، یعنی با محاسبه معیارهای همبستگی بین تعداد مشاهده شده و پیش بینی شده وسایل نقلیه و سرعت آنها.

2.3. ارزیابی انتشار

برای تخمین انتشار گازهای گلخانه ای وسایل نقلیه تولید شده توسط ترافیک، از ضرایب در دسترس عموم از کتاب راهنمای HBEFA [ 53 ] استفاده کردیم. این کتاب شامل فاکتورهای انتشار متنوعی است که برای انواع مختلف وسایل نقلیه (مانند خودروهای سواری، وسایل نقلیه سنگین، وسایل نقلیه سبک، موتورسیکلت‌ها، اتوبوس‌ها و اتوبوس‌های شهری) با انواع مختلف موتورها (مانند دیزل، بنزین، برق، و CNG) در سوئیس، اتریش، آلمان، نروژ، سوئد و فرانسه. پایگاه داده حاوی فاکتورهایی است که برای آلاینده های زیر محاسبه شده است: C O ، H C ، NOایکس، پی ام، چندین جزء از اچ سی( سیاچ4، N M H Cبنزن، تولوئن، زایلن)، مصرف سوخت (بنزین، گازوئیل)، سیO2، ناچ3، ن2O، پ ن، و پی امبر حسب گرم در کیلومتر آلاینده ها برای طیف گسترده ای از موقعیت های ترافیکی، مانند شروع سرد و رویدادهای انتشار گرم محاسبه می شوند. علاوه بر این، مقادیر مجموع آلاینده‌ها را در هر نوع خودرو و کشور در بر می‌گیرد.

ما ارزیابی انتشار را ساده کردیم زیرا اطلاعات دقیقی در مورد نوع خودرو یا موتور یا عوامل ارزیابی شده برای صربستان نداشتیم. ما انتخاب کردیم که از عوامل تخمین زده شده برای اتریش استفاده کنیم، زیرا این کشور از نظر جغرافیایی نزدیکترین کشور است. ما از مقادیر تجمیع ارائه شده برای خودروهای سواری و محاسبه انتشار آلاینده ها استفاده کردیم C O ، NOایکس،و پی امبا وضوح 1 ساعت ما از فرمول ( 1 ) برای محاسبه انتشار در هر پیوند ترافیک استفاده کردیم. همانطور که در ادبیات ذکر شده است که ضرایب تقریباً دو برابر بزرگتر هستند زمانی که ترافیک در رژیم توقف و حرکت است [ 62 ]، ما ضریب k را برای نشان دادن آن اضافه کردیم. برای هر پیوند جاده ای که سرعت ارزیابی شده در آن < 1 / 5 * m a x _ a l l o w e d _ s p e e d، کمقدار 2 و در غیر این صورت 1 تنظیم شد.

لh , p=nh ، l∗دل∗ یک گرمgپ∗کh ، l

جایی که:

ساعت ساعت
ل لینک ترافیک
پ آلاینده، می تواند باشد C O، N O x، و  پی ام
لh , p انتشار محاسبه شده برای آلاینده p در لینک ترافیک l در ساعت ساعت
nh ، l تعداد وسایل نقلیه در لینک ترافیک l در ساعت ساعت
دل طول لینک ترافیک l بر حسب کیلومتر
یک گرمgپ ضریب تجمعی از کتاب راهنمای HBEFA برای آلاینده p در واحد g/vehkm
کh ، l ضریب تراکم برای لینک ترافیک l در ساعت ساعت. برای پیوندهای متراکم 2 و در غیر این صورت 1 می گیرد

اعتبار سنجی انتشار

برای ارزیابی قابلیت اطمینان انتشار برآورد شده، خروجی مدل را با داده‌های کیفیت هوای موجود اندازه‌گیری شده توسط ایستگاه‌های واقع در منطقه مورد مطالعه مقایسه کردیم. ما معیارهای همبستگی بین مقادیر ارزیابی شده و به دست آمده را محاسبه کردیم پی ام، C O، نOایکساز ایستگاه های کیفیت هوا در نزدیک ترین راه ارتباطی به ایستگاه مربوطه. باز هم، روزی را انتخاب کردیم که با روز انتخاب شده برای کالیبراسیون مدل ترافیک یکسان است، زیرا معتقدیم که واقعی ترین روز شبیه سازی شده است.

3. مطالعه موردی

نووی ساد دومین شهر بزرگ صربستان با نرخ رشد مثبت ( شکل 2 ) و بیش از 300000 نفر جمعیت است [ 63 ]. این شهر در مرز مناطق جغرافیایی Backa و Srem قرار دارد که توسط رودخانه دانوب تعریف شده است. علاوه بر این، رو به دامنه شمالی کوه فروسکا گورا است. نووی ساد به دلیل موقعیت جغرافیایی، شبکه جاده ای و مساحت نسبتاً کوچک در دسترس، بسیار شلوغ شده است و ازدحام ترافیک روزانه قابل توجهی دارد که منجر به افزایش آلودگی شده است. ازدحام عمدتاً در امتداد پل ها وجود دارد. تخمین زده می شود که این شهر به دو پل ماشین سواری و یک پل عابر پیاده دیگر نیاز دارد. متأسفانه به دلایل مالی، تا پایان سال 2030 تنها یک پل اتومبیل رانی خواهد داشت.64 ]، که برای شهری که دائما در حال رشد است، دوره بسیار طولانی است. به دلایل فوق، سیاست گذاران باید راه دیگری برای بهینه سازی ترافیک برای به حداقل رساندن تراکم بیابند. با مدل پیشنهادی، سیاست گذاران این امکان را دارند که اثرات مقررات مختلف ترافیک را برای یافتن بهینه ترین راه حل در کل منطقه مورد مطالعه مورد بررسی قرار دهند.

3.1. اکتساب و پردازش داده ها

3.1.1. داده های مخابراتی

مجموعه داده توسط اپراتور Telecom Serbia برای دوره زمانی 3 تا 11 ژوئیه 2017 ارائه شده است. این مجموعه شامل تقریباً یک میلیون رکورد در روز بود که توسط 197950 کاربر منفرد ایجاد می شد. علاوه بر این، وضوح فضایی با 80 RBS تعریف شد. پس از پیش پردازش داده ها، ما در نهایت 80542 کاربر مجزا، 77 آنتن و کمتر از یک میلیون رکورد در روز دریافت کردیم که بیشتر برای تخمین ماتریس احتمال OD و احتمال فعالیت مخابراتی در ساعت استفاده شد. تعداد مکان های تخمینی مبدا (خانه) همراه با داده های رسمی جمعیت در شکل 3 الف نشان داده شده است، در حالی که احتمال محاسبه شده فعالیت موقت مخابراتی در شکل 3 ب نشان داده شده است. ماتریس احتمال مبدا-مقصد در شکل A1 نشان داده شده است.
3.1.2. مجموعه داده شمارنده اتوماتیک خودرو
مجموعه داده‌های شمارنده‌های خودکار خودرو برای دوره‌های زمانی 1 تا 17 نوامبر 2019 و 3 تا 9 دسامبر 2019 در دسترس بود. این مجموعه شامل تعداد خودروها با وضوح 1 ساعت از 26 شمارنده و میانگین سرعت از 16 شمارنده واقع در اصلی بود. گذرگاه ها در شهر ( شکل 4 ). با این حال، از آنجایی که اجرای آن‌ها یک پروژه آزمایشی در مطالعه موردی بود، وقفه‌هایی در جمع‌آوری داده‌ها وجود داشت و بنابراین ابتدا داده‌ها را پاکسازی کردیم. علاوه بر این، وقفه ها و داده های متناقض هنگام اندازه گیری سرعت در مقایسه با شمارش تعداد وسایل نقلیه بیشتر وجود داشت.
شمارنده‌های دارای رکوردهای نامعتبر را حذف کردیم. ما شرطی را تعیین می کنیم که یک شمارنده باید حداقل چهار رکورد هنگام شمارش اتومبیل ها یا اندازه گیری سرعت در یک روز (4 ساعت) داشته باشد تا برای اعتبارسنجی یا کالیبراسیون نگهداری شود. عدد چهار برای امکان محاسبه همبستگی ها انتخاب شد. اگر در طول یک روز، اکثر شمارنده ها در جمع آوری داده ها وقفه داشتند، آن را پاک می کردیم. علاوه بر این، روزهایی را که به‌عنوان نقاط پرت شدید شناسایی می‌کردیم، حذف کردیم، زیرا فرض کردیم در جمع‌آوری داده‌ها خطایی وجود دارد. در نهایت، ما با 7 تا 17 شمارنده در روز (بسته به روز و اندازه گیری (تعداد ماشین یا سرعت متوسط؛ اندازه گیری از شمارنده های مختلف در دسترس بود) و 16 روز قابل استفاده به پایان رسیدیم.شکل 5 .
با این وجود، همانطور که ادبیات قبلی گزارش داد که چهار نوع مختلف روز در مناطق شهری وجود دارد: روزهای کاری (دوشنبه تا پنج شنبه)، جمعه ها، آخر هفته ها و تعطیلات [ 25 ]، و ما می خواستیم یک روز کاری معمولی را شبیه سازی کنیم، ما فقط آن ها را در نظر گرفتیم. که در محدوده ذکر شده قرار می گیرند. برای کالیبراسیون مدل، چهارشنبه – 6 نوامبر 2019 را انتخاب کردیم، زیرا بیشترین تعداد شمارنده موجود را داشت. سپس خروجی مدل با مقایسه آن با پنجشنبه – 3 دسامبر 2019، روز بعد با بیشترین تعداد شمارنده موجود، تأیید شد.

3.2. شبیه سازی ترافیک

مدل ABM ترافیک بر اساس داده‌ها و مدل دنبال‌کننده خودرو است. شبکه ترافیک از OSM دانلود و به مدل وارد شد. برای شهر و حائل 1 کیلومتری آن، تمامی راه های قابل تردد وارد شده است، در حالی که برای نقاط حاشیه ای شهر که متعلق به شهرداری است، تنها راه های اصلی لحاظ شده است. به این ترتیب مدل ساده شده و ترافیک ورودی به شهر لحاظ می شود. عوامل بر اساس توزیع جمعیت در هر جامعه محلی تولید می شوند. مکان مقصد و حرکت آنها با توجه به احتمالات محاسبه شده از داده های مخابراتی استنباط شد. برای جزئیات بیشتر پیاده سازی، لطفاً به بخش 2.2 مراجعه کنید .
مقادیر دو پارامتر ورودی که تعداد رانندگان و دینامیک ترافیک را تعریف می‌کنند در طول فرآیندهای کالیبراسیون تخمین زده شد. این پارامترها مدت زمان بود که اقامت یک عامل در مکان مقصد را مشخص می‌کند و درصد جمعیت شبیه‌سازی‌شده ، که تعداد عوامل را در مدل تعیین می‌کند. در فرآیند کالیبراسیون، ما چندین آزمایش را با مقادیر زیر برای مدت زمان پارامترها اجرا کردیم.  = [ 4 , 5 , 6 , 7 , 8 , 9 ]و درصد جمعیت شبیه سازی شده  = [ 0.1 ، 0.2 ]، مطابق با نظر کارشناسی در حوزه ترافیک انتخاب شده است. از آنجایی که تصادفی بودن در مدل در خروجی 1 ساعت قابل توجه نیست، ما مدل را پنج بار برای هر ترکیبی از تنظیمات پارامتر اجرا کردیم و نتایج را میانگین گرفتیم. سپس، به عنوان بخشی از فرآیند کالیبراسیون، خروجی های تولید شده برای هر ترکیبی از مقادیر پارامترها را با روز انتخابی در مجموعه داده های شمارنده اتوماتیک خودرو مقایسه کردیم. ما بالاترین مقادیر همبستگی بین خروجی مدل و داده ها را از شمارنده های خودکار خودرو با مقادیر پارامتر به دست آوردیم. [ 9 , 0.1 ]. در شکل 6 و شکل A2 ، مقایسه بین خروجی مشاهده شده و پیش بینی شده برای مقادیر پارامتر ذکر شده قابل مشاهده است. در شکل 7 ، نقشه های تراکم به ترتیب در ساعت 6 صبح، 10 صبح، 12 بعد از ظهر و 3 بعد از ظهر نشان داده شده است. ازدحام به عنوان تفاوت بین حداکثر سرعت مجاز و سرعت پیش بینی شده توسط مدل در یک ساعت معین برای هر لینک ترافیک محاسبه می شود. برای اعتبارسنجی مدل پیشنهادی با پارامترهای مدل انتخاب شده، نتایج را با روز دوم انتخاب شده از شمارنده‌های خودکار خودرو مقایسه کردیم. نتایج اعتبار سنجی در پیوست A درج شده و در شکل A3 و شکل A4 نشان داده شده است.

3.3. ارزیابی انتشار

خروجی مدل بیشتر برای محاسبه انتشار ترافیک با استفاده از ضرایب جمع آوری HBEFA و فرمول ( 1 ) استفاده می شود. انتشار برای هر لینک ترافیک و هر ساعت محاسبه می شود. برای اعتبارسنجی انتشار محاسبه‌شده، ما از اندازه‌گیری‌های دو ایستگاه موجود آژانس حفاظت از محیط زیست صربستان (SEPA) [ 65 ] استفاده کردیم که پارامترهای مختلف کیفیت هوا را از ترافیک با وضوح 1 ساعت اندازه‌گیری می‌کنند: ایستگاه Novi Sad Rumenacka (45.262626، 19.819016) – C Oو ایستگاه Novi Sad SPENS (45.24506، 19.84119) — C O، نOایکس، پی ام. اعتبار سنجی خروجی انتشار در شکل 8 نشان داده شده است ، در حالی که انتشار گرما برای آن ترسیم شده است نOایکس، C O، و پی امبه ترتیب در شکل 9 ، شکل A5 و شکل A6 نشان داده شده است.

4. بحث

تنظیم مدل و دقت به دست آمده توسط داده های موجود دیکته شد. ما به معیارهای همبستگی خوبی برای اکثر گذرگاه ها دست یافتیم، به این معنی که ما موفق به ارزیابی ترکیب ترافیک و انتشار آن شدیم. با این حال، برای برخی مکان‌ها، تعداد خودروها یا انتشار گازهای گلخانه‌ای در همان محدوده مشاهده‌شده توسط شمارنده‌های خودکار خودرو و ایستگاه‌های آلایندگی پیش‌بینی نشده بود. علاوه بر این، در حالی که همبستگی پیرسون برای اکثر نمودارها حدود 0.5-0.6 بود، Spearman دارای تنوع بالاتری بود و مقادیر آن از 0.1 به 0.9 رسید. همبستگی پیرسون از مقادیر واقعی استفاده می کند، در مقایسه با همبستگی اسپیرمن، که همبستگی را بر اساس رتبه ها محاسبه می کند. از نظر انتشار پیش‌بینی‌شده، معیارهای همبستگی خوبی برای هر دو ضریب به دست آوردیم، اما فقط یک ایستگاه برای مقایسه داشتیم. نOایکسو پی امآلاینده ها و دو ایستگاه برای C Oآلاینده ها اگرچه تعداد ایستگاه ها به اندازه کافی برای ارائه آلودگی کلی در شهر زیاد نبود، اما ما آن را تا حدودی بازتولید کردیم و امکان استفاده مشترک از مجموعه داده های مختلف، روش های پردازش داده ها و غلبه بر فرم های داده همه کاره آنها را برای این منظور نشان دادیم. ایجاد یک ابزار تصمیم گیری که هدف اصلی در تمام این مدت بود.
دلایل متعددی برای عدم توانایی پیش‌بینی اعداد مطلق در برخی نقاط وجود دارد. ابتدا، مجموعه داده‌ای را داشتیم که برای تولید ماتریس احتمال OD از جولای 2017 استفاده می‌شد، در حالی که بقیه داده‌ها در نوامبر و دسامبر 2019 در دسترس بودند. علاوه بر این، روزهای انتخابی بر اعتبارسنجی مدل تأثیر گذاشت. در ادبیات گزارش شده است که الگوهای ترافیک در طول روز متمایز هستند و قابل تعمیم نیستند [ 66]. بنابراین، برای به دست آوردن یک مدل قابل اعتماد، یک سیاست‌گذار باید از مجموعه داده‌ها برای مفروضات، کالیبراسیون و اعتبارسنجی از همان دوره زمانی، ترجیحاً در همان روز استفاده کند. علاوه بر این، دقت گزارش‌شده به ماهیت داده‌های مورد استفاده در فرآیندهای کالیبراسیون و اعتبارسنجی و چگالی مکانی و زمانی آن بستگی دارد. برخلاف مقالاتی که الگوی کلی تولید شده توسط یک مدل را با نقشه‌های تراکم یا انتشار یا یک عدد جهانی مقایسه کردند [ 4 , 6 , 42 , 67]، معیارها را در سطح مکانی-زمانی دقیق‌تری محاسبه کردیم و اعداد واقعی و نه تنها الگوهای بصری را مقایسه کردیم. اگرچه این روش دقیق‌تری است، اما این احتمال وجود داشت که داده‌های موجود تعاملات کامل افراد را به درستی ثبت نکرده باشند. احتمالاً بهترین گزینه ترکیب هر دو راه است. با توجه به محاسبه انتشار، به دلیل فقدان داده‌های ناوگان ترافیکی و ضرایب انتشار اندازه‌گیری شده در صربستان، استفاده از یک رویکرد جمع‌آوری شده ساده را انتخاب کردیم. با این حال، یک سوال باز وجود دارد که ضرایب جمع آوری شده برای اتریش از کتاب HBEFA تا چه حد با شرایط ترافیکی در صربستان مطابقت دارد. از آنجایی که ما فقط دو ایستگاه برای تأیید نتایج داشتیم، این سؤال برای تحقیقات بیشتر باز است. از منظر مدل سازی، بهترین راه شبیه‌سازی دینامیکی آلاینده‌های خودرو برای هر مرحله شبیه‌سازی در مدل، شبیه‌سازی فعالیت‌های شروع سرد و انتشار گرم برای هر نوع خودرو و موتور آن است. با این وجود، این پیچیدگی مدل را افزایش می‌دهد و زمان شبیه‌سازی را طولانی‌تر می‌کند که به طور بالقوه منجر به مشکلات دیگری می‌شود. در نهایت، ما ترافیک را شبیه‌سازی کردیم و انتشار آن را در سطح شهرداری ارزیابی کردیم، و به طور کلی، در مقایسه با مدل‌هایی که ترافیک را در یک منطقه کوچک‌تر شبیه‌سازی می‌کنند، سخت‌تر است که مدل را با سناریوهای دنیای واقعی زمانی که بزرگ‌تر و پیچیده‌تر است تنظیم کنیم. چون یک ناحیه است. این امر پیچیدگی مدل را افزایش می دهد و زمان شبیه سازی را طولانی می کند که به طور بالقوه منجر به مشکلات دیگری می شود. در نهایت، ما ترافیک را شبیه‌سازی کردیم و انتشار آن را در سطح شهرداری ارزیابی کردیم، و به طور کلی، در مقایسه با مدل‌هایی که ترافیک را در یک منطقه کوچک‌تر شبیه‌سازی می‌کنند، سخت‌تر است که مدل را با سناریوهای دنیای واقعی زمانی که بزرگ‌تر و پیچیده‌تر است تنظیم کنیم. چون یک ناحیه است. این امر پیچیدگی مدل را افزایش می دهد و زمان شبیه سازی را طولانی می کند که به طور بالقوه منجر به مشکلات دیگری می شود. در نهایت، ما ترافیک را شبیه‌سازی کردیم و انتشار آن را در سطح شهرداری ارزیابی کردیم، و به طور کلی، در مقایسه با مدل‌هایی که ترافیک را در یک منطقه کوچک‌تر شبیه‌سازی می‌کنند، سخت‌تر است که مدل را با سناریوهای دنیای واقعی زمانی که بزرگ‌تر و پیچیده‌تر است تنظیم کنیم. چون یک ناحیه است.
دقت مدل گزارش شده، علاوه بر داده ها، به روش اعتبارسنجی آن نیز بستگی دارد. ادبیات شامل نمونه های متعددی از شیوه های مختلف مدل سازی ترافیک [ 68 ] است و روش های اعتبارسنجی آنها متفاوت است. روش‌هایی وجود دارد که در آن اعتبارسنجی تنها بر اساس مقایسه بصری نقشه گرمای ترافیک با نقشه ترافیک خدماتی مانند نقشه‌های گوگل یا بایدو است [ 4 ، 6 ، 42 ، 67 ]. علاوه بر این، مقالاتی وجود دارند که تنها از یک عدد جهانی برای تایید الگوی کلی تولید شده توسط یک مدل استفاده می‌کنند، مانند مقایسه کلی C Oیا نOایکسانتشار تولید شده توسط مدلی با انتشار کلی گزارش شده در شهرها [ 4 ، 67 ]. سؤال این است که مدل‌ها چقدر دقیق هستند و دقت گزارش‌شده تا چه اندازه تحت تأثیر روش‌شناسی داده‌ها و اعتبارسنجی مورد استفاده قرار می‌گیرد. از سوی دیگر، برخی از مقالات الگوی تولید شده را با اعداد واقعی در مقیاس زمانی- مکانی بالاتر تأیید می‌کنند، اما رویکردهای آنها نیز متفاوت است. برخی از نمونه ها مقایسه ترافیک ساعتی با میانگین ترافیک روزانه سالانه [ 32 ]، تعداد کل وسایل نقلیه با یک شماره در چندین مکان [ 43 ]، حجم ترافیک با 600 حسگر [ 44 ]، خروجی مدل با خروجی از مدل دیگر [ 69 ] است.] و غیره همه این مدل ها با سطح جزئیات، مفروضات و سؤالات تحقیقی که شامل می شوند متمایز می شوند. از این منظر، مقایسه دقت مدل‌های مختلف دشوار است.
علیرغم اینکه قادر به پیش‌بینی اعداد مطلق و مجموعه داده‌های کمیاب مورد استفاده برای اعتبارسنجی نیستیم، معتقدیم روش ارائه شده می‌تواند برای ایجاد یک ابزار تصمیم‌گیری و برای دستیابی به بینش در هنگام مقایسه سیاست‌های مختلف به منظور یافتن نتیجه بهینه استفاده شود. . تکیه بر یک نتیجه‌گیری مبتنی بر شواهد، تصمیم‌گیری روان‌تر و هوشمندانه‌تر را نوید می‌دهد. با این حال، گنجاندن داده های بیشتر نیز به پیچیدگی مدل کمک می کند و منجر به مشکلات دیگری مانند زمان اجرا طولانی و افزایش پیچیدگی می شود. بنابراین لازم است بین سطح واقعیت در مدل و هدف آن سازش پیدا کرد. اگرچه هیچ مدل کاملی وجود ندارد، اما می‌توانند تا حدودی از فرآیندهای تصمیم‌گیری پشتیبانی کرده و بینشی در مورد پدیده‌های مورد علاقه ارائه دهند. سیاست گذاران فقط باید از محدودیت های مدل آگاه باشند. علاوه بر این، منابع و ظرفیت های رایانه همراه با الگوریتم ها در حال پیشرفت هستند، بنابراین ما به سمت مدل های واقعی تر حرکت می کنیم.
علاوه بر این، این مطالعه مروری به چالش‌های ترکیب منابع داده متفاوت با تفکیک‌پذیری‌های مکانی-زمانی مختلف ارائه می‌دهد. استفاده از منابع داده ناهمگن سوالات و چالش های زیادی را به همراه دارد [ 9 , 10 , 70]. از یک طرف، می‌توان گفت که داده‌های جمع‌آوری‌شده غیرفعال عمدتاً عاری از سوگیری هستند و از انتخاب روش‌های نمونه‌گیری رنج نمی‌برند. از آنجایی که آنها حجم نمونه بزرگتری را پوشش می دهند، معمولاً می توان تصویر گسترده ای از الگوهای رفتاری به دست آورد. با این وجود، استفاده از داده‌هایی که اساساً برای پشتیبانی از برخی موضوعات ساخته نشده‌اند، مانند داده‌های مخابراتی در مطالعات ترافیک، شکاف‌هایی را ایجاد می‌کند و باید با منابع داده دیگر ترکیب شوند تا قفل ارزش آن‌ها باز شود. ترکیب مجموعه‌های داده‌های مختلف، عدم قطعیت‌ها و چالش‌های زیادی را به وجود می‌آورد که ناشی از عدم تطابق در وضوح داده‌ها و ماهیت چندوجهی و پویای داده‌ها است و تلاش بیشتری را برای غلبه بر آنها معرفی می‌کند [ 10 ].]. برای رسیدن از داده های مخابراتی به انتشار ترافیک، مراحل مختلفی را برای ترکیب منابع داده طی کردیم. برای تطبیق وضوح مکانی داده های مخابراتی با داده های رسمی جمعیت، دامنه را در سطح جامعه محلی ارتقاء دادیم. ما مدل ABM را در سطح جامعه محلی پر کردیم و سفرهای آنها را به شبکه ترافیک متصل کردیم. علاوه بر این، برای مقایسه ترافیک یا انتشار آن با ایستگاه‌ها و شمارنده‌ها در منطقه مورد مطالعه، ترافیک یا انتشار آن را در نزدیک‌ترین پیوند ترافیکی جمع‌بندی کرده و همبستگی‌ها را محاسبه می‌کنیم. علاوه بر این، منابع داده های مختلف توزیع خطاهای متفاوتی دارند و مدل سازان باید این را در هنگام استفاده از آنها در نظر داشته باشند [ 9 ]]. برای غلبه بر این مسائل، مدل‌سازان باید راه‌حل‌های خود را با حداکثر داده‌ها و نظرات کارشناسی پشتیبانی کنند. از نظر داده های مخابراتی، ما تشخیص دادیم که محدودیت اصلی در دسترس بودن داده است. در نتیجه، به منظور تکرار روش، سایر مطالعات موردی به منابع داده مشابه نیاز دارند. اپراتورهای مخابراتی معمولاً تمایلی به دادن اطلاعات به اشخاص ثالث ندارند، زیرا آنها باید از حریم خصوصی کاربران محافظت کنند. اگر تصمیم به اشتراک گذاری دارند، باید تلاش بیشتری برای ناشناس کردن و جمع آوری داده ها انجام دهند. رویکرد دیگری توسط ابتکار الگوریتم‌های باز (OPAL) پیشنهاد شد که از انتقال الگوریتم‌ها به داده‌ها حمایت می‌کند [ 71 ]]. بنابراین، داده های خام هرگز برای طرف های خارجی فاش نمی شوند، فقط الگوریتم های بررسی شده بر روی سرورهای شرکت های مخابراتی اجرا می شوند. با این وجود، با این مطالعه، ما معتقدیم که ارزش استفاده از داده های مخابراتی، علاوه بر کاربرد اصلی آن را ارتقا می دهیم. علاوه بر این، داده های مخابراتی شکاف ها و مسائل دیگری را در مورد مطالعات تحرک معرفی می کند. آنها با وضوح دامنه های RBS تعریف می شوند، که در مطالعه موردی همگن نیستند. با توجه به الگوهای تولید سفر، وضوح فضایی به اندازه کافی بزرگ نیست تا حرکات با جزئیات فضایی را ثبت کند. علاوه بر این، تشخیص رانندگان از سایر شرکت کنندگان در ترافیک دشوار است. این احتمال وجود دارد که استفاده از برخی تکنیک های پیشرفته که شامل تجزیه و تحلیل سرعت تغییر مکان می شود، بتواند عابران پیاده را از دیگران متمایز کند و بر مشکل غلبه کند. با این حال، در مناطق شهری یک مسئله وجود دارد، که در آن شدت ترافیک زیاد و سرعت بسیار پایین است. تمایز بین مسافران و رانندگان نیز یک چالش است. برای دور زدن مسائل ذکر شده در بالا، ما الگوهای مکانی-زمانی دقیق را استخراج نکردیم، بلکه احتمالات حرکت را برای هر جامعه محلی استخراج کردیم. با نتایج داده‌شده، ما استدلال می‌کنیم که وقتی به منطقه مورد مطالعه بزرگ‌تر فضایی، مانند سطح شهرداری که برای مدل‌سازی انتخاب کردیم، این کافی است.
در زمینه مطالعات حمل و نقل، نتایج نشان دهنده جریان ترافیک تخمینی و انتشار آن در بازه های زمانی مختلف روز است. ارزیابی جریان ترافیک در برنامه ریزی ترافیک به عنوان معیاری برای قرار گرفتن در معرض بسیار مفید است. در بسیاری از مطالعات ایمنی ترافیک، معیارهای قرار گرفتن در معرض مهمترین عامل برای مدل سازی تصادفات رانندگی و تعیین عوامل تأثیرگذار در تصادفات رانندگی هستند [ 72 ، 73 ].]. علاوه بر این، معیارهای قرار گرفتن در معرض نقش مهمی در برنامه ریزی ترافیک و توسعه زیرساخت های ترافیکی دارند، جایی که به متخصصان حمل و نقل کمک می کنند تا مکانیسم ها و عوامل جریان ترافیک روان و کاهش انتشار آن را درک کنند. برای ایجاد تصمیمات با کیفیت با توجه به مقررات ترافیکی و انتشار آن، داده ها در سطح مکانی-زمانی دقیق در زمان واقعی تقریباً مورد نیاز است که همیشه در دسترس نیست. این مطالعه بر ارزش داده ها تاکید می کند و گامی رو به جلو در استفاده از داده های بزرگ در مطالعات حمل و نقل برداشته است.

5. نتیجه گیری ها

در این مطالعه، یک روش مبتنی بر عامل برای شبیه‌سازی ترافیک و تخمین انتشار ارائه شد. روش شناسی مبتنی بر استفاده از منابع داده ناهمگن است. داده های مخابراتی برای ارزیابی احتمال حرکت زمانی و مکانی بین جوامع محلی مختلف در منطقه مورد مطالعه استفاده شد. با استفاده از احتمالات به همراه یک سرشماری رسمی، داده‌های GIS و داده‌های مربوط به شبکه‌های جاده‌ای از OSM، مدل مبتنی بر عامل ترافیک را در پلت فرم GAMA ساختیم. علاوه بر این، ما از خروجی مدل و برآورد انتشار ترافیک استفاده کردیم. با استفاده از داده‌های شمارنده خودکار وسایل نقلیه، داده‌های کیفیت هوا اندازه‌گیری شده از چندین ایستگاه در منطقه مورد مطالعه، ما ثابت کردیم که نتایج مدل با شرایط ترافیک و انتشار واقعی مطابقت دارد. با این حال، دقت به دست آمده توسط داده های موجود دیکته شده است. با این اوصاف،
روش پیشنهادی دارای محدودیت های متعددی است که باید مورد توجه قرار گیرد. تقاضاهای سفر (مانند عابران پیاده، کامیون‌ها و غیره) از داده‌های مخابرات استخراج نشد. در عوض، ما احتمالات حرکت را محاسبه کرده و آنها را در مدل قرار دادیم. برای شبیه سازی ترافیک از افزونه Advanced Traffic استفاده می کنیمارائه شده توسط چارچوب GAMA، که از شرایط ترافیکی دقیق با شامل خطوط، جهت گیری خیابان ها، رفتار رانندگان و غیره استفاده می کند. . اگر تعداد بیشتری از عوامل و شبکه‌های ترافیکی را که باید بر روی آن شبیه‌سازی شوند اضافه کنیم، می‌توانیم به یک مدل واقعا پیچیده و زمان‌بر دست پیدا کنیم. برای مدل پیشنهادی با 10 درصد از جمعیت شبیه سازی شده، شبیه سازی تا 4 روز به طول انجامید که دوره نسبتا طولانی است. در مدل، انواع مختلف وسایل نقلیه قابل تشخیص نیستند. چراغ های راهنمایی حذف شدند. برای ساده‌سازی مدل، تنها راه‌های اصلی را در بخش‌های حاشیه‌ای شهرداری قرار دادیم. ما محاسبات انتشار را در مدل وارد نکردیم، اما در عوض، آن را به عنوان یک پسین محاسبه کردیم. که با وضوح مدل ترافیک ساخته شده ناسازگار است. ما این کار را به دلیل کمبود داده و جلوگیری از پیچیدگی بیشتر مدل انجام دادیم. ما هیچ عامل خارجی مانند شرایط آب و هوایی (باد، دما و غیره) و واکنش های شیمیایی را در نظر نگرفتیم.
در کار آینده، ما قصد داریم داده های بیشتری را در مدل بگنجانیم و در نتیجه آن را غنی کنیم. علاوه بر این، آزمایش سیاست های مختلف ترافیکی و مشاهده تاثیر آنها بر جریان ترافیک و انتشار گازهای گلخانه ای در طول یک روز برنامه ریزی شده است.

ضمیمه A. نتایج

Ijgi 11 00366 g0a1 550
شکل A1. ماتریس احتمال مبدأ-مقصد بین جوامع محلی در منطقه مورد مطالعه؛ کنه‌های قرمز نشان‌دهنده جوامع محلی است که در منطقه شهر هستند، در حالی که کنه‌های آبی نشان‌دهنده جوامع محلی واقع در خارج از شهر هستند.
Ijgi 11 00366 g0a2 550
شکل A2. کالیبراسیون – ضرایب همبستگی پیرسون (p) و اسپیرمن (s) بین سرعت پیش‌بینی‌شده و مشاهده‌شده در مجموعه داده‌های شمارنده خودکار خودرو. روز انتخابی از مجموعه داده‌های شمارنده خودکار خودرو، 6 نوامبر 2019 بود. لطفاً توجه داشته باشید: محورها برای تأکید بر روند ثبت‌شده در یک مقیاس نیستند.
Ijgi 11 00366 g0a3 550
شکل A3. اعتبارسنجی – ضرایب همبستگی پیرسون (p) و اسپیرمن (s) بین تعداد پیش‌بینی‌شده و مشاهده‌شده خودروها در مجموعه داده‌های شمارنده‌های خودکار خودرو. روز انتخابی از مجموعه داده‌های شمارنده خودکار خودرو، 3 دسامبر 2019 بود. لطفاً توجه داشته باشید: محورها برای تأکید بر روند ثبت‌شده در یک مقیاس نیستند.
Ijgi 11 00366 g0a4 550
شکل A4. اعتبارسنجی – ضرایب همبستگی پیرسون (p) و اسپیرمن (s) بین سرعت پیش‌بینی‌شده و مشاهده‌شده در مجموعه داده‌های شمارنده خودکار خودرو. روز انتخابی از مجموعه داده‌های شمارنده خودکار خودرو، 3 دسامبر 2019 بود. لطفاً توجه داشته باشید: محورها برای تأکید بر روند ثبت‌شده در یک مقیاس نیستند.
Ijgi 11 00366 g0a5 550
شکل A5. نOایکسشدت انتشار در ساعات مختلف
Ijgi 11 00366 g0a6 550
شکل A6. شدت انتشار PM در ساعات مختلف

منابع

  1. جین، وی. شارما، ا. سوبرامانیان، ال. تراکم ترافیک جاده ای در کشورهای در حال توسعه. در مجموعه مقالات دومین سمپوزیوم ACM در محاسبات برای توسعه، آتلانتا، GA، ایالات متحده آمریکا، 11-12 مارس 2012. صص 1-10. [ Google Scholar ]
  2. که. سازمان بهداشت جهانی – رشد جمعیت شهری، رصدخانه جهانی بهداشت. 2014. در دسترس آنلاین: https://www.who.int/ (دسترسی در 18 نوامبر 2021).
  3. خلفان، ع. اندروز، جی. Li, H. رانندگی در دنیای واقعی: انتشار گازهای گلخانه ای در ترافیک بسیار شلوغ. در مجموعه مقالات نشست SAE نیروگاه سوخت و روان کننده ها 2017، پکن، چین، 16 تا 18 اکتبر 2017؛ SAE International: Warrendale, PA, USA, 2017. [ Google Scholar ]
  4. هوفر، سی. جگر، جی. Füllsack، M. شبیه سازی در مقیاس بزرگ انتشار CO 2 ناشی از ترافیک خودروهای شهری: یک رویکرد شبکه مبتنی بر عامل. جی. پاک. تولید 2018 ، 183 ، 1-10. [ Google Scholar ] [ CrossRef ]
  5. مارتینز، ال.ام. ویگاس، JM ارزیابی تأثیرات استقرار یک سیستم تحرک شهری خودران مشترک: یک مدل مبتنی بر عامل اعمال شده در شهر لیسبون، پرتغال. بین المللی J. Transp. علمی تکنولوژی 2017 ، 6 ، 13-27. [ Google Scholar ] [ CrossRef ]
  6. هوفر، سی. جگر، جی. Füllsack، M. شامل اجتناب از ترافیک در یک مدل شبکه مبتنی بر عامل. محاسبه کنید. Soc. شبکه 2018 ، 5 ، 1-12. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. کیکهوفر، بی. Nagel، K. به سوی اولین بهترین عوارض آلودگی هوا با وضوح بالا. شبکه تف کردن اقتصاد 2016 ، 16 ، 175-198. [ Google Scholar ] [ CrossRef ]
  8. ژنگ، ن. Waraich، RA; Axhausen، KW; Geroliminis، N. یک طرح قیمت گذاری حلقه پویا که نمودار اساسی ماکروسکوپی و یک مدل ترافیک مبتنی بر عامل را ترکیب می کند. ترانسپ Res. بخش A سیاست سیاست. 2012 ، 46 ، 1291-1303. [ Google Scholar ] [ CrossRef ]
  9. Willumsen, L. استفاده از داده های بزرگ در مدل سازی حمل و نقل . OECD/ITF: پاریس، فرانسه، 2021. [ Google Scholar ]
  10. بردار، س. نووویچ، او. گروجیچ، ن. گونزالس-ولز، اچ. Truică، CO; بنکنر، اس. باجورویچ، ای. پاپادوپولوس، A. پردازش داده های بزرگ، تجزیه و تحلیل و کاربردها در شبکه های تلفن همراه. در مدل سازی و شبیه سازی با کارایی بالا برای برنامه های کاربردی داده های بزرگ ؛ Springer: Cham، سوئیس، 2019; صص 163-185. [ Google Scholar ]
  11. بکر، RA; کاسرس، آر. هانسون، ک. لوه، جی ام؛ اوربانک، اس. ورشاوسکی، آ. وولینسکی، سی. داستان یک شهر: استفاده از داده های شبکه سلولی برای برنامه ریزی شهری. محاسبات فراگیر IEEE 2011 ، 10 ، 18-26. [ Google Scholar ] [ CrossRef ]
  12. آرایی، ع. ویتایانگکورن، ا. کاناسوجی، اچ. فن، ز. اوهیرا، دبلیو. Pedro, S. ساخت یک اکوسیستم داده برای استفاده از داده های مخابراتی برای اطلاع رسانی تلاش های پاسخ به COVID-19 . Zenodo: ژنو، سوئیس، 2020. [ Google Scholar ]
  13. بوستی، پ. پولتی، پی. استلا، م. لپری، بی. مرلر، اس. De Domenico, M. کاهش خطر سرخک در ترکیه از طریق ادغام اجتماعی پناهندگان سوری. arXiv 2019 ، arXiv:1901.04214. [ Google Scholar ]
  14. بردار، س. گاوریچ، ک. Ćulibrk، D. Crnojević، V. پرده برداری از اپیدمیولوژی فضایی HIV با داده های تلفن همراه. علمی 2016 ، 6 ، 19342. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. لیما، ا. د دومنیکو، م. پژوویچ، وی. راهبردهای مهار بیماری بر اساس تحرک و انتشار اطلاعات. علمی Rep. 2015 , 5 , 10650. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. لو، ایکس. تان، جی. کائو، ز. Xiong، Y. کوین، اس. وانگ، تی. لیو، سی. هوانگ، اس. ژانگ، دبلیو. مارکزاک، LB; و همکاران داده‌های جریان جمعیت مبتنی بر تلفن همراه برای شیوع COVID-19 در سرزمین اصلی چین. Health Data Sci. 2021 ، 2021 ، 9796431. [ Google Scholar ] [ CrossRef ]
  17. وسولوفسکی، آ. قریشی، ت. بونی، MF; Sundsøy، روابط عمومی; جوهانسون، MA; رشید، SB; Engø-Monsen، K. Buckee, CO تأثیر تحرک انسان بر ظهور اپیدمی دنگی در پاکستان. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2015 ، 112 ، 11887–11892. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  18. نووویچ، او. بردار، س. مساروش، م. کرنویویچ، وی. پاپادوپولوس، AN کشف رابطه بین پویایی اتصال انسانی و استفاده از زمین. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 140. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. د ندایی، م. استایانو، جی. لارچر، آر. سبه، ن. کوئرسیا، دی. Lepri, B. مرگ و زندگی شهرهای بزرگ ایتالیا: چشم انداز داده تلفن همراه. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی وب جهانی، مونترال، QC، کانادا، 11-15 مه 2016؛ صص 413-423. [ Google Scholar ]
  20. گروجیچ، ن. نووویچ، او. بردار، س. کرنویویچ، وی. Govedarica، M. تجسم داده های تلفن همراه با استفاده از Python QGIS API. در مجموعه مقالات 2019 هجدهمین سمپوزیوم بین المللی INFOTEH-JAHORINA (INFOTEH)، سارایوو شرقی، جمهوری صربسکا، 20 تا 21 مارس 2019؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، 2019؛ صص 1-6. [ Google Scholar ]
  21. دویل، جی. هونگ، پی. فارل، آر. مک‌لون، اس. پویایی تحرک جمعیت برآورد شده از داده‌های تلفن همراه. J. فناوری شهری. 2014 ، 21 ، 109-132. [ Google Scholar ] [ CrossRef ]
  22. لوائل، تی. لنورمند، م. Ros، OGC; پیکورنل، ام. هرانز، ر. فریاس مارتینز، ای. راماسکو، جی جی. بارتلمی، ام. از داده های تلفن همراه تا ساختار فضایی شهرها. علمی 2014 ، 4 ، 5276. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. بردار، س. گروجیچ، ن. اوبرنوویچ، ن. نووویچ، او. لوگونجا، پ. مینیچ، وی. باجیچ، ژ. میلوانوویچ، م. Rokvić, N. Project-Depopulation Sensing توسط کشف دانش یکپارچه از داده های بزرگ . Biosense: نووی ساد، صربستان، 2021. [ Google Scholar ]
  24. گروجیچ، ن. بردار، س. نووویچ، او. گووداریکا، م. Crnojević، V. شواهد جداسازی شهری از داده های تلفن همراه: مطالعه موردی نووی ساد. در مجموعه مقالات بیست و هفتمین انجمن مخابرات 2019 (TELFOR)، بلگراد، صربستان، 26 تا 27 نوامبر 2019؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، 2019؛ صص 1-4. [ Google Scholar ]
  25. گروجیچ، ن. بردار، س. نووویچ، او. اوبرنوویچ، ن. گووداریکا، م. Crnojević، V. Biclustering برای کشف الگوهای مکانی- زمانی در داده های مخابراتی. در مجموعه مقالات کنفرانس مجمع عمومی EGU، آنلاین، 19 تا 30 آوریل 2021؛ پ. EGU21-14423. [ Google Scholar ]
  26. پاپالاردو، ال. پدرشی، دی. اسموردا، ز. Giannotti، F. استفاده از داده های بزرگ برای مطالعه ارتباط بین تحرک انسانی و توسعه اجتماعی-اقتصادی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2015 درباره داده های بزرگ (داده های بزرگ)، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 29 اکتبر تا 1 نوامبر 2015؛ IEEE: Piscataway, NJ, USA, 2015; صص 871-878. [ Google Scholar ]
  27. استیل، جی. Sundsøy، روابط عمومی; پزولو، سی. آلگانا، VA; پرنده، تی جی; بلومن استاک، جی. بیلند، جی. Engø-Monsen، K. دی مونتجویه، YA; اقبال، ع.م. و همکاران نقشه برداری از فقر با استفاده از تلفن همراه و داده های ماهواره ای JR Soc. رابط 2017 ، 14 ، 20160690. [ Google Scholar ] [ CrossRef ]
  28. گالیانا، ال. ساکاروویچ، بی. اسموردا، ز. درک تفکیک اجتماعی- فضایی در شهرهای فرانسه با داده های تلفن همراه. DGINS18 , 2018; نسخه خطی منتشر نشده . [ Google Scholar ]
  29. لو، ایکس. Wrathall، DJ; Sundsøy، روابط عمومی; نادیروز زمان، م. وتر، ای. اقبال، ع. قریشی، ت. تاتم، ای جی. Canright، GS; Engø-Monsen، K. و همکاران تشخیص سازگاری آب و هوا با داده های شبکه تلفن همراه در بنگلادش: ناهنجاری در الگوهای ارتباطات، تحرک و مصرف در طوفان ماهاسن. صعود چانگ. 2016 ، 138 ، 505-519. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. کشیش-اسکوردو، دی. مورالس-گوزمان، آ. تورس-فرناندز، ی. بائر، جی.ام. وادهوا، ا. کاسترو کوریا، سی. رومانوف، ال. لی، جی جی; رادرفورد، ا. فریاس مارتینز، وی. و همکاران سیل از دریچه فعالیت تلفن همراه. در مجموعه مقالات کنفرانس فناوری بشردوستانه جهانی IEEE (GHTC 2014)، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 10 تا 13 اکتبر 2014. IEEE: Piscataway, NJ, USA, 2014; صص 279-286. [ Google Scholar ]
  31. ویلسون، آر. زو ارباخ-شونبرگ، ای. آلبرت، ام. پاور، دی. تاج، اس. گونزالس، م. گاتری، اس. چمبرلین، اچ. بروکس، سی. هیوز، سی. و همکاران ارزیابی سریع و نزدیک به زمان واقعی جابجایی جمعیت با استفاده از داده های تلفن همراه پس از بلایا: زلزله 2015 نپال. PLoS Curr. 2016 ، 8 . [ Google Scholar ] [ CrossRef ]
  32. جرو، او. آحاس، ر. سالویر، ای. درودر، بی. Witlox، F. تلفن‌های همراه در جریان ترافیک: یک چشم‌انداز جغرافیایی برای تحلیل ترافیک ساعت شلوغی عصر با استفاده از سوابق جزئیات تماس. PLoS ONE 2012 ، 7 ، e49171. [ Google Scholar ]
  33. Bar-Gera، H. ارزیابی یک سیستم مبتنی بر تلفن همراه برای اندازه گیری سرعت ترافیک و زمان سفر: مطالعه موردی از اسرائیل. ترانسپ Res. قسمت C Emerg. تکنولوژی 2007 ، 15 ، 380-391. [ Google Scholar ] [ CrossRef ]
  34. سورنسن، A.Ø. بیلند، جی. بول برگ، اچ. لندمارک، AD; اختر، م.م. اولسون، نه استفاده از داده های تلفن همراه برای تجزیه و تحلیل تعداد مسافران قطار. J. Rail Transp. طرح. مدیریت 2018 ، 8 ، 123-144. [ Google Scholar ]
  35. الکساندر، ال. جیانگ، اس. مورگا، م. González، MC مبدا-مقصد سفر بر اساس هدف و زمان روز استنباط شده از داده های تلفن همراه. ترانسپ Res. قسمت C Emerg. تکنولوژی 2015 ، 58 ، 240-250. [ Google Scholar ] [ CrossRef ]
  36. Zagatti، GA؛ گونزالس، م. آونر، پی. لوزانو-گراسیا، ن. بروکس، سی جی; آلبرت، ام. گری، جی. Antos، SE; بورسی، پ. زو ارباخ-شونبرگ، ای. و همکاران سفر به محل کار: برآورد مبدا و مقصد الگوهای رفت و آمد در مناطق اصلی شهری هائیتی با استفاده از CDR. توسعه دهنده مهندس 2018 ، 3 ، 133-165. [ Google Scholar ] [ CrossRef ]
  37. اقبال، ام اس; Choudhury، CF; وانگ، پی. González، MC توسعه ماتریس های مبدا-مقصد با استفاده از داده های تماس تلفن همراه. ترانسپ Res. قسمت C Emerg. تکنولوژی 2014 ، 40 ، 63-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. تتامانتی، تی. دیمتر، اچ. Varga، I. برآورد انتخاب مسیر بر اساس داده های سیگنالینگ سلولی. Acta Polytech. آویزان شد. 2012 ، 9 ، 207-220. [ Google Scholar ]
  39. سكاماني، پ. Phithakkitnukoon، S. اسموردا، ز. Ratti, C. روش‌هایی برای استنباط انتخاب مسیر سفر رفت‌وآمد از داده‌های شبکه تلفن همراه. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 306. [ Google Scholar ] [ CrossRef ]
  40. وانگ، اچ. کالابرس، اف. دی لورنزو، جی. راتی، سی. استنتاج حالت حمل و نقل از سوابق جزئیات تماس تلفن همراه ناشناس و انباشته شده. در مجموعه مقالات سیزدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند، پکن، چین، 12 تا 15 اکتبر 2008. IEEE: Piscataway, NJ, USA, 2010; صص 318-323. [ Google Scholar ]
  41. دویل، جی. هونگ، پی. کلی، دی. مک لون، اس.اف. فارل، آر. استفاده از سوابق صورتحساب تلفن همراه برای کشف حالت سفر . دانشگاه Maynooth: کیلدر، ایرلند، 2011. [ Google Scholar ]
  42. وو، اچ. لیو، ال. یو، ی. پنگ، ز. جیائو، اچ. Niu, Q. شبیه سازی مدل مبتنی بر عامل از تحرک انسان بر اساس داده های تلفن همراه: نحوه ارتباط رفت و آمد با ازدحام. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 313. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. باسولاس، ا. راماسکو، جی جی. هرانز، ر. سوابق Cantú-Ros، OG تلفن همراه برای تغذیه مدل‌های تقاضای سفر مبتنی بر فعالیت: MATSim برای مطالعه خط مشی عوارض محدودیت در بارسلونا. ترانسپ Res. بخش A سیاست سیاست. 2019 ، 121 ، 56-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. مدل تولیدی فعالیت های شهری از داده های سلولی. IEEE Trans. هوشمند ترانسپ سیستم 2018 ، 19 ، 1682-1696. [ CrossRef ]
  45. ژانگ، ال. هوانگ، جی. لیو، ز. Vu، HL یک مدل مبتنی بر عامل برای طرح‌های توقف و نگه‌داشتن ایستگاه اتوبوس در زمان واقعی. ترانسپ ترانسپ. علمی 2021 ، 17 ، 615-647. [ Google Scholar ] [ CrossRef ]
  46. حسین، من. کناپن، ال. گالاند، اس. بلمنز، تی. یانسنز، دی. Wets، G. مدل مبتنی بر سازمان و شبیه سازی مبتنی بر عامل برای همراهی طولانی مدت. ژنرال آینده. محاسبه کنید. سیستم 2016 ، 64 ، 125-139. [ Google Scholar ] [ CrossRef ]
  47. مطیعیان، ح. مسگری، ام اس یک رویکرد مدل سازی مبتنی بر عامل برای برنامه ریزی شهری پایدار از دیدگاه کاربری زمین و حمل و نقل عمومی. شهرها 2018 ، 81 ، 91-100. [ Google Scholar ] [ CrossRef ]
  48. Bonabeau، E. مدل‌سازی مبتنی بر عامل: روش‌ها و تکنیک‌های شبیه‌سازی سیستم‌های انسانی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2002 ، 99 ، 7280-7287. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. Batty، M. عوامل، سلول‌ها و شهرها: مدل‌های نمایشی جدید برای شبیه‌سازی پویایی شهری چند مقیاسی. محیط زیست طرح. A 2005 , 37 , 1373-1394. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. کروکس، آ. مالسون، ن. مانلی، ای. Heppenstall، A. مدلسازی مبتنی بر عامل و سیستم های اطلاعات جغرافیایی: یک آغازگر عملی . Sage: Thousand Oaks، CA، USA، 2018. [ Google Scholar ]
  51. هپنستال، الف. مدل‌های مبتنی بر عامل برای سیستم‌های جغرافیایی: مروری . دانشگاه کالج لندن: لندن، بریتانیا، 2019. [ Google Scholar ]
  52. Taillandier، P. گاودو، بی. گریگنارد، آ. Huynh، QN; ماریلو، ن. کایلو، پی. فیلیپون، دی. Drogoul، A. ساخت، ترکیب و آزمایش مدل های فضایی پیچیده با پلت فرم GAMA. GeoInformatica 2019 ، 23 ، 299–322. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. کتابچه راهنمای عوامل انتشار برای حمل و نقل جاده ای. در دسترس آنلاین: https://www.hbefa.net/e/index.html (در 3 فوریه 2022 قابل دسترسی است).
  54. لوینسون، دی.م. کومار، A. مکان یاب منطقی: چرا زمان سفر ثابت مانده است. مربا. طرح. دانشیار 1994 ، 60 ، 319-332. [ Google Scholar ] [ CrossRef ]
  55. شفر، الف. قاعده مندی در تقاضای سفر: دیدگاه بین المللی. J. Transp. آمار 2000 ، 3 ، 1-31. [ Google Scholar ] [ CrossRef ]
  56. لندمارک، AD; آرنسن، پی. Södersten، CJH; Hjelkrem، OA داده‌های تلفن همراه در تحقیقات حمل‌ونقل: روش‌هایی برای محک زدن در برابر سایر منابع داده. حمل و نقل 2021 ، 48 ، 2883-2905. [ Google Scholar ] [ CrossRef ]
  57. اوکابه، ا. چکمه، بی. سوگیهارا، ک. Chiu، SN مفاهیم و کاربردهای نمودارهای Voronoi ; John Wiley & Sons Ltd.: Chichester, UK, 2000. [ Google Scholar ]
  58. سالگادو، م. گیلبرت، N. مدل سازی مبتنی بر عامل. در کتاب روشهای کمی تحقیق آموزشی ; Brill Sense: Paderborn، آلمان، 2013; ص 247-265. [ Google Scholar ]
  59. باززن، ALC; Klügl, F. مروری بر فناوری مبتنی بر عامل برای ترافیک و حمل و نقل. بدانید. مهندس Rev. 2014 , 29 , 375-403. [ Google Scholar ] [ CrossRef ]
  60. Taillandier, P. شبیه سازی ترافیک با پلت فرم GAMA. در مجموعه مقالات هشتمین کارگاه بین المللی در مورد عوامل در ترافیک و حمل و نقل، پاریس، فرانسه، 5-6 مه 2014. پ. 8. [ Google Scholar ]
  61. شاهارالدین، RA; Misro, MY Traffic شبیه سازی با استفاده از مدل سازی مبتنی بر عامل. در مجموعه مقالات کنفرانس AIP، چیانگ مای، تایلند، 20 تا 22 فوریه 2021؛ AIP Publishing LLC: Melville, NY, USA, 2021; جلد 2423، ص. 020035. [ Google Scholar ]
  62. کیکهوفر، بی. هولسمان، اف. گریک، آر. Nagel، K. افزایش هزینه‌های کاربر خودرو: مقایسه اثرات انباشته و جغرافیایی-فضایی بر تقاضای سفر و انتشار آلاینده‌های هوا. در شبکه های حمل و نقل هوشمند ؛ انتشارات ادوارد الگار: چلتنهام، انگلستان، 2013. [ Google Scholar ]
  63. نووی ساد در دسترس آنلاین: https://en.wikipedia.org/wiki/Novi_Sad (در 21 سپتامبر 2021 قابل دسترسی است).
  64. پل جدید. در دسترس آنلاین: https://www.021.rs/story/Novi-Sad/Vesti/268583/Planiranje-novog-mosta-u-Novom-Sadu-Dokument-na-javnom-uvidu-prigovori-do-11-aprila .html (در 21 سپتامبر 2021 قابل دسترسی است).
  65. SEPA – آژانس حفاظت از محیط زیست صربستان. در دسترس آنلاین: https://www.sepa.gov.rs/ (در 1 فوریه 2022 قابل دسترسی است).
  66. Ni, D. تئوری جریان ترافیک: ویژگی‌ها، روش‌های تجربی و تکنیک‌های عددی . Butterworth-Heinemann: آکسفورد، بریتانیا، 2015. [ Google Scholar ]
  67. پلاکولب، س. جگر، جی. هوفر، سی. Füllsack، M. شبیه سازی ترافیک شهری مزوسکوپی بر اساس رفتار تحرک برای محاسبه انتشار NOx ناشی از حمل و نقل موتوری خصوصی. Atmosphere 2019 ، 10 ، 293. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  68. ازلان، NNN; روحانی، م.م مروری بر کاربرد مدل شبیه سازی ترافیک. در مجموعه مقالات وب کنفرانس های MATEC، پنانگ، مالزی، 23 فوریه 2018؛ EDP ​​Sciences: Les Ulis، فرانسه، 2018; جلد 150، ص. 03006. [ Google Scholar ]
  69. ژائو، بی. کومار، ک. کیسی، جی. Soga، K. مدل مبتنی بر عامل (ABM) برای شبیه‌سازی ترافیک در مقیاس شهر: مطالعه موردی در سانفرانسیسکو. در مجموعه مقالات کنفرانس بین‌المللی زیرساخت‌ها و ساخت‌وساز هوشمند 2019 (ICSIC) رانندگی مبتنی بر داده‌ها، تصمیم‌گیری، کمبریج، بریتانیا، 8 تا 10 ژوئیه 2019؛ انتشارات ICE: لندن، انگلستان، 2019; ص 203-212. [ Google Scholar ]
  70. وانگ، اچ. خو، ز. فوجیتا، اچ. لیو، اس. به سوی تصمیم گیری موفق: مروری بر چالش ها و روندهای داده های بزرگ. Inf. علمی 2016 ، 367 ، 747-765. [ Google Scholar ] [ CrossRef ]
  71. لپری، بی. الیور، ن. لتوزه، ای. پنتلند، ای. Vinck، P. فرآیندهای تصمیم گیری الگوریتمی منصفانه، شفاف و پاسخگو. فیلوس تکنولوژی 2018 ، 31 ، 611-627. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. آگوئرو والورده، جی. Jovanis، PP تحلیل فضایی تصادفات مرگبار و جراحت در پنسیلوانیا. اسید. مقعدی قبلی 2006 ، 38 ، 618-625. [ Google Scholar ] [ CrossRef ]
  73. Quddus، MA مدل سازی نتایج شمارش گسترده منطقه با همبستگی فضایی و ناهمگنی: تجزیه و تحلیل داده های سقوط لندن. اسید. مقعدی قبلی 2008 ، 40 ، 1486-1497. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 11 00366 g001 550
شکل 1. طرح روش پیشنهادی.
Ijgi 11 00366 g002 550
شکل 2. منطقه مورد مطالعه. ( الف ) شهرداری نووی ساد با جوامع محلی خود نشان داده شده است. در شکل، شهر نووی ساد (که با چند ضلعی صورتی مشخص شده است) را می توان از مناطق حومه شهر که با جاده های اصلی آن برای مدل سازی فشار ترافیک در شهر گنجانده شده است، متمایز کرد. ( ب ) شهر نووی ساد با جوامع محلی و پل های موجود نشان داده شده است.
Ijgi 11 00366 g003 550
شکل 3. خروجی مخابرات. ( الف ) تعداد مکان های مبدا (خانه) استخراج شده از داده های مخابراتی در مقایسه با داده های سرشماری در سطح جامعه محلی. ( ب ) احتمال فعالیت موقت مخابرات در ساعات یک روز کاری برای کل جمعیت استخراج شده است.
Ijgi 11 00366 g004 550
شکل 4. مکان شمارنده های خودکار خودرو در منطقه مورد مطالعه.
Ijgi 11 00366 g005 550
شکل 5. در قطعه فرعی اول، تغییرپذیری تعداد روزانه وسایل نقلیه نشان داده شده است، در حالی که در نمودار دوم، تغییرپذیری میانگین سرعت در سطح روزانه ارائه شده است. خط تیره در طرح فرعی دوم شمارنده هایی را بدون داده سرعت نشان می دهد.
Ijgi 11 00366 g006 550
شکل 6. کالیبراسیون – ضرایب همبستگی پیرسون (p) و اسپیرمن (s) بین تعداد پیش‌بینی‌شده و مشاهده‌شده خودروها در مجموعه داده‌های شمارنده خودکار خودرو. روز انتخابی از مجموعه داده‌های شمارنده خودکار خودرو، 6 نوامبر 2019 بود. لطفاً توجه داشته باشید: محورها برای تأکید بر روند ثبت‌شده در یک مقیاس نیستند.
Ijgi 11 00366 g007 550
شکل 7. تراکم ترافیک در ساعات مختلف.
Ijgi 11 00366 g008 550
شکل 8. اعتبارسنجی – ضرایب همبستگی پیرسون (p) و اسپیرمن (s) بین انتشار پیش‌بینی‌شده و مشاهده‌شده در ایستگاه‌های کیفیت هوا. روز انتخاب شده — 6 نوامبر 2019 لطفاً توجه داشته باشید: وقفه هایی در اندازه گیری وجود داشت پمدر ایستگاه Novi Sad Spens. علاوه بر این، محورها در یک مقیاس نیستند تا بر روند ثبت شده تأکید کنند.
Ijgi 11 00366 g009 550
شکل 9. شدت انتشار CO در ساعات مختلف.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید