چکیده

ازدحام ترافیک در شبکه های بزرگراه تاثیر منفی قوی بر توسعه منطقه ای دارد. درک الگوهای مکانی و زمانی تراکم ترافیک در شبکه‌های بزرگراه برای بهبود تبادل محصولات در تولید منطقه‌ای و ارتقای توسعه اقتصادی منطقه‌ای حیاتی است. با این وجود، مطالعات موجود توجه کمتری به این الگوهای مکانی-زمانی ازدحام ترافیک دارند. با توجه به اینکه داده‌های مبدأ-مقصد (OD) برای حرکت‌های فضایی ضبط‌شده وسایل نقلیه در بزرگراه‌ها در دسترس است، این مطالعه روشی را پیشنهاد می‌کند که با آن تراکم ترافیک در سطح بخش‌های جاده‌ای در شبکه بزرگراه منطقه‌ای، جریان اصلی رفتارهای رانندگی را بررسی می‌کند. و مقررات راهنمایی و رانندگی روش‌هایی برای تحلیل نابرابری مکانی و تغییرات زمانی در تراکم ترافیک در شبکه‌های بزرگراه نیز در این مقاله ارائه شده‌اند. نتایج تجربی نشان می‌دهد که روش‌های پیشنهادی می‌توانند بخش‌های جاده‌ای را که در آن تراکم ترافیک اتفاق می‌افتد، شناسایی کرده و سپس الگوهای زمانی چندین مکان شلوغ و الگوهای فضایی بخش‌های جاده با ازدحام مکرر را کشف کنند. این الگوهای فضایی و زمانی تراکم ترافیک می تواند با وضعیت واقعی مطابقت داشته باشد. این مطالعه رویکرد جدیدی را برای بررسی تراکم ترافیک در شبکه‌های بزرگراه بر اساس داده‌های کم‌هزینه ارائه می‌کند که ممکن است برای بهینه‌سازی برنامه‌ریزی شبکه بزرگراه‌ها و ترویج توسعه متعادل منطقه‌ای مفید باشد. نتایج تجربی نشان می‌دهد که روش‌های پیشنهادی می‌توانند بخش‌های جاده‌ای را که در آن تراکم ترافیک اتفاق می‌افتد، شناسایی کرده و سپس الگوهای زمانی چندین مکان شلوغ و الگوهای فضایی بخش‌های جاده با ازدحام مکرر را کشف کنند. این الگوهای فضایی و زمانی تراکم ترافیک می تواند با وضعیت واقعی مطابقت داشته باشد. این مطالعه رویکرد جدیدی را برای بررسی تراکم ترافیک در شبکه‌های بزرگراه بر اساس داده‌های کم‌هزینه ارائه می‌کند که ممکن است برای بهینه‌سازی برنامه‌ریزی شبکه بزرگراه‌ها و ترویج توسعه متعادل منطقه‌ای مفید باشد. نتایج تجربی نشان می‌دهد که روش‌های پیشنهادی می‌توانند بخش‌های جاده‌ای را که در آن تراکم ترافیک اتفاق می‌افتد، شناسایی کرده و سپس الگوهای زمانی چندین مکان شلوغ و الگوهای فضایی بخش‌های جاده با ازدحام مکرر را کشف کنند. این الگوهای فضایی و زمانی تراکم ترافیک می تواند با وضعیت واقعی مطابقت داشته باشد. این مطالعه رویکرد جدیدی را برای بررسی تراکم ترافیک در شبکه‌های بزرگراه بر اساس داده‌های کم‌هزینه ارائه می‌کند که ممکن است برای بهینه‌سازی برنامه‌ریزی شبکه بزرگراه‌ها و ترویج توسعه متعادل منطقه‌ای مفید باشد.

کلید واژه ها:

تراکم ترافیک ؛ الگوهای فضایی و زمانی بخش جاده ؛ شبکه بزرگراه ؛ داده مبدا-مقصد

1. مقدمه

بزرگراه ها عنصر مهمی هستند که بر اقتصاد منطقه ای تأثیر می گذارند [ 1 ، 2 ، 3 ، 4 ]، زیرا آنها روش اصلی برای حمل و نقل سریع مسافران و کالاها بین شهرهای مختلف هستند. حمل و نقل بدون مانع در سیستم های بزرگراه، تبادل محصولات یا مواد خام برای تولید منطقه ای را تسریع می کند، که می تواند توسعه اقتصادی منطقه را ارتقا دهد. با این حال، ازدحام ترافیک در شبکه‌های بزرگراه‌ها به طور اجتناب‌ناپذیری راندمان حمل و نقل را کاهش می‌دهد و هزینه زمانی را افزایش می‌دهد [ 5 ، 6 ، 7 ]، که ممکن است بر توسعه اقتصادی منطقه تأثیر بگذارد [ 8 ، 9 ]]. درک مکان‌هایی که تراکم ترافیک بیشتر اتفاق می‌افتد و الگوهای مکانی و زمانی این مکان‌ها در شبکه‌های بزرگراه برای هدایت مدیریت جریان ترافیک، بهینه‌سازی برنامه‌ریزی شبکه بزرگراه‌ها و ارتقای توسعه متعادل منطقه‌ای مهم هستند. بنابراین، بررسی و تجزیه و تحلیل الگوهای مکانی-زمانی ازدحام ترافیک در شبکه‌های بزرگراه منطقه‌ای حیاتی است.
با این حال، مطالعات موجود کمتر به الگوهای مکانی و زمانی تراکم ترافیک برای شبکه‌های بزرگراه منطقه‌ای توجه می‌کنند. در عوض، آنها عمدتا بر تراکم ترافیک جاده های شهری تمرکز می کنند و روش های مختلفی را برای شناسایی [ 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ]، پیش بینی [ 17 ، 18 ، 19 ، 20 ، 21 ] و تجزیه و تحلیل توسعه داده اند. [ 22 , 23 , 24 , 25 , 26 , 27 , 28 ,29 ] تراکم ترافیک شهری. در مقایسه با تراکم ترافیک شهری، مطالعات کمتری بر روی تراکم ترافیک در بزرگراه‌ها تمرکز دارد. مطالعات موجود بر اساس داده ها و روش های مختلف برای بررسی تراکم ترافیک در بزرگراه ها [ 30 ، 31 ، 32 ، 33 ، 34 ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ] و تحلیل ویژگی های تراکم ترافیک در بزرگراه ها [ 41 ] است. ، 42 ، 43 ، 44 ، 45]. خلاصه مطالعات معرف در مورد تراکم ترافیک در بزرگراه ها در جدول 1 فهرست شده است. ما دریافتیم که مطالعات موجود در مورد ازدحام ترافیک در بزرگراه‌ها، ازدحام ترافیک را از دیدگاه شبکه بزرگراه نادیده می‌گیرد. این مطالعات فاقد تحلیل الگوهای فضایی و زمانی تراکم ترافیک در شبکه‌های بزرگراه منطقه‌ای هستند، در حالی که چنین الگوهایی برای بهبود برنامه‌ریزی منطقه‌ای، گردش کالا و توسعه اقتصادی منطقه‌ای حیاتی هستند.
یکی از دلایل اصلی فقدان مطالعات در مورد ازدحام ترافیک شبکه های بزرگراه ممکن است این باشد که پوشش دادن کل شبکه بزرگراه برای انواع داده های فعلی دشوار یا گران است. آشکارسازهای ترافیک و شبکه های وسایل نقلیه گران هستند و فقط مناطق محدودی را پوشش می دهند [ 24 ]. به دست آوردن داده های مسیر یا داده های بزرگ ترافیک مستلزم نصب دستگاه های خاص یا نرم افزار کاربردی در هر وسیله نقلیه [ 24]، که ممکن است اجرای آن برای وسایل نقلیه متعدد در یک شبکه بزرگراه دشوار باشد. در هر صورت، به دست آوردن داده برای شبکه های بزرگراه که سیگنال GPS (یا ضعیف) وجود ندارد، دشوار خواهد بود. داده‌های سنجش از راه دور ممکن است داده‌های مقیاس زمانی با وضوح کافی (یعنی ساعتی) را برای تشخیص تراکم ترافیک در شبکه‌های بزرگراه ارائه نکنند. علاوه بر این، زمانی که دید ضعیف است، نمی توان داده های سنجش از راه دور را جمع آوری کرد. بنابراین، توسعه یک روش جدید ضروری است که بتواند یک منبع داده کم‌هزینه را برای کشف تراکم ترافیک در شبکه‌های بزرگراه فراهم کند.
داده‌های مبدأ–مقصد (OD) یک منبع داده مهم برای ثبت حرکات فضایی وسایل نقلیه است که به‌دست آوردن آنها برای شبکه‌های بزرگراه نسبتاً آسان است. به عنوان مثال، آنها را می توان توسط یک سیستم عوارض در شبکه های بزرگراه جمع آوری کرد. با این حال، داده‌های OD بر مبدا و مقصد در حرکت فضایی تأکید می‌کنند در حالی که مسیر واقعی را نادیده می‌گیرند [ 46 ، 47 ، 48 ]، و تحلیل تراکم ترافیک در یک شبکه بزرگراه با استفاده از داده‌های OD را دشوار می‌کند. با این حال، پس از بازیابی مسیرهای رانندگی برای داده های OD و تجزیه و تحلیل ویژگی های کلی این مسیرها، ممکن است استفاده از داده های OD برای تجزیه و تحلیل تراکم ترافیک در شبکه های بزرگراه منطقه ای عملی باشد.
در این مطالعه، ما روشی را برای کاوش و تجزیه و تحلیل الگوهای فضایی و زمانی تراکم ترافیک در شبکه‌های بزرگراه منطقه‌ای توسعه دادیم. روش پیشنهادی رکوردهای غیرعادی OD را با سرعت متوسط ​​کمتر از حد معمول برای تعیین مسیرهای شلوغ و انتخاب بخش‌های جاده‌ای پر ازدحام غربال می‌کند. سپس، این روش تغییرات زمانی و نابرابری مکانی در تراکم ترافیک را مشخص و تحلیل می‌کند. تمرکز اصلی این مطالعه ارائه یک رویکرد جدید برای کشف الگوهای فضایی و زمانی تراکم ترافیک در شبکه‌های بزرگراه منطقه‌ای بود که عموماً توسط بسیاری از مطالعات موجود نادیده گرفته می‌شود. روش توسعه‌یافته می‌تواند به سیاست‌گذاران و مدیران منطقه‌ای برای بهبود برنامه‌ریزی شبکه بزرگراه‌های منطقه‌ای و توسعه اقتصادی کمک کند.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 ایده اصلی روش پیشنهادی را ارائه می کند. بخش 3 روش را معرفی می کند. بخش 4 شامل یک مطالعه موردی است. بخش 5 بحث و نتیجه گیری در مورد این مطالعه را ارائه می دهد.

2. ایده اولیه

2.1. تعاریف مرتبط

تعریف  1.

ازدحام ترافیک . تراکم ترافیک شرایطی است که باعث می شود کل زمان سفر یک وسیله نقلیه در یک بزرگراه از زمان مورد نیاز برای رانندگی عادی تجاوز کند [ 49 ]. ازدحام ترافیک باعث می شود میانگین سرعت یک وسیله نقلیه در یک بزرگراه کمتر از حداقل سرعت در شرایط عادی باشد.

تعریف  2.

شبکه بزرگراه . سیستم شبکه جاده ای عوارضی برای حمل و نقل سریع. شبکه های بزرگراه ایستگاه های خاصی (ایستگاه های عوارض) هستند که به وسایل نقلیه اجازه ورود یا خروج را می دهند. وسایل نقلیه فقط در این ایستگاه ها نمی توانند خودسرانه از بزرگراه ها عبور کنند یا از آن خارج شوند. شبکه‌های بزرگراه مقررات دقیقی در مورد سرعت خودرو از جمله محدودیت‌های حداکثر و حداقل سرعت دارند.

تعریف  3.

داده مبدا-مقصد (OD) . نوع داده ای که حرکات فضایی وسایل نقلیه را در یک بزرگراه ثبت می کند. هر رکورد OD بر محل مبدا (ایستگاه) و مکان مقصد (ایستگاه دیگر) برای هر حرکت فضایی وسایل نقلیه [ 50 ] تاکید می کند. رکوردهای OD شامل دو مهر زمانی در محل مبدا و مکان مقصد است.

تعریف  4.

قطعه جاده . ایستگاه‌های بزرگراه (ورودی و صادرات) و تقاطع‌های جاده‌ای نقاطی هستند که شبکه‌های بزرگراه‌ها را به بخش‌های زیادی از جاده‌ها تقسیم می‌کنند. بخش های جاده واحد اصلی برای اندازه گیری توزیع فضایی تراکم ترافیک در این مطالعه بود.

تعریف  5.

مسیر رانندگی . هر رکورد OD یک مسیر رانندگی متناظر در شبکه بزرگراه دارد، از محل مبدا تا مکان مقصد. مجموعه‌ای از بخش‌های جاده‌ای مرتب شده، مسیر رانندگی را در رکوردهای OD نشان می‌دهند. رکوردهای OD با مبدأ و مقصد یکسان (در زمان‌های مختلف) ممکن است مسیر رانندگی یکسانی داشته باشند.

تعریف  6.

OD غیر طبیعی (AOD) . یک رکورد OD غیرعادی رکوردی است که زمان کلی سفر در بزرگراه دارد که سرعت متوسط ​​آن کمتر از حداقل سرعت وضعیت عادی است.

تعریف  7.

مسیر شلوغ (CR) . یک مسیر رانندگی بین مبدا و مقصد که در آن تراکم ترافیک رخ می دهد.

تعریف  8.

بخش جاده شلوغ (CRS). یک بخش جاده در یک مسیر شلوغ.

2.2. چارچوبی برای کشف تراکم ترافیک در شبکه بزرگراه

داده‌های OD بزرگراه شامل رکوردهای OD عظیم است و هر یک از آنها نشان می‌دهد که یک وسیله نقلیه چه زمانی وارد یک بزرگراه می‌شود و از آن خارج می‌شود. ازدحام ترافیک کل زمان سفر یک وسیله نقلیه در یک بزرگراه را افزایش می دهد که از زمان شروع و پایان در رکورد OD استنتاج می شود. بنابراین، داده های OD می توانند اطلاعات مهمی در مورد زمان سفر برای تجزیه و تحلیل تراکم ترافیک ارائه دهند.
شبکه‌های بزرگراه عوارضی سیستم‌های بسته‌ای هستند که در آن وسایل نقلیه باید در ایستگاه‌های عوارضی وارد یا خارج شوند. وسیله نقلیه فقط می تواند از طریق شبکه بزرگراه بین ایستگاه مبدا و ایستگاه مقصد حرکت کند. به طور کلی، بیش از یک مسیر در یک شبکه بزرگراه بین دو مکان وجود دارد. طول یک مسیر با هزینه و زمان حمل و نقل همبستگی مثبت دارد. هزینه و کارایی عوامل مهمی برای رانندگان برای انتخاب مسیر هستند.
در بیشتر موارد، رانندگان کوتاه‌ترین مسیر را در شبکه بزرگراه‌ها بین مبدا و مقصد خود انتخاب می‌کنند که باعث بهبود کارایی و کاهش هزینه‌ها می‌شود. بنابراین، مسیرهای رانندگی داده‌های OD را می‌توان با استفاده از الگوریتم جستجوی کوتاه‌ترین مسیر بازیابی کرد. علاوه بر این، موقعیت‌های دیگر ممکن است زمان سفر رکورد OD را افزایش دهد، به غیر از ازدحام ترافیک، مانند عدم انتخاب کوتاه‌ترین مسیر توسط رانندگان. این شرایط عموماً شامل بخش کوچکی از وسایل نقلیه در همان مسیر می شود. با این حال، ازدحام ترافیک بر بخش بزرگی از وسایل نقلیه در مدت زمان کوتاهی تأثیر می گذارد و زمان سفر آنها را افزایش می دهد. بنابراین، تراکم ترافیک را می توان تشخیص داد.
بر اساس موارد فوق، ما می‌توانیم روشی برای استفاده از داده‌های OD برای کاوش ازدحام ترافیک در شبکه‌های بزرگراه طراحی کنیم. روش در شکل 1 نشان داده شده است . شبکه بزرگراه و داده های OD در شکل 1 الف آمده است. ایستگاه عوارض ورودی یا خروجی ثابت یک شبکه بزرگراه است و بین دو ایستگاه ترافیکی، وسایل نقلیه فقط می توانند در امتداد بزرگراه حرکت کنند و مسیرهای رانندگی می توانند از OD بازیابی شوند. داده ها. مسیر متراکم با توجه به رابطه بین رکوردهای غیرعادی و همه رکوردهای OD متمایز می شود ( شکل 1 B). بخش جاده شلوغ از هر مسیر پر ازدحام انتخاب می شود ( شکل 1ج)، و بخش‌های جاده‌ای پر ازدحام از مسیرهای پر ازدحام مختلف روی شبکه بزرگراه برای به دست آوردن توزیع فضایی تراکم ترافیک در سطح بخش جاده پوشانده می‌شوند ( شکل 1 D). پوشش فضایی سه بخش جاده پر ازدحام در شکل 1 C,D نشان داده شده است. با توجه به پوشش فضایی بخش‌های جاده‌ای پر ازدحام در بازه‌های زمانی مختلف، الگوهای مکانی-زمانی ازدحام ترافیک در شبکه بزرگراه را بیشتر تحلیل می‌کنیم.

3. روش ها

3.1. ردیابی بخش های پرتراکم جاده در شبکه بزرگراه

در این بخش، نحوه شناسایی بخش‌های پر ازدحام جاده در شبکه‌های بزرگراه با استفاده از داده‌های OD را معرفی می‌کنیم. مسیرهای رانندگی داده‌های OD با استفاده از رفتارهای اصلی رانندگی استنباط می‌شوند، سوابق غیرعادی OD با در نظر گرفتن حداقل محدودیت سرعت در مقررات بزرگراه غربالگری می‌شوند، و مسیر پرتراکم و بخش‌های جاده با توجه به نسبت رکوردهای غیرعادی OD در تمام رکوردهای OD تعیین می‌شوند.

3.1.1. مسیرهای رانندگی برای داده های OD را بازیابی کنید

داده های OD شامل مبدا و مقصد برای هر حرکت فضایی وسیله نقلیه توسط بزرگراه است، اما مسیر وسیله نقلیه را نادیده می گیرد. بازیابی مسیرهای رانندگی برای داده های OD برای تعیین محل تراکم ترافیک ضروری است.
شبکه های بزرگراه با سیستم های عوارضی یک سیستم بسته هستند. وسایل نقلیه نمی توانند خودسرانه از یک بزرگراه عبور کنند یا از آن خارج شوند، مگر در ایستگاه های خاص. پس از ورود به بزرگراه، وسیله نقلیه فقط می تواند در امتداد شبکه بزرگراه تا زمان خروج حرکت کند. اکثر رانندگان کوتاه ترین مسیر بین مبدا و مقصد را برای ارتقای کارایی حمل و نقل انتخاب می کنند زیرا هزینه های رانندگی (زمان و هزینه های اقتصادی) را کاهش می دهد. بنابراین، رفتار اصلی رانندگی این است که راننده کوتاه‌ترین مسیر را بین مبدا و مقصد انتخاب می‌کند. بر این اساس، کوتاه ترین مسیر بین مبدا و مقصد در داده های OD را می توان به عنوان مسیر رانندگی استنباط کرد. این مسیر رانندگی را می‌توان در یک شبکه بزرگراه توسط یک الگوریتم جستجوی مسیر بهینه، مانند الگوریتم Dijkstra تعیین کرد. 51 ] تعیین کرد.]. مسیر رانندگی در رکورد OD از بخش های جاده ای به ترتیب تشکیل شده است، به این معنی که وسیله نقلیه به نوبه خود از این بخش های جاده عبور کرده است.
لازم به ذکر است که کوتاه ترین مسیر برای اکثر رکوردهای OD موجود است. با این حال، برخی از وسایل نقلیه ممکن است از کوتاه ترین مسیر استفاده نکنند، مانند رانندگانی که انحراف را انجام می دهند. استراتژی مربوطه باید برای از بین بردن تأثیر دلایل دیگر در تشخیص بخش های جاده ای متراکم طراحی شود.
ازدحام ترافیک همه وسایل نقلیه را مسدود می‌کند، کل زمان سفر آنها را افزایش می‌دهد و سرعت متوسط ​​آنها را در حین رانندگی کاهش می‌دهد و بسیاری از رکوردهای غیرعادی OD را در مدت زمان کوتاهی ایجاد می‌کند. بنابراین، ازدحام ترافیک نشان دهنده نسبت بالایی از رکوردهای غیرعادی OD در همان مسیر رانندگی است. با این حال، رکوردهای غیرعادی OD ناشی از دلایل دیگر، مانند انحراف، ممکن است نسبت محدودی را برای همان مسیر اشغال کند. بنابراین، تأثیر موقعیت‌های دیگر بر تشخیص تراکم ترافیک را می‌توان با تجزیه و تحلیل نسبت رکوردهای غیرعادی OD به رکوردهای OD برای هر مسیر غلبه کرد.
3.1.2. تعیین مسیرهای متراکم در شبکه بزرگراه
(1) غربالگری سوابق غیرعادی OD (AOD)
یک رکورد OD غیرعادی سرعت متوسط ​​کمتری نسبت به حداقل سرعت معمولی دارد. بنابراین، سرعت متوسط ​​هر رکورد OD باید محاسبه شود تا رکوردهای غیرعادی OD با استفاده از یک آستانه سرعت نمایش داده شود. میانگین سرعت یک رکورد OD با طول مسیر رانندگی بازیابی شده و زمان سفر با زمان شروع و زمان پایان محاسبه می شود. آستانه سرعت را می توان با در نظر گرفتن مقررات بزرگراه تعیین کرد.

بزرگراه ها به طور کلی دارای حداقل محدودیت سرعت برای ارتقای کارایی حمل و نقل هستند. حرکت وسیله نقلیه در بزرگراهی با سرعت کمتر از حد مجاز ممنوع است. با این حال، ازدحام ترافیک به طور اجتناب‌ناپذیری زمان کل سفر خودرو را افزایش می‌دهد و میانگین سرعت آن‌ها را به کمتر از حد مجاز کاهش می‌دهد. بنابراین، سرعت کمتر از حد حداقل می‌تواند آستانه انتخاب رکوردهای غیرعادی OD باشد. الگوریتم غربالگری رکورد OD غیر طبیعی در الگوریتم 1 است.

الگوریتم 1: الگوریتم برای نمایش AOD
ورودی:  تی={ تیمن|1≤من≤متر }={Orمنgمنnمن، تیمنمترهoمن، Dهستیمنnآتیمنonمن، تیمنمترهدمن}داده های OD بزرگراه; ن={V، E}، شبکه بزرگراه، که در آن V={Vپ}نقاط شکست (تقاطع جاده ها و ایستگاه های ترافیکی)، و E={Eq}پیوندهای جاده ای (با طول) هستند. س0آستانه سرعت از مقررات بزرگراه است.
خروجی: آتی={ آتیj|1≤j≤n }={Orمنgمنnj، تیمنمترهoj، Dهستیمنnآتیمنonj، تیمنمترهدj}رکوردهای OD غیر طبیعی می دهد.
مراحل:
1. یک رکورد OD را بردارید تیمناز داده های OD تی;
2. زمان سفر را محاسبه کنید Δتیمنرکورد OD تیمن، که برابر است تیمنمترهدمن -تیمنمترهoمن;
3. مسیر رانندگی را بازیابی کنید rمنبین Orمنgمنnمنو Dهستیمنnآتیمنonمندر یک شبکه جاده ای نبا استفاده از الگوریتم Dijkstra.
4. طول مسیر را محاسبه کنید rمن، که است Lمن;
5. میانگین سرعت رانندگی را محاسبه کنید سمن، که توسط Lمن÷Δتیمن;
6. سرعت متوسط ​​را مقایسه کنید سمنو آستانه سرعت س0:
(1) اگر سمن≥س0، ادامه هید؛
(2) اگر سمن<س0، این رکورد OD را اضافه کنید تیمنبه مجموعه داده های رکوردهای غیرعادی OD آ تی، آتیj=تیمن، و سپس j=j+1;
7. قضاوت کنید اگر من=متر:
(1) نه، من=من+1و به مرحله 1 بازگردید.
(2) بله، بازگشت آتی={آتیj}.
(2) تعیین مسیرهای شلوغ (CR)

تراکم ترافیک بر همه وسایل نقلیه تأثیر می گذارد. هنگامی که ازدحام ترافیک رخ می دهد، باعث ایجاد بسیاری از رکوردهای غیرعادی OD در یک زمان کوتاه (یعنی یک ساعت) می شود. بر اساس این تحلیل‌ها، می‌توانیم از نسبت رکوردهای غیرعادی OD در تمام رکوردهای OD در مدت زمان کوتاهی برای قضاوت در مورد اینکه آیا یک مسیر دچار ازدحام ترافیکی شده است استفاده کنیم. این نسبت با رابطه (1) محاسبه می شود:

پآODr=∑j=1آODjr∑من=1ODمنr×100%

جایی که آODjrj- امین رکورد OD غیر طبیعی در مسیر است ( r) و ODمنrI -امین رکورد OD در است r.

نسبت به شدت تحت تاثیر زمان سفر در داده های OD است. اگر زمان سفر طولانی تر باشد، میانگین سرعت کمتر است. اگر مقدار رکوردهای OD با زمان سفر طولانی زیاد باشد، ممکن است مقدار رکوردهای غیرعادی OD افزایش یابد. بنابراین، این نسبت افزایش می یابد. این نسبت برای بازه های زمانی مختلف محاسبه می شود تا مسیر پرتراکم در شبکه بزرگراه در هر بازه زمانی مشخص شود.
در این مطالعه، مسیر با تعداد زیادی رکورد غیرطبیعی OD (بیش از 80 درصد) به عنوان یک مسیر متراکم تعیین می شود. نسبت زیادی از سوابق غیرطبیعی OD می تواند نشان دهد که تعداد زیادی از وسایل نقلیه زمان سفر طولانی تری نسبت به حالت معمول در یک مسیر دارند که نشان دهنده ازدحام ترافیک است.
به طور کلی، ازدحام ترافیک بر بسیاری از وسایل نقلیه در مدت زمان کوتاهی تأثیر می گذارد و زمان سفر آنها را افزایش می دهد و سرعت متوسط ​​را کاهش می دهد. بنابراین، باعث بسیاری از رکوردهای OD غیر طبیعی می شود. با این حال، موقعیت‌های دیگر، که ممکن است زمان سفر و رکوردهای غیرعادی OD را نیز افزایش دهند، به ندرت برای وسایل نقلیه به طور همزمان در مدت زمان کوتاهی ظاهر می‌شوند. برچسب‌گذاری مسیرهایی با نسبت‌های زیادی از سوابق غیرعادی OD به‌عنوان متراکم می‌تواند تأثیر موقعیت‌های دیگر را در تشخیص تراکم ترافیک کاهش دهد. بنابراین، روش پیشنهادی می‌تواند تراکم ترافیک را از سایر موقعیت‌های معمول متمایز کند.
3.1.3. انتخاب بخش‌های جاده‌ای پر ازدحام (CRS)
(1) بخش جاده پر ازدحام را در یک مسیر شلوغ انتخاب کنید
یک مسیر پر ازدحام در یک شبکه بزرگراه ممکن است شامل چندین بخش جاده باشد، زیرا یک مسیر شلوغ برای منعکس کردن توزیع فضایی تراکم ترافیک در شبکه بزرگراه بسیار مبهم است. تعیین بیشتر بخش جاده ای که در آن تراکم ترافیک در هر مسیر پر ازدحام رخ می دهد با حذف بخش های جاده بدون ازدحام نیز می تواند با استفاده از نسبت رکوردهای غیرعادی OD انجام شود.

هنگامی که در یک بخش جاده ازدحام ترافیکی وجود ندارد، همه وسایل نقلیه به طور عادی رانندگی می کنند، که باعث ایجاد رکوردهای OD غیر طبیعی کم در این بخش جاده می شود. بنابراین، بخش‌های جاده عادی را می‌توان با نسبت‌های کوچکی از رکوردهای غیرعادی OD شناسایی کرد. در نهایت، پس از حذف بخش‌های جاده معمولی، بخش جاده شلوغ را می‌توان از یک مسیر پرتراکم انتخاب کرد. الگوریتم 2 الگوریتمی را برای انتخاب بخش های جاده پر ازدحام نشان می دهد.

الگوریتم 2: الگوریتم تعیین بخش تراکم جاده
ورودی:  سیآر={rس1،rس2،⋯،rسn}، یک مسیر شلوغ که شامل nبخش جاده؛ OD={oدمن}, تمام رکوردهای OD; آOD={آoدمن}، رکوردهای غیر طبیعی OD.
خروجی: سیآراس={جrسمن}، بخش جاده شلوغ.
مراحل:
1. بخش جاده را انتخاب کنید rسکاز CR.
2. تمام رکوردهای غیرطبیعی OD که مسیرشان است را بگیرید rسک، نشان داده شده است {آoدمنک}.
3. Tale تمام رکوردهای OD که مسیر آنهاست rسک، نشان داده شده است {oدمنک}.
4. نسبت رکوردهای غیرطبیعی OD را محاسبه کنید rسکبا استفاده از رابطه (1)، نشان داده شده است مانند پک.
5. اگر پککوچکتر از آستانه نسبت است، حذف کنید rسکاز این مسیر شلوغ
6. اگر ک=n:
(1) نه، ک=ک+1، بازگشت به مرحله 1؛
(2) بله، پایان.
(2) طبقه بندی وضعیت ترافیک برای هر بخش جاده با پوشش فضایی.
با همپوشانی لایه ای از بخش های مختلف جاده های شلوغ در یک شبکه بزرگراه، می توان وضعیت ترافیک هر بخش جاده در شبکه بزرگراه را مشخص کرد ( شکل 1). ). یک بخش جاده ممکن است توسط چندین بخش جاده پر ازدحام پوشانده شود، بنابراین ازدحام ترافیک در بخش جاده فعلی بیش از یک مسیر را تحت تأثیر قرار می‌دهد که منعکس کننده شدت این تراکم ترافیک است. بنابراین، این روش از تعداد بخش‌های جاده‌ای متراکم محاسبه‌شده توسط همپوشانی فضایی برای طبقه‌بندی وضعیت ترافیک برای هر بخش جاده از شبکه بزرگراه استفاده می‌کند.
مکان‌هایی که هیچ پوشش جاده‌ای پر ازدحام ندارند نشان می‌دهند که تحت تأثیر ازدحام ترافیک قرار نگرفته‌اند. یک لایه از بخش جاده های شلوغ نشان دهنده تراکم ترافیک است، در حالی که بیش از یک بخش جاده شلوغ نشان دهنده تراکم ترافیک جدی تر است. جدول 2 طبقه بندی شرایط ترافیکی را با توجه به تعداد لایه های بخش های جاده پر ازدحام نشان می دهد.

3.2. توصیف الگوهای فضایی و زمانی تراکم ترافیک در یک شبکه بزرگراه

این بخش عمدتاً نحوه طبقه‌بندی تراکم ترافیک در یک بخش جاده و ساخت ویژگی‌های تراکم ترافیک را با توجه به بخش‌های جاده‌ای پر ازدحام معرفی می‌کند تا تغییرات زمانی و نابرابری مکانی ازدحام ترافیک در شبکه‌های بزرگراه را تحلیل کند.

3.2.1. جهت تراکم ترافیک در یک بخش جاده را تعیین کنید

لازم به ذکر است که ازدحام ترافیک یک ویژگی جهت دارد. برای همان بزرگراه، یک جهت ممکن است شلوغ باشد. جهت ازدحام ترافیک برای درک تأثیر نامطلوب آن بر کاهش کارایی حمل و نقل مفید است. در این روش تراکم ترافیک در سطح جاده تشخیص داده می شود. با توجه به جهت حرکت وسایل نقلیه عبوری از قسمت پر ازدحام جاده، چهار جهت ازدحام ترافیک (به سمت شرق، غرب، شمال و جنوب) در این روش طبقه بندی می شود.
به عنوان مثال، یک بخش جاده شلوغ با دو رأس وجود دارد که این است L1(ایکس1،y1)و L2(ایکس2،y2). اگر |ایکس1-ایکس2|>|y1-y2| گرایش غالب این بخش جاده ای از شرق به غرب است. بنابراین، جهت ازدحام در این بخش جاده یا به سمت شرق یا غرب است. به طور خاص، زمانی که یک وسیله نقلیه از L1به L2، ایکس2>ایکس1تراکم ترافیک به سمت شرق و چه زمانی است ایکس2<ایکس1تراکم ترافیک به سمت غرب است.
اگر |ایکس1-ایکس2|<|y1-y2|، نشان می دهد که گرایش غالب این بخش جاده از جنوب به شمال است و زمانی که وسیله نقلیه از L1به L2، y2<y1یعنی تراکم ترافیک به سمت جنوب است و y2>y1به این معنی که ازدحام ترافیک به سمت شمال است.
معیار طبقه بندی جهت تراکم ترافیک در بخش های جاده در جدول 3 نشان داده شده است .
3.2.2. ویژگی های زمانی و مکانی تراکم ترافیک
برای تجزیه و تحلیل الگوهای مکانی و زمانی تراکم ترافیک در یک شبکه بزرگراه، یک ساعت به عنوان بازه زمانی تعیین شد و داده‌های OD در همان ساعت برای انتخاب بخش‌های جاده‌ای پر ازدحام استفاده شد. با توجه به بخش‌های جاده‌ای پر ازدحام در ساعات سریال یک سال، می‌توان تغییرات زمانی و نابرابری مکانی ازدحام ترافیک در شبکه بزرگراه‌ها را تحلیل کرد.
(1) تغییرات زمانی ازدحام ترافیک را مشخص کنید.

تعریف  9.

تعداد مکان های شلوغ تعداد مکان‌های شلوغ نشان می‌دهد که چند مکان در شبکه بزرگراه‌ها در داخل ازدحام ترافیک در روز رخ داده است. از آنجایی که بخش‌های جاده‌ای پر ازدحام هر ساعت شناسایی می‌شوند، میانگین تعداد مکان‌های شلوغ در یک روز برای نشان دادن تعداد مکان‌های شلوغ در یک روز محاسبه می‌شود.

یک بخش جاده شلوغ در یک ساعت به معنای یک مکان شلوغ در این ساعت است. این فرآیند را می توان به صورت معادله (2) بیان کرد:

مترساعتr={1،اگر r است CRS که در را ساعت ساعت 0،اگر r است نه CRS که در را ساعت ساعت

جایی که ساعتساعت است و rیک بخش جاده در شبکه بزرگراه است. مترساعتrتعداد مکان های شلوغ در یک بخش جاده است rدر ساعت ساعت.

تعداد مکان های شلوغ در یک شبکه بزرگراه در همان ساعت اضافه می شود تا تعداد مکان های شلوغ در یک ساعت بدست آید. این فرآیند با معادله (3) بیان می شود:

تیساعت=∑r=1r=آرمترساعتr

جایی که ساعتساعت است و rیک بخش جاده در شبکه بزرگراه است. آرتعداد کل بخش های جاده در یک شبکه بزرگراه است. تیساعتتعداد مکان های شلوغ در یک شبکه بزرگراه در ساعت است ساعت.

پس از آن، میانگین تعداد مکان های شلوغ در 24 ساعت یک روز برای مشخص کردن تعداد مکان های شلوغ برای این روز محاسبه می شود. این فرآیند با معادله (4) بیان می شود:

تید=124∑ساعت=1ساعت=24تیساعت

جایی که ساعتساعت است، تیساعتتعداد مکان های شلوغ در یک شبکه بزرگراه در یک ساعت است ساعت، و تیدتعداد مکان های شلوغ در یک شبکه بزرگراه در یک روز است د.

بر اساس بخش‌های جاده‌ای پر ازدحام در هر ساعت، سری‌های زمانی مکان‌های شلوغ در یک روز می‌توانند برای تجزیه و تحلیل تغییرات زمانی ازدحام ترافیک در یک شبکه بزرگراه تولید شوند. الگوریتم تولید سری زمانی مکان های متراکم در الگوریتم 3 نشان داده شده است.

الگوریتم 3: الگوریتمی برای تولید سری های زمانی چندین مکان متراکم
ورودی:  سیآراس={جrسمن}، بخش های جاده ای شلوغ در هر ساعت از یک سال. آراس={rمن|1≤من≤آر}، تمام بخش های جاده در یک شبکه بزرگراه.
خروجی: تیاس={تید}، سری زمانی تعداد مکان های شلوغ در هر روز.
مراحل:
1. یک روز مصرف کنید ددر یک سال؛
2. یک ساعت وقت بگذارید ساعتدر روز د;
3. تمام بخش های جاده ای پر ازدحام را در یک ساعت طی کنید ساعت، نشان داده شده است {جrسمنساعت};
4. یک بخش جاده را انتخاب کنید rاز شبکه بزرگراه، و از معادله (2) برای محاسبه تعداد مکان های شلوغ در داخل استفاده کنید r، به دست آوردن مترساعتr;
5. قضاوت کنید اگر r=آر:
(1) بله، از معادله (3) برای محاسبه تعداد مکان های شلوغ در یک ساعت استفاده کنید. ساعت، به دست آوردن تیساعت;
(2) نه، r=r+1، بازگشت به مرحله 4؛
6. قضاوت کنید اگر ساعت=24:
(1) بله، از معادله (4) برای محاسبه تعداد مکان های شلوغ در روز استفاده کنید. د، به دست آوردن تید;
(2) نه، ساعت=ساعت+1، بازگشت به مرحله 2؛
7. قضاوت کنید اگر د=365:
(1) بله، این روش را پایان دهید.
(2) نه، د=د+1، بازگشت به مرحله 1.
(2) نابرابری فضایی ازدحام ترافیک را مشخص کنید

تعریف  10.

فراوانی تراکم ترافیک . چند بار در یک سال ترافیک در یک بخش جاده اتفاق افتاده بود.

یک قطعه جاده پر ازدحام در یک ساعت یکی از موارد ازدحام ترافیک برای این بخش جاده است. این فرآیند را می توان با معادله (5) بیان کرد:

nrساعت={1،اگر r است CRS که در را ساعت ساعت0،اگر r است نه CRS که در را ساعت ساعت

جایی که ساعتساعت است و rیک بخش جاده در یک شبکه بزرگراه است. nrساعتزمان تراکم ترافیک برای یک بخش جاده است rدر یک ساعت ساعت.

برای یک بخش جاده، تراکم ترافیک در تمام ساعات یک سال برای محاسبه فراوانی ازدحام ترافیکی که با معادله (6) بیان می شود، جمع می شود:

آرr=∑ساعت=1ساعت=اچnrساعت

جایی که ساعتساعت است، H تعداد کل ساعات یک سال است. nrساعتزمان تراکم ترافیک برای قطعه جاده r در ساعت است ساعت. آرrفراوانی تراکم ترافیک برای یک بخش جاده است rدر یک سال.

فرکانس تراکم ترافیک را می توان برای هر بخش جاده در یک شبکه بزرگراه محاسبه کرد. الگوریتم 4 نحوه محاسبه فراوانی تراکم ترافیک را برای هر بخش جاده از شبکه بزرگراه نشان می دهد.

الگوریتم 4 : الگوریتمی برای محاسبه فراوانی تراکم ترافیک برای هر بخش جاده
ورودی:  سیآراس={جrسمن}، بخش های جاده ای شلوغ در هر ساعت از یک سال. آراس={rمن|1≤من≤آر}، تمام بخش های جاده در یک شبکه بزرگراه؛ اچ، تعداد کل ساعت ها در یک سال.
خروجی: اف={fr}، فراوانی تراکم ترافیک برای هر بخش جاده.
مراحل:
1. یک بخش جاده را انتخاب کنید r;
2. یک ساعت وقت بگذارید ساعت;
3. از رابطه (5) برای محاسبه زمان تراکم ترافیک استفاده کنید rکه در ساعت، و دریافت کنید nrساعت;
4. قضاوت کنید اگر ساعت=اچ:
(1) بله، از معادله (6) برای محاسبه فراوانی تراکم ترافیک استفاده کنید r، و دریافت کنید fr;
(2) نه، ساعت=ساعت+1، بازگشت به مرحله 2.
5. قضاوت کنید اگر r=آر:
(1) بله، این روش را پایان دهید.
(2) نه، r=r+1، بازگشت به مرحله 1.

4. مطالعه موردی

4.1. منطقه و داده های مطالعه

(1) منطقه مطالعه
این مطالعه سیستم بزرگراه منطقه ای را در بین 25 شهر واقع در استان جیانگ سو، جنوب شرقی چین، به عنوان منطقه مورد مطالعه در نظر گرفت. منطقه مورد مطالعه یک منطقه توسعه یافته در چین است، با 230 ایستگاه عوارض در منطقه مورد مطالعه برای ورود یا خروج وسایل نقلیه از سیستم بزرگراه و جمع آوری سوابق OD برای هر وسیله نقلیه تنظیم شده است. منطقه مورد مطالعه دارای یک شبکه بزرگراه به طول کلی ~3008 کیلومتر بود. تراکم شبکه بزرگراه 700 متر در کیلومتر مربع در منطقه مورد مطالعه بود. موقعیت مکانی منطقه مورد مطالعه، شبکه بزرگراه و ایستگاه های عوارض در شکل 2 نشان داده شده است نشان داده شده است.
(2) داده های OD در شبکه بزرگراه
داده های OD در مورد وسایل نقلیه مسافربری (کمتر از هفت صندلی) در سال 2015 (به استثنای چند روز که مسیر سریع السیر برای سفر رایگان است) برای بررسی تراکم ترافیک در منطقه مورد مطالعه استفاده شد. این داده‌های OD از سیستم جمع‌آوری عوارض نصب شده در ورودی و خروجی ثابت بزرگراه بود [ 50 ، 52 ]. هر وسیله نقلیه برای استفاده از بزرگراه برای حمل و نقل ملزم به پرداخت هزینه است. سیستم جمع‌آوری عوارض، زمان و مکان ورود و خروج خودرو از سیستم بزرگراه را برای تعیین هزینه‌های کاربر ثبت می‌کند. بنابراین، سیستم جمع آوری عوارض، داده های OD حرکت خودرو را تولید می کند.
هر رکورد OD دارای ویژگی های شناسه رکورد، زمان ورود، زمان ورود به ایستگاه، زمان خروج و زمان ایستگاه خروج بود. نمونه هایی از رکوردهای OD بزرگراه مورد استفاده در این مطالعه در جدول 4 آمده است که ایستگاه ورودی و خروجی شماره کد ایستگاه های ترافیکی هستند. همان ایستگاه ترافیکی دارای همان شماره کد منحصر به فرد و همان مختصات مکانی در شبکه بزرگراه است. مهرهای زمانی ورود و خروج به ثانیه دقیق است که برای محاسبه زمان سفر هر وسیله نقلیه استفاده می شود.
(3) پارامترها در مطالعه موردی
در این مطالعه موردی، تمام داده‌های OD در سال 2015 بر اساس ساعت گروه‌بندی شدند و بخش‌های جاده‌ای پر ازدحام هر ساعت در طول سال شناسایی شدند. حداقل محدودیت سرعت بزرگراه 60 کیلومتر در ساعت است، بنابراین ما 50 کیلومتر در ساعت را به عنوان آستانه برای غربال کردن رکوردهای غیرعادی OD تعیین کردیم، و 80٪ را به عنوان نسبت رکوردهای غیرعادی OD در رکوردهای OD برای تعیین یک مسیر متراکم تعیین کردیم. و 40 درصد به عنوان آستانه نسبت برای انتخاب بخش های جاده ای پرتراکم در مسیرهای پرتراکم تعیین شد.

4.2. قطعه جاده متراکم انتخاب شده با روش پیشنهادی

این مطالعه بخش‌های جاده‌ای پر ازدحام را هر ساعت در طول یک سال شناسایی کرد و جهت ازدحام را در سطح بخش جاده طبقه‌بندی کرد. شکل 3 توزیع مکانی و زمانی بخش‌های جاده‌ای پر ازدحام را در جهات مختلف نشان می‌دهد که محدوده زمانی آن‌ها هفته اول سال (1 ژانویه تا 7 ژانویه) بود. روزهای 1 ژانویه تا 3 ژانویه تعطیلات سال نو بود و روزهای 4 ژانویه تا 7 ژانویه روزهای کاری بود.
در طول روزهای انتخاب شده، مشخص شد که بخش‌های جاده‌ای بیشتر از ازدحام به سمت جنوب و شمال نسبت به شرق و غرب ازدحام دارند، که می‌تواند نشان دهنده ناراحتی حمل‌ونقل بین جنوب و شمال در منطقه مورد مطالعه باشد. مشخص شد که ازدحام ترافیک نزدیک ساعت 10:00 روز 1 ژانویه رخ می دهد. دلیل احتمالی ممکن است این باشد که اولین روز تعطیلات است که بسیاری از مردم به شهر دیگری رانندگی می کنند که ممکن است باعث ازدحام ترافیک شود. در ساعت 17:00 روز 3 ژانویه، بسیاری از بخش‌های جاده‌ای پر ازدحام، عمدتاً با ازدحام به سمت جنوب، وجود داشت، زیرا آخرین روز تعطیلات است که مردم به شهرهای اصلی خود باز می‌گردند.
مشاهده شد که در 1 ژانویه، بخش‌های جاده‌ای بیشتری با ازدحام به سمت غرب و شمال وجود داشت، زیرا شهرهای سوژو، ووکسی، چانگشو، تایکانگ و کونشان (نزدیک شانگهای) در جنوب شرقی منطقه مورد مطالعه قرار داشتند که دارای اقتصاد توسعه یافته و جمعیت زیادی هستند. . بنابراین، این مناطق دارای وسایل نقلیه متعددی خواهند بود که از بزرگراه برای رفتن به شهرهای دیگر برای تعطیلات استفاده می کنند، که می تواند باعث ازدحام به سمت غرب و شمال شود. هنگامی که تعطیلات در 3 ژانویه به پایان می رسد، بسیاری از وسایل نقلیه به سمت جنوب شرقی باز می گردند، که ممکن است باعث ازدحام به سمت جنوب و شرق در منطقه مورد مطالعه شود. این پدیده می تواند روابط بین اقتصاد و جریان ترافیک را منعکس کند و اثربخشی و منطقی بودن نتایج تحقیقات را نشان دهد.

4.3. تغییرات موقتی ازدحام ترافیک در شبکه بزرگراه

تعداد مکان‌های شلوغ برای هر روز در سال محاسبه شد و سری‌های زمانی مکان‌های شلوغ برای تجزیه و تحلیل تغییرات زمانی در ازدحام ترافیک در شبکه بزرگراه تولید شد. شکل 4 سری زمانی مکان های شلوغ را در جهات مختلف در سال 2015 نشان می دهد.
مشخص شد که تقریباً هر روز ازدحام بیشتر به سمت شمال و جنوب نسبت به دو جهت دیگر وجود دارد. یک دلیل احتمالی ممکن است این باشد که رودخانه یانگ تسه از شرق به غرب از منطقه مورد مطالعه عبور می کند و مانع از حمل و نقل بین جنوب و شمال می شود و باعث ازدحام بیشتر به سمت جنوب و شمال می شود. در هر صورت، ازدحام به سمت شمال در بیشتر مکان‌های بزرگراه هر روز رخ می‌دهد، زیرا شهرهای جنوب منطقه مورد مطالعه دارای صنعت تولید توسعه‌یافته‌ای هستند، مانند چانگشو، سوژو و تایکانگ. حجم زیادی از محصولات صنعتی در این شهرها از طریق اتوبان‌های سریع‌السیر از طریق وسایل نقلیه متعدد به شهرهای شمالی منتقل می‌شود و ممکن است باعث ازدحام به سمت شمال شود. ازدحام به سمت شرق و غرب در اکثر روزها در تعداد کمی از مکان ها رخ می دهد زیرا بخش های جاده ای بین شرق و غرب در منطقه مورد مطالعه بیشتر از بین شمال و جنوب وجود دارد. دلیل احتمالی دیگر این است که هیچ مانع طبیعی بین شرق و غرب در منطقه مورد مطالعه وجود نداشت.
بسیاری از روزهای ژانویه نسبت به ماه های دیگر تعداد مکان های شلوغ کمتری داشتند. با این حال، در روزهای مرداد، مکان‌هایی با ترافیک بیشتری وجود داشت. چندین مکان پر ازدحام آشکار در طول سال وجود داشت که می تواند مربوط به دوره تعطیلات باشد، زیرا مردم بزرگراه را برای سفر انتخاب می کردند و باعث ازدحام ترافیک در بسیاری از نقاط شبکه بزرگراه می شد.

4.4. نابرابری فضایی تراکم ترافیک در شبکه بزرگراه

فرکانس تراکم ترافیک برای هر بخش جاده در شبکه بزرگراه محاسبه شد. شکل 5 توزیع فضایی بخش‌های جاده‌ای را با فرکانس بالای تراکم ترافیک در جهات مختلف در سال 2015 نشان می‌دهد.
برای جهت‌های شرق و غرب، بخش‌های جاده‌ای کمتر با تراکم کمتر وجود دارد. بخش‌های جاده‌ای با ازدحام مکرر به سمت شرق عمدتاً در نانجینگ، یانگژو، کونشان و ووجیانگ قرار داشتند، در حالی که نانجینگ، کونشان و ووجیانگ نیز دارای بخش‌هایی با ازدحام مکرر به سمت غرب بودند. بخش‌های جاده‌ای با ازدحام مکرر در جهت‌های جنوب و شمال نسبت به سایر جهات بیشتر بود. بخش‌های جاده با ازدحام مکرر به سمت جنوب عمدتاً در ژن‌جیانگ، یانگ ژونگ، چانگشو، سوژو و ووجیانگ قرار داشتند. در جهت شمال، بخش های جاده با ازدحام مکرر شامل نانجینگ، ژنجیانگ، یانگ ژونگ، جین جیانگ، چانگ شو، کیدونگ و ووجیانگ بودند.
یافته‌های توزیع فضایی فراوانی تراکم ترافیک ممکن است هنگام برنامه‌ریزی شبکه‌های بزرگراه مفید باشد. با توجه به نتایج فعلی، ممکن است ایجاد یک بزرگراه بین نانجینگ و جورونگ و بین یانگژو و تایکسینگ سودمند باشد زیرا بزرگراه موجود در این مناطق ازدحام مکرر به سمت شرق و غرب را تجربه کرده است. با توجه به اینکه بزرگراه در Wuxi بیشترین ازدحام را برای هر دو جهت جنوب و شمال داشت، می توان با ساخت یک بزرگراه دیگر به سمت شمال آن را بهبود بخشید. در نهایت، بسیاری از بخش‌های جاده با ازدحام مکرر در پل‌های رودخانه یانگ تسه قرار داشتند. بنابراین ساخت پل های جدید باید برای کاهش تراکم ترافیک بین جنوب و شمال مورد توجه قرار گیرد.

4.5. اعتبارسنجی و مقایسه

4.5.1. تجزیه و تحلیل برای اعتبار سنجی نتیجه

این مطالعه روشی را برای استخراج نظم کلی تراکم ترافیک در شبکه‌های بزرگراه از داده‌های بزرگ OD از نظر تغییرات زمانی و نابرابری مکانی ارائه می‌کند. نتایج در مورد الگوهای تراکم ترافیک مکانی-زمانی با تجزیه و تحلیل منطقی بودن و سازگاری آنها با داده های زنده در منطقه مورد مطالعه تأیید می شود.
تعداد کل مکان های شلوغ در چهار جهت برای هر روز محاسبه شد تا منطقی بودن تغییرات زمانی در ازدحام ترافیک را تحلیل کند ( شکل 6 ).
تعداد اوج مکان های شلوغ که در شبکه بزرگراه رخ داده است استخراج شد ( جدول 5 ).
روزهای جدول 5 همگی نزدیک به تعطیلات سراسری در چین بودند. در چین، ازدحام ترافیک در یک محدوده فضایی بزرگ در نزدیکی تعطیلات سراسری در شبکه بزرگراه‌ها رخ می‌دهد، زیرا مردم بزرگراه را برای سفر انتخاب می‌کنند. بسیاری از اوج ها در آخرین روزهای قبل از تعطیلات بود که در جدول 6 نشان داده شده است ، زیرا مردم تمایل دارند تعطیلات خود را بلافاصله بعد از کار شروع کنند. به طور خلاصه، تغییرات زمانی در تراکم ترافیک استخراج شده توسط روش پیشنهادی می‌تواند شرایط دنیای واقعی را منعکس کند.
الگوهای فضایی در بخش‌های جاده‌ای ازدحام ترافیکی نشان داد که به دلیل عوامل اقتصادی و موانع طبیعی در منطقه مورد مطالعه، جنوب و شمال بیشتر ازدحام دارند. مشخص شد که چندین پل روبه‌روی رودخانه یانگ تسه در منطقه مورد مطالعه به‌عنوان بخش‌های جاده‌ای با ازدحام مکرر شناسایی شدند ( شکل 5 )، که مطابق با این ایده است که پل‌های روبه‌روی رودخانه باعث تراکم ترافیک می‌شوند زیرا گذرگاه اصلی برای عبور از رودخانه هستند. بنابراین، الگوهای فضایی تراکم ترافیکی می تواند مطابق با منطقه مورد مطالعه باشد.
بر اساس تحلیل فوق، مشخص شد که الگوهای زمانی و مکانی این تراکم‌های ترافیکی می‌تواند مطابق با وضعیت واقعی شبکه بزرگراه منطقه مورد مطالعه باشد که کارایی روش پیشنهادی را اثبات می‌کند.
4.5.2. مقایسه با سایر روش های مشابه
این بخش روش پیشنهادی را با سایر روش های مشابه از نظر تحلیل تراکم ترافیک مقایسه می کند. روش پیشنهادی ابتدا بخش جاده ای را که در آن تراکم ترافیک هر ساعت اتفاق می افتد با استفاده از داده های OD شناسایی می کند. سپس، تعداد مکان‌های شلوغ برای هر روز محاسبه می‌شود و فراوانی تراکم ترافیک برای هر بخش جاده برای الگوهای مکانی و زمانی تراکم ترافیک در شبکه بزرگراه مورد تجزیه و تحلیل قرار می‌گیرد.
جدول 6 مقایسه این روش با سایر روش های مشابه را نشان می دهد. روش‌های دیگر عمدتاً از داده‌های مسیر GPS برای تحلیل تراکم در جاده‌های شهری یا بزرگراه‌های جزئی استفاده می‌کنند. داده های مسیر GPS حاوی یک رکورد دقیق از حرکت فضایی وسایل نقلیه است که می تواند مکان دقیق تراکم ترافیک را در روش های دیگر تشخیص دهد. با این حال، جمع آوری داده های مسیر GPS ممکن است در کل شبکه بزرگراه دشوار باشد زیرا دستگاه های GPS باید در هر وسیله نقلیه نصب شوند [ 24 ]]. علاوه بر این، داده‌های مسیر GPS را نمی‌توان برای شبکه‌های بزرگراه که در آن سیگنال GPS (یا ضعیف) وجود ندارد، به دست آورد. داده های OD یک نوع داده در دسترس برای ثبت شرایط ترافیک در شبکه های بزرگراه منطقه ای است. به دلیل فقدان اطلاعات مسیر، بیشتر مطالعات موجود داده‌های تراکم ترافیک را از سوابق OD نادیده می‌گیرند، و سایر روش‌ها توجه کمتری به الگوهای مکانی و زمانی ازدحام ترافیک در شبکه‌های بزرگراه دارند.
با بازیابی مسیرهای رانندگی احتمالی برای داده‌های OD، حذف تأثیر نویز، تعیین مسیر پر ازدحام، و انتخاب بخش جاده شلوغ از یک مسیر شلوغ، می‌توان از این روش برای تجزیه و تحلیل الگوهای مکانی و زمانی کلی تراکم ترافیک در جاده استفاده کرد. سطح بخش برای شبکه های بزرگراه منطقه ای در مقایسه با روش‌های دیگر برای تجزیه و تحلیل تراکم ترافیک، این روش ممکن است برای شبکه‌های بزرگراه منطقه‌ای مناسب باشد تا الگوهای مکانی و زمانی ازدحام ترافیک را کشف کند.

5. بحث و نتیجه گیری

این مطالعه روشی را برای استفاده از داده‌های OD برای کشف و تجزیه و تحلیل الگوهای فضایی-زمانی ازدحام ترافیک در یک شبکه بزرگراه منطقه‌ای پیشنهاد می‌کند. روش پیشنهادی رکوردهای غیرعادی OD را با سرعت کمتر از حد متوسط ​​انتخاب می کند. بر اساس نسبت رکوردهای غیرعادی OD در سوابق OD، این روش تراکم را در شبکه‌های بزرگراه شناسایی می‌کند و بخش‌های جاده‌ای پر ازدحام را در هر مسیر پر ازدحام شناسایی می‌کند. در نهایت، تعداد مکان‌های شلوغ و فراوانی تراکم ترافیک برای تجزیه و تحلیل الگوهای مکانی و زمانی تراکم ترافیک در جهت‌های مختلف محاسبه می‌شود. این مطالعه با در نظر گرفتن شبکه‌های بزرگراه بین 25 شهر در استان جیانگ سو چین به عنوان مطالعه موردی، نشان داد که روش پیشنهادی می‌تواند بخش‌های جاده‌ای را که در آن تراکم ترافیک رخ می‌دهد، شناسایی کند. این روش همچنین می‌تواند تغییرات زمانی در مکان‌های شلوغ و توزیع فضایی بخش‌های جاده‌ای با ازدحام مکرر را آشکار کند. الگوهای مکانی و زمانی تراکم ترافیک استخراج شده با این روش جدید می تواند مطابق با وضعیت واقعی منطقه مورد مطالعه باشد.
این مطالعه نتوانست مکان دقیق (طول و عرض جغرافیایی) و طول پراکنده تراکم ترافیک در شبکه های بزرگراه را تعیین کند. الگوهای مکانی و زمانی تراکم ترافیک در سطح بخش‌های جاده مورد بررسی و تحلیل قرار گرفت. در این مطالعه 347 قطعه جاده و میانگین طول بخش‌های جاده 7.69 کیلومتر بود. بنابراین، بهبود دقت موقعیت یابی تراکم ترافیک در شبکه بزرگراه باید در کارهای آینده مورد بررسی قرار گیرد. به عنوان مثال، ما می توانیم فاصله بین تراکم ترافیک و خروجی بزرگراه را برای نشان دادن مکان دقیق تراکم ترافیک استنباط کنیم. روش مبتنی بر داده پیشنهادی می‌تواند الگوهای مکانی-زمانی ازدحام ترافیک را بررسی کند، اما نمی‌تواند بین انواع تراکم ترافیک ناشی از عوامل مختلف (مانند آب و هوای بد) تمایز قائل شود.
نوآوری این روش استفاده از داده های OD برای کاوش و تحلیل الگوهای مکانی-زمانی تراکم ترافیک در شبکه های بزرگراه است. اولاً، مطالعات موجود به ندرت الگوهای فضایی و زمانی تراکم ترافیک را از دیدگاه شبکه‌های بزرگراه مورد بحث قرار می‌دهند، زیرا داده‌هایی که کل شبکه بزرگراه را پوشش می‌دهند گران و دشوار است. از سوی دیگر، مطالعات موجود از داده های OD برای بحث تراکم ترافیک استفاده نمی کنند زیرا داده های OD فاقد اطلاعات مسیر هستند. با بازیابی مسیرهای رانندگی در داده‌های OD، حذف تأثیر نویز، تعیین مسیر پر ازدحام، انتخاب بخش جاده‌ای پر ازدحام، و تجزیه و تحلیل الگوهای مکانی-زمانی ازدحام ترافیک، روش پیشنهادی می‌تواند الگوهای مکانی و زمانی تراکم ترافیک در شبکه بزرگراه را بررسی کند. . سهم این مطالعه ارائه یک رویکرد جدید برای کشف الگوهای مکانی – زمانی تراکم ترافیک در شبکه‌های بزرگراه منطقه‌ای بود. این مطالعه ممکن است برای سیاست‌گذاران و مدیران منطقه‌ای برای بهینه‌سازی برنامه‌ریزی شبکه بزرگراه، مدیریت جریان ترافیک در سیستم‌های بزرگراه، و ترویج توسعه متعادل منطقه‌ای مفید باشد.

منابع

  1. بیان، اف. بله، AG تأثیر فضایی-اقتصادی اتصالات بزرگراه ملی از دست رفته بر اقتصاد منطقه ای چین. ترانسپ Res. قسمت D. Transp. محیط زیست 2020 , 84 , 102377. [ Google Scholar ] [ CrossRef ]
  2. او، جی. زی، ی. ژانگ، بی. بزرگراه ها، تولید ناخالص داخلی و محیط زیست: مورد چین. جی. دیو. اقتصاد 2020 , 145 , 102485. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. لائو، ایکس. ژانگ، ایکس. شن، تی. Skitmore, M. مقایسه حمل و نقل شهری و شبکه های اقتصادی چین. شهرها 2016 ، 53 ، 43-50. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. پرکوکو، ام. بزرگراه ها، ساختار اقتصادی محلی و توسعه شهری. جی. اکون. Geogr. 2016 ، 16 ، 1035-1054. [ Google Scholar ] [ CrossRef ]
  5. آلبالات، دی. فاجدا، X. ازدحام، ایمنی راه ها و اثربخشی سیاست های عمومی در مناطق شهری. پایداری 2019 ، 11 ، 5092. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. ورما، ک. Kulshrestha، U. گزینه های کاهشی امکان پذیر برای آلودگی هوا و تراکم ترافیک در شهرهای مترو. J. Ind. Geophys. اتحادیه 2018 ، 22 ، 212-218. [ Google Scholar ]
  7. ورهوف، ای تی. Rouwendal, J. مدل رفتاری ازدحام ترافیک. J. شهری اقتصاد. 2004 ، 56 ، 408-434. [ Google Scholar ] [ CrossRef ]
  8. ختک، ای جی; فن، ی. تیگ، ج. تأثیر اقتصادی حوادث ترافیکی بر مشاغل. ترانسپ Res. ضبط J. Transp. Res. هیئت 2008 ، 2067 ، 93-100. [ Google Scholar ] [ CrossRef ]
  9. عثمان، تی. توماس، تی. موندشاین، ا. Taylor, BD آیا ازدحام ترافیک بر موقعیت موسسات تجاری جدید تأثیر می گذارد؟ تحلیلی از منطقه خلیج سانفرانسیسکو. مطالعه شهری. 2019 ، 56 ، 1026–1041. [ Google Scholar ] [ CrossRef ]
  10. السید، ح. Thandavarayan، G. تشخیص تراکم و انتشار در مناطق شهری با استفاده از مدل های هیستوگرام. IEEE Internet Things J. 2017 , 5 , 3672–3682. [ Google Scholar ] [ CrossRef ]
  11. رائو، AM؛ Rao، KR شناسایی تراکم ترافیک در شریان های شهری برای ترافیک ناهمگن. ترانسپ مشکل 2017 ، 11 ، 131-142. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ژانگ، YC; زو، XQ؛ Zhang، LT; چن، ZT تشخیص تراکم ترافیک بر اساس داده های خودرو شناور GPS. Procedia Eng. 2011 ، 15 ، 5541-5546. [ Google Scholar ]
  13. خو، سی. مائو، ی. سیستم نظارت بر تراکم ترافیک بهبود یافته بر اساس یادگیری فدرال. اطلاعات. 2020 ، 11 ، 365. [ Google Scholar ] [ CrossRef ]
  14. لیو، XL; گائو، دبلیو. فنگ، دی. Gao، XS تشخیص تراکم ترافیک غیرعادی بر اساس تجزیه و تحلیل ویدیو. در مجموعه مقالات کنفرانس IEEE 2020 در مورد پردازش و بازیابی اطلاعات چند رسانه ای (MIPR)، شنژن، چین، 6 تا 8 اوت 2020؛ صص 39-42. [ Google Scholar ] [ CrossRef ]
  15. وانگ، اس. ژانگ، ایکس. کائو، جی. او، ال. استنت، ال. یو، PS; لی، ز. Huang, Z. محاسبه تراکم ترافیک شهری با ترکیب داده های پراکنده GPS و داده های رسانه های اجتماعی. ACM Trans. Inf. سیستم 2017 ، 35 ، 1-30. [ Google Scholar ] [ CrossRef ]
  16. ژنگ، ال. چن، ال. لیو، ی. هوانگ، جی. او، م. لیو، W. تشخیص تراکم ترافیک جاده شهری با استفاده از داده های RFID وسایل نقلیه. در مجموعه مقالات IEEE SmartWorld، هوش و محاسبات همه جا حاضر، محاسبات پیشرفته و قابل اعتماد، محاسبات و ارتباطات مقیاس پذیر، رایانش ابری و داده های بزرگ، اینترنت افراد و نوآوری شهر هوشمند (SmartWorld/SCALCOM/UIC/ATC/CBDCI/IOP/S) ، گوانگژو، چین، 8 تا 12 اکتبر 2018؛ صص 756-763. [ Google Scholar ] [ CrossRef ]
  17. هوانگ، ز. شیا، جی. لی، اف. لی، ز. لی، کیو. روش پیش‌بینی اوج تراکم ترافیک بر اساس زمان رانندگی اتوبوس. Entropy 2019 , 21 , 709. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  18. لو، ز. ژانگ، ی. لی، ال. او، بی. لی، سی. زو، اچ. وانگ، دبلیو. یینگ، اس. Xi، Y. یک روش ترکیبی برای پیش‌بینی تراکم ترافیک در ساعات اوج مصرف در سیستم متروی شنژن. Sensors 2019 , 20 , 150. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. شن، دی. ژانگ، ال. کائو، جی. وانگ، اس. پیش بینی تراکم ترافیک در سطح شهر بر اساس رسانه های اجتماعی. سیم. پارس اشتراک. 2018 ، 103 ، 1037-1057. [ Google Scholar ] [ CrossRef ]
  20. ما، ایکس. یونپنگ، دبلیو. وانگ، ی. وانگ، ی. پیش‌بینی تکامل تراکم شبکه حمل‌ونقل با استفاده از نظریه یادگیری عمیق. PLoS ONE 2015 ، 10 ، e0119044. [ Google Scholar ] [ CrossRef ]
  21. الوش، دبلیو. ولی، ع. علیمی، سیستم پیش‌بینی تراکم عصبی AM برای مدل‌سازی سفر در الگوهای مکانی-زمانی ناهمگن. بین المللی جی. سیست. علمی 2020 ، 51 ، 1373-1391. [ Google Scholar ] [ CrossRef ]
  22. یانگ، ال. وانگ، ال. الگوهای انتشار تراکم ترافیک معدن بر اساس الگوهای هم‌مکانی مکانی-زمانی. تکامل. هوشمند 2019 ، 13 ، 221-233. [ Google Scholar ] [ CrossRef ]
  23. وانگ، ی. کائو، جی. لی، دبلیو. گو، تی. Shi, W. بررسی همبستگی تراکم ترافیک از منابع داده های متعدد. اوباش فراگیر. محاسبه کنید. 2017 ، 41 ، 470-483. [ Google Scholar ] [ CrossRef ]
  24. کان، ز. تانگ، ال. کوان، ام.-پی. رن، سی. لیو، دی. لی، کیو. تحلیل تراکم ترافیک در سطح پیچ با استفاده از داده‌های مسیر GPS تاکسی. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 74 ، 229-243. [ Google Scholar ] [ CrossRef ]
  25. کهن، م. Ale, JM کشف تراکم ترافیک از طریق الگوهای جریان ترافیک ایجاد شده توسط مسیر حرکت اجسام. محاسبه کنید. محیط زیست سیستم شهری 2020 , 80 , 101426. [ Google Scholar ] [ CrossRef ]
  26. لیو، ی. یان، ایکس. وانگ، ی. یانگ، ز. Wu, J. Grid Mapping برای تجزیه و تحلیل الگوی فضایی ازدحام ترافیک شهری مکرر بر اساس داده های سنجش GPS تاکسی. Sustainability 2017 , 9 , 533. [ Google Scholar ] [ CrossRef ][ Green Version ]
  27. شان، ز. پان، ز. لی، اف. Xu, H. تجزیه و تحلیل بصری مسیر انتشار ازدحام ترافیک با داده های دوربین در مقیاس بزرگ. چانه. جی. الکترون. 2018 ، 27 ، 934-941. [ Google Scholar ] [ CrossRef ]
  28. آل احمد، ح. چن، ی. محمسنی، ارزیابی تغییرپذیری زمان سفر HS و ازدحام برای خوشه‌های مبدا-مقصد از طریق تجربه شرکت‌های تحرک. ترانسپ Res. ضبط J. Transp. Res. هیئت 2020 ، 2674 ، 103-117. [ Google Scholar ] [ CrossRef ]
  29. آن، اس. یانگ، اچ. وانگ، جی. نشان دادن الگوهای تکامل مکرر تراکم شهری با مسیرهای تاکسی. ISPRS Int. J. Geoinf. 2018 ، 7 ، 128. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. Coifman, B. شناسایی شروع ازدحام به سرعت با آشکارسازهای ترافیک موجود. ترانسپ Res. بخش A. خط مشی Pr. 2003 ، 37 ، 277-291. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. تانگ، ال. وانگ، ی. Zhang، X. شناسایی تنگناهای تکرارشونده در بزرگراه شهری با استفاده از روش فیوژن بر اساس داده‌های آشکارساز حلقه. ریاضی. مشکل مهندس 2019 ، 2019 ، 1–9. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. کالینیچ، م. Krisp، JM Fuzzy رویکرد استنتاج در تشخیص تراکم ترافیک. ان GIS 2019 ، 25 ، 329-336. [ Google Scholar ] [ CrossRef ]
  33. چیابوت، ن. Faitout، R. تراکم ترافیک و پیش بینی زمان سفر بر اساس نقشه های ازدحام تاریخی و شناسایی روزهای توافقی. ترانسپ Res. قسمت ج: ظهور. تکنولوژی 2021 ، 124 ، 102920. [ Google Scholar ] [ CrossRef ]
  34. لی، کیو. تان، اچ. جیانگ، ز. وو، ی. بله، L. تشخیص تراکم ترافیک غیر تکراری با مدل فاکتورسازی تانسور قوی بیزی مقیاس‌پذیر همراه. محاسبات عصبی 2021 ، 430 ، 138-149. [ Google Scholar ] [ CrossRef ]
  35. یوان، Q. لیو، ز. لی، جی. ژانگ، جی. یانگ، اف. یک طرح تشخیص تراکم ترافیک و انتشار اطلاعات برای بزرگراه‌های شهری با استفاده از شبکه‌های خودرو. ترانسپ Res. قسمت C. ظهور. تکنولوژی 2014 ، 47 ، 114-127. [ Google Scholar ] [ CrossRef ]
  36. فوکوموتو، جی. سیروکان، ن. ایشیکاوا، ی. وادا، تی. اوتسوکی، ک. Okada، H. روش تحلیلی برای مشکلات ترافیکی بلادرنگ با استفاده از ارتباطات محتواگرا در VANET. در مجموعه مقالات هفتمین کنفرانس بین المللی مخابرات ITS، سوفیا آنتیپولیس، فرانسه، 6-8 ژوئن 2007; صص 1-6. [ Google Scholar ] [ CrossRef ]
  37. جیان مینگ، اچ. کیانگ، م. چی، دبلیو. جیاجی، ز. یی، زی. شناسایی تراکم ترافیک بر اساس پردازش تصویر. IET Intel. ترانسپ سیستم 2012 ، 6 ، 153. [ Google Scholar ] [ CrossRef ]
  38. الوش، دبلیو. ولی، ع. علیمی، AM به سوی یک روش کارآمد پیش‌بینی تراکم ترافیک بر اساس شبکه‌های عصبی و داده‌های بزرگ GPS. مهندسی IIUM J. 2019 ، 20 ، 108-118. [ Google Scholar ] [ CrossRef ]
  39. ایتو، تی. هیراموتو، تی. یک رویکرد شبیه ساز عمومی برای ازدحام ترافیک عوارض ETC. جی. اینتل. Manuf. 2006 ، 17 ، 597-607. [ Google Scholar ] [ CrossRef ]
  40. لانگ، ک. لین، کیو. گو، ج. وو، دبلیو. Han، LD در حال بررسی تراکم ترافیک در بزرگراه‌های شهری با در نظر گرفتن رفتار غیرمنطقی رانندگان در بخش‌های ادغام/واگرایی در چین. Sustainability 2018 , 10 , 4359. [ Google Scholar ] [ CrossRef ][ Green Version ]
  41. تدکی، س.-ای. نیشیناری، ک. کیکوچی، م. سوگیاما، ی. Yukawa، S. مشاهده ترافیک دو خطه متراکم ناشی از یک تونل. J. Phys. Soc. Jpn. 2002 ، 71 ، 2326-2334. [ Google Scholar ] [ CrossRef ]
  42. Qu، Q.-K. چن، F.-J. ژو، X.-J. تجزیه و تحلیل گلوگاه ترافیک جاده ای برای بزرگراه برای ایمنی تحت حوادث فاجعه با استفاده از یادگیری ماشین بلاک چین. Saf. علمی 2019 ، 118 ، 925–932. [ Google Scholar ] [ CrossRef ]
  43. سان، ج. لی، ز. Sun, J. مطالعه بر روی ویژگی های ترافیکی برای یک گلوگاه معمولی بزرگراه روی رمپ با در نظر گرفتن رفتارهای مختلف ادغام. فیزیک الف. آمار مکانیک. برنامه آن 2015 ، 440 ، 57-67. [ Google Scholar ] [ CrossRef ]
  44. لی، ی. چو، سی سی; چن، JY مطالعه در مورد هزینه خارجی تراکم بزرگراه: روش برآورد و کاربرد. در حال پیشرفت در حفاظت از محیط زیست و پردازش منابع، امتیاز 1-4 ; Tang, X., Zhong, W., Zhuang, D., Li, C., Liu, Y., Eds.; Trans Tech Publications Ltd.: Durnten-Zurich, Switzerland, 2013; جلد 295–298، صص 781–786. [ Google Scholar ]
  45. یانگ، ی. لی، ام. یو، جی. او، F. شناسایی الگوی گلوگاه بزرگراه با استفاده از داده های بزرگ ترافیک – مورد جاده های حلقه ای در پکن، چین. جی. اینتل. ترانسپ سیستم 2019 ، 24 ، 54–67. [ Google Scholar ] [ CrossRef ]
  46. گوا، دی. Zhu، X. هموارسازی و نقشه‌برداری داده جریان مبدا-مقصد. IEEE Trans. Vis. محاسبه کنید. نمودار. 2014 ، 20 ، 2043-2052. [ Google Scholar ] [ CrossRef ]
  47. آندریس، سی. لیو، ایکس. فریرا، جی. چالش های جریان های اجتماعی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 70 ، 197-207. [ Google Scholar ] [ CrossRef ]
  48. او، بی. ژانگ، ی. چن، ی. Gu, Z. روش خوشه‌بندی خطی ساده برای تحلیل فضایی با داده‌های مبدا-مقصد و کاربرد آن در داده‌های حرکت اشتراک‌گذاری دوچرخه. ISPRS Int. J. Geoinf. 2018 ، 7 ، 203. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  49. مارفیا، جی. Roccetti، M. تشخیص تراکم وسایل نقلیه و پیش بینی کوتاه مدت: یک مدل جدید با نتایج. IEEE Trans. وه تکنولوژی 2011 ، 60 ، 2936-2948. [ Google Scholar ] [ CrossRef ]
  50. ژانگ، ال. چنگ، جی. جین، سی. مدل‌سازی تعامل فضایی داده‌های جریان OD: مقایسه رگرسیون دوجمله‌ای منفی وزن‌دار جغرافیایی (GWNBR) و OLS (GWOLSR). ISPRS Int. J. Geoinf. 2019 ، 8 ، 220. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  51. Dijkstra، EW یادداشتی در مورد دو مشکل در ارتباط با نمودارها. عدد. ریاضی. 1959 ، 1 ، 269-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. ژنگ، ک. یائو، ای. ژانگ، جی. Zhang، Y. برآورد جریان ترافیک در شبکه بزرگراه با استفاده از داده های بلیط عوارض. IET Intel. ترانسپ سیستم 2019 ، 13 ، 886-895. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00288 g001 550
شکل 1. تصویری از گردش کار در ایده اصلی. ( الف ) مثالی از شبکه بزرگراه و داده‌های OD، ( ب ) لایه فضایی یک مسیر پر ازدحام، ( C ) لایه فضایی بخش جاده پرتراکم انتخاب شده از هر مسیر پرتراکم، ( D ) نتیجه همپوشانی فضایی جاده پر ازدحام بخش ها
Ijgi 10 00288 g002 550
شکل 2. موقعیت مکانی منطقه مورد مطالعه و شبکه بزرگراه. پس زمینه یک تصویر سنجش از راه دور از Google است.
Ijgi 10 00288 g003 550
شکل 3. توزیع مکانی-زمانی بخش های جاده پر ازدحام.
Ijgi 10 00288 g004 550
شکل 4. سری زمانی مکان های متراکم در جهات مختلف.
Ijgi 10 00288 g005 550
شکل 5. توزیع فضایی بخش های جاده با ازدحام مکرر.
Ijgi 10 00288 g006 550
شکل 6. سری زمانی تعداد مکان های شلوغ.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید