خلاصه

فرآیند تحلیل سلسله مراتبی (AHP)، یک روش تصمیم‌گیری، امکان اولویت‌بندی و ارزیابی نسبی گزینه‌ها را تحت شرایط چند معیاره فراهم می‌کند. این روش برای انتخاب جاده نیز مناسب است. روش انتخاب جاده بر اساس AHP شامل چهار مرحله است: (1) نقاط مورد علاقه (POI)، نمایش نقطه مانند امکانات و سکونتگاه ها در نقشه ها، برای توصیف و ساختن شاخص مشخصه زمینه ای جاده ها استفاده می شود. (ب) یک مدل AHP از جاده‌ها با شاخص‌های مشخصه توپولوژیکی، هندسی و زمینه‌ای برای محاسبه اهمیت آن‌ها تشکیل دهید. (iii) جاده ها را بر اساس اهمیت آنها و آستانه های تطبیقی ​​پارتیشن های چگالی تشکیل دهنده آنها انتخاب کنید. و (IV) اتصال جهانی شبکه انتخاب شده را حفظ کند. نتیجه تعمیم یافته در مقیاس 1:200، 000 با روش های مبتنی بر AHP ساختار شبکه اصلی راه را در مقایسه با روش های دیگر بهتر حفظ کرد. روش ما همچنین به جاده‌هایی با ویژگی‌های زمینه‌ای نسبتاً قابل توجه بدون تداخل با ساختار شبکه جاده‌ها ترجیح می‌دهد. علاوه بر این، نتیجه روش ما تا حد زیادی با روش دستی مطابقت دارد.

کلید واژه ها:

انتخاب جاده ؛ AHP ; POI ; پارتیشن چگالی

1. معرفی

تعمیم خودکار اطلاعات جغرافیایی هنوز یک چالش در زمینه نقشه برداری است. انتخاب راه یکی از عملیات های اصلی در تعمیم نقشه توپوگرافی است. هدف آن حفظ الگوهای جهانی و محلی [ 1 ، 2 ] و اتصال [ 3 ، 4 ، 5 ] از شبکه اصلی راه و در عین حال کاهش سطح جزئیات در شبکه راه است. با توجه به حالت نمایش شبکه‌های جاده‌ای، روش‌های انتخاب راه را می‌توان به طور کلی به روش‌های مبتنی بر مش، روش‌های مبتنی بر خط و روش‌های ترکیبی خط مش [ 6 ] طبقه‌بندی کرد.
روش‌های مبتنی بر مش به‌طور غیرمستقیم جاده‌ها را با تجمیع مش‌های محصور شده توسط بخش‌های جاده بر حسب محدودیت‌های خاص انتخاب می‌کنند (به عنوان مثال، سطح مش کمتر از آستانه از پیش تعریف‌شده است) [ 7 ، 8 ، 9 ، 10 ، 11 ]. الگوی تراکم و اتصال شبکه راه را می توان از طریق این روش ها بهتر حفظ کرد [ 10 ]. با این حال، این روش برای شبکه هایی که قادر به ساختن مناطق نیستند و به ندرت ویژگی های توپولوژیکی جاده ها را در نظر می گیرد، کاربرد ندارد.
روش های خط محور متداول ترین روش های مورد استفاده در انتخاب راه هستند. آنها با حذف مستقیم جاده ها به ترتیب رتبه بندی شده تحقق می یابند [ 1 ، 2 ، 3 ، 4 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ، 22 ، 23 ، مستقیم]. در این گروه از روش ها به روابط توپولوژیکی توجه زیادی می شود. به عنوان مثال، با هدایت تئوری گراف، شبکه های جاده ای به عنوان نمودارهای متصل برای انجام انتخاب جاده دستکاری می شوند. برخی مفاهیم مانند کوتاهترین مسیر [ 12 ]، درخت حداقل پوشا [ 3 ]، و مرکزیت [ 4 ] برای هدایت انتخاب جاده گنجانده شده اند. با این حال، رویکرد مرکزیت قادر به حفظ توزیع تراکم شبکه‌های جاده‌ای اصلی نیست و برخی از عوامل را در شبکه‌های جاده‌ای واقعی نادیده می‌گیرد، مانند دوربرگردان‌ها ، بن‌بست‌ها، و غیره . تحقق نتایج انتخاب مطلوب در مقیاس های کوچک.
روش‌های ترکیبی خط-مش با جمع‌آوری متوالی مش‌ها و انتخاب ویژگی‌های خط متصل به آن مش‌ها به انتخاب می‌رسند. این روش‌های ترکیبی بر روی مش‌ها یا خطوط منفرد در شبکه‌های جاده‌ای تمرکز می‌کنند، بنابراین بهتر از روش‌های جداگانه در مقیاس‌های متوسط ​​[ 6 ، 25 ] عمل می‌کنند. با این حال، نتایج متفاوتی ممکن است با استفاده از استراتژی های ترکیبی مختلف خطوط و مش ها تولید شود. از این رو، این روش نیاز به بررسی بیشتر دارد [ 26 ].
در مقایسه با سایر ویژگی های نقشه، جاده ها به عنوان یک ویژگی خطی، ویژگی های قابل توجهی در اتصال و پیوستگی خود دارند. شبکه های شکسته و قطع شده را می توان به راحتی با انتخاب بر اساس بخش های جاده ایجاد کرد. برای جلوگیری از این اشکال، تامسون و ریچاردسون مفهوم «سکته مغزی» را بر اساس اصل تداوم خوب گروه‌بندی ادراکی پیشنهاد کردند. 15 ].]. در این روش، چندین بخش جاده مجاور در یک سکته مغزی گروه بندی می شوند که سپس به عنوان یک واحد در فرآیند انتخاب در نظر گرفته می شود. این حالت الحاق به دلیل برتری در حفظ سلسله مراتب طولی و ویژگی های هندسی شبکه اصلی، به طور گسترده در روش های مبتنی بر خط و روش های خط مش استفاده می شود. علاوه بر این، با توسعه اطلاعات جغرافیایی داوطلبانه (VGI)، روش‌هایی که از داده‌های بزرگ استفاده می‌کنند، به وجود آمده‌اند، بنابراین سرنخ‌ها و دیدگاه‌های مطالعات انتخاب جاده را گسترش می‌دهند. نقاط مورد علاقه (POI) در سال های اخیر برای تنظیم انتخاب جاده تطبیق داده شده اند. خو و همکاران پارامترهای توسعه یافته مانند تراکم POI و نسبت POI قابل توجه در اطراف یک جاده برای منعکس کردن ویژگی های زمینه ای جاده ها [ 22]. با این حال، این روش برای تشخیص اهمیت نسبی دسته های مختلف POI کافی نیست. برای اهداف حمل و نقل، یو و همکاران. با استفاده از داده‌های مسیر تاکسی [ 27 ] ، محدودیت‌هایی بین ضربه‌ها اضافه کرد . بنز مفهوم دسترسی به POI را پیشنهاد کرد. او استدلال کرد که مسیرهای POI باید در فرآیند انتخاب حفظ شوند تا عملی بودن نتایج تعمیم یافته افزایش یابد [ 25 ]. علاوه بر این، برخی از روش‌های وزن‌دهی عینی، مانند همبستگی بین معیاری اهمیت هر چند (CRITIC) [ 17 ، 26 ، 28 ]، آنتروپی [ 24 ] و ضریب تغییرات [ 22 ]]، برای تنظیم تأثیر شاخص های مختلف بر انتخاب جاده معرفی شدند. این روش ها پایه ریاضی قوی دارند و می توانند از نتایج انتخاب متفاوت ناشی از تفاوت در تجربه کارتوگرافی جلوگیری کنند. با این حال، وزن‌های تعیین‌شده اغلب نمی‌توانند اهمیت واقعی شاخص‌ها را در محیط انتخاب جاده منعکس کنند. به عنوان مثال، به دلیل توانایی آن در شناسایی هاب های اصلی در یک شبکه، باید به مرکزیت میانی در تعمیم مقیاس کوچک وزن بیشتری داده شود. 13 ].]. در حالی که فراوانی استفاده، نوع، عرض، طول و درجه مرکزی جاده نیز نقش حیاتی در تعمیم در مقیاس های متوسط ​​ایفا می کند، این شاخص ها حاوی اطلاعات محلی در مورد جاده ها هستند و روابط بین جاده ها و امکانات همسایه آنها را منعکس می کنند. از این رو، این روش ها منجر به مغایرت وزن شاخص ها با تجربه نقشه برداری می شود. در این راستا، فرآیند تحلیل سلسله مراتبی (AHP) [ 29 ]، یک ابزار تصمیم گیری چند معیاره، به انتخاب جاده معرفی شد.
در مدل AHP می توان جایگزین های برتر را شناسایی کرد. AHP از زمان اختراع آن تقریباً در تمام زمینه‌های مربوط به تصمیم‌گیری اعمال شده است [ 30 ]. به جای دنبال کردن روش‌های پیچیده ریاضی، AHP از ماتریس‌های زوجی و بردارهای ویژه راست مرتبط با آن‌ها برای تولید دنباله‌های اولویت مناسب از گزینه‌ها استفاده می‌کند. 29 ]]. AHP نسبت به ابزارهای ریاضی مختلف مانند برنامه ریزی خطی، منطق فازی و غیره قابل تحمل است که بنابراین می توان امتیازات آنها را برای دستیابی به یک نتیجه دلخواه استخراج کرد. علاوه بر این، AHP به طور ارگانیک روش های کمی و کیفی را با هم ترکیب می کند و یک تصمیم را به یک ساختار سلسله مراتبی چند سطحی تجزیه می کند. به این ترتیب فرآیندهای تفکر تصمیم گیرندگان نظام مند و ساده می شوند. هم تجربه کارتوگرافی و هم روابط بین مقادیر شاخص را می توان در سیستم ارزیابی گنجاند.
این اولین کاربرد AHP در انتخاب جاده است. به عنوان یک روش مبتنی بر خط، روش ما برای تعمیم در مقیاس کوچک مناسب است. علاوه بر این، سکونتگاه ها و امکانات اطراف یک جاده می تواند بر اهمیت جاده ها تأثیر بگذارد. در این راستا، جدای از خلاصه کردن شاخص‌های مشخصه ساختاری، شاخصی منعکس‌کننده ویژگی‌های زمینه‌ای جاده‌ها با امتیازدهی دسته‌های مختلف POI ساخته می‌شود. مقادیر اهمیت سکته مغزی را می توان در مدل AHP محاسبه کرد و نتیجه AHP به عنوان مبنای اساسی برای انتخاب جاده عمل می کند. این روش اطلاعات ویژگی های جاده ها را به طور کامل جمع آوری می کند و فرآیند ارزیابی راه را به صورت ساختاریافته و سازمان یافته انجام می دهد که به راحتی قابل قبول است. AHP عمیق تر به ماهیت ارزیابی جاده، شاخص های متعدد،
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 با مقدمه ای بر AHP آغاز می شود. در بخش 3 ، یک استراتژی ارزیابی جاده بر اساس AHP پیشنهاد شده است. بخش 4 یک راه حل نگهداری چگالی بر اساس آستانه های تطبیقی ​​ارائه می دهد. بخش 5 فرآیند انتخاب دقیق و همچنین الگوریتم نگهداری اتصال را تشریح می کند. در بخش 6 ، توجه به اعتبار سنجی رویکرد پیشنهادی معطوف شده است. در نهایت، برخی از نتایج در بخش 7 ساخته شده است.

2. نظریه پایه AHP

AHP مفهوم سلسله مراتب را هنگام رسیدگی به مشکلات مربوط به تعدادی معیار و جایگزین ارائه می دهد. در این مدل، عوامل دخیل در سطح مربوطه به صورت دوتایی با هم مقایسه می‌شوند و مقیاس عددی برای کالیبره کردن نتایج بعدی طراحی می‌شود. AHP معمولاً از زیربخش های زیر استفاده می کند.

2.1. ساختار مسئله هدف در سلسله مراتب

مسئله را به یک ساختار سلسله مراتبی متشکل از سطوح زیر گسترش دهید: هدف، معیارها، معیارهای فرعی و جایگزین. در مدل AHP، هدف مسئله سطح بالایی را تشکیل می دهد. سطوح میانی معیارها و زیرمعیارها را تشکیل می دهند. سطح پایین شامل گزینه های تصمیم گیری است.

2.2. محاسبه بردار وزن معیارها

مجموعاً فرض کنید مترمعیارها در مقایسه زوجی شرکت می کنند. یک  متر×مترماتریس آساخته شده است. هر یک آمنjورود در ماتریس آنشان دهنده اهمیت نسبی منمعیار با توجه به jمعیار هفتم، که با: ① مشخص می شود آمنj·آjمن=1; ② آمنمن=1③ آمنj>0. آمنjبه صورت عددی با توجه به مقیاس نسبت از 1 تا 9 تعیین می شود. همانطور که در جدول 1 نشان داده شده است، کل طیف مقایسه را پوشش می دهد . در نهایت، یک محاسبه برای یافتن حداکثر مقدار ویژه انجام دهید λمترآایکسو بردار ویژه مربوط به آن wاز ماتریس آ:

آw=λمترآایکسw، w=(w1،w2،…،wمتر)تی

جایی که wمترنشان دهنده وزن اولویت است مترمعیار.

سپس، شاخص سازگاری را محاسبه کنید سیمنو نسبت قوام سیآربا استفاده از فرمول های (2) و (3) برای بررسی اثربخشی ماتریس مقایسه آ.

سیمن=λمترآایکس-nn-1
سیآر=سیمن/آرمن

جایی که nترتیب ماتریس است آ، آرمنشاخص همسانی تصادفی متوسط ​​است و با جدول 2 قابل تعیین است. اگر سیآر<0.1، ماتریس مقایسه با استاندارد سازگاری مطابقت دارد.

2.3. محاسبه ماتریس امتیاز گزینه های جایگزین

داده شده nدر مجموع گزینه های جایگزین را با هم مقایسه کنید، که نتایج آن در مقیاس عددی در جدول 1 کالیبره شده است تا n×nماتریس ب(j)با توجه به jمعیار،  j=1،…،متر. هر ورودی بمنساعت(j)در ماتریس ب(j)مخفف اهمیت نسبی منامین جایگزین در مقایسه با ساعتth گزینه های تحت jمعیار. حداکثر مقدار ویژه و بردار ویژه مربوط به آن را بیابید س(j)از ماتریس ب(j). در نهایت، بردارهای وزن س(j)در ماتریس امتیاز گروه بندی می شوند اس:

اس=[س(1)،…،س(متر)]

2.4. محاسبه امتیازهای جایگزین جهانی

نمرات جهانی Vدر نهایت با ضرب ماتریس امتیاز S و بردار وزن به دست می آینددبلیو.

V=اس·دبلیو
اولویت از منجایگزین به ورودی بستگی دارد  vمناز V.

3. استراتژی ارزیابی اهمیت جاده بر اساس AHP

3.1. نقشه های شبکه راه

همانطور که در شکل 1 نشان داده شده است ، مجموعه داده تجربی از شبکه جاده از ناحیه هانکو، شهر ووهان، چین، در مقیاس 1:5000 جمع آوری شده است و در مجموع شامل 2815 بخش است. در مجموع 65650 POI داخل بافرهای جاده از پلتفرم باز Amap ( https://lbs.amap.com/ ) توسط یک خزنده پایتون دریافت شد. Amap یک تامین کننده چینی محتوای نقشه های دیجیتال، راه حل های خدمات ناوبری و مکان است. بنابراین وب سایت فوق به زبان چینی است.
جاده ها در نقشه یک الگوی توزیع قابل تشخیص را نشان می دهند. جاده ها در گوشه پایین سمت راست پراکنده تر هستند و توسط POI های بیشتری احاطه شده اند. این جاده ها مرکز تجاری ولسوالی را تشکیل می دهند. جاده ها و POI در نواحی بالا نسبتاً پراکنده هستند و نشان دهنده مناطق حاشیه شهر هستند.

3.2. شاخص های خطی و ساختاری مشخصه شبکه راه ها

در مطالعات انتخاب راه، هنگام استفاده از اصول نظری گراف، دو نوع نمایش رایج از شبکه‌های جاده‌ای وجود دارد: یکی ارائه راه‌ها به عنوان لبه و تقاطع‌های جاده‌ای به عنوان گره، و دیگری ترسیم یک شبکه جاده بر روی یک نمودار خطی، با جاده ها به عنوان گره ها و تقاطع های جاده ها به عنوان لبه ها.
نمودار خطی را می توان با یک نمودار ساده بدون وزن تعریف کرد D=〈ن،E〉، جایی که نو Eبه ترتیب تعداد گره ها و لبه های متصل هستند. مزیت نمودار خطی این است که می‌تواند روابط اتصال بین جاده‌ها، وضعیت جاده‌ها در یک شبکه و کارایی محلی و جهانی شبکه‌های جاده‌ای را به وضوح نشان دهد [ 31 ]. از این رو، یک نمودار خطی به تجزیه و تحلیل عمیق ویژگی های ساختاری و مورفولوژی کلی یک شبکه جاده کمک می کند [ 32 ].
عمل درمان سکته مغزی، مجموعه ای از بخش های جاده، به عنوان واحد انتخاب به طور گسترده در تحقیقات قبلی پذیرفته شده است. سکته مغزی معمولاً از نظر قوام معنایی یا آستانه زاویه انحراف بین بخش های جاده همسایه ایجاد می شود. برخی از مطالعات استدلال کرده اند که آستانه زاویه انحراف در محدوده 40 درجه تا 60 درجه بهینه است [ 33 ]. با این حال، ویس و ویبل [ 13 ] از یک سری آستانه های زاویه سلسله مراتبی با توجه به کلاس های جاده استفاده کردند. این راه حل شبکه های سکته مغزی معقول تری ایجاد کرد. به دلیل کمبود اطلاعات کلاس جاده، ما روش استاندارد تنظیم زاویه انحراف را روی 45 درجه برای ایجاد سکته‌ها تطبیق دادیم.
شکل 2 یک مثال برای نشان دادن روش های ذکر شده در بالا نشان می دهد. در سمت چپ یک شبکه ضربه ای است که بر اساس زاویه انحراف 45 درجه ایجاد شده است، در حالی که در سمت راست نمودار خطی مربوطه است.
ویژگی های هندسی و روابط توپولوژیکی اساسی ترین و مهم ترین ویژگی راه ها و عوامل کلیدی موثر بر عملکرد شبکه راه ها هستند. اطلاعات مربوط به این ویژگی ها در شبکه های جاده ای ذاتی است. بنابراین، آنها برای انعکاس اهمیت جاده ها بسیار کاربردی هستند [ 19 ]. برگرفته از یک نمودار خطی، شاخص‌های مرکزیت برای اندازه‌گیری ویژگی‌های توپولوژیکی جاده‌ها استفاده می‌شوند که می‌توان آن‌ها را به صورت ریاضی به‌عنوان مرکزیت درجه، مرکزیت بین‌المللی و مرکزیت نزدیکی خلاصه کرد [ 4 ]. به عنوان یک شاخص جهانی، مرکزیت بین‌المللی اندازه‌گیری می‌کند که یک جاده تا چه اندازه در بین مسیرهایی که جاده‌های دیگر را به هم متصل می‌کند قرار دارد و این مزیت را دارد که اهمیت سلسله مراتبی جاده‌ها را آشکار کند [ 13 ].]. در این الگوریتم، باید کوتاه ترین فاصله از یک گره معین تا تمام گره های دیگر در یک شبکه محاسبه شود. بنابراین، مرکزیت بین بودن در عمل از نظر محاسباتی گران است. با اينكه Dسی،  پ، و Lاهمیت سکته مغزی را از دیدگاه محلی اندازه گیری می کنند، آنها به طور بالقوه وضعیت سکته مغزی را از جنبه یک سازه شناسایی می کنند. مرکزیت نزدیکی اندازه‌گیری می‌کند که جاده تا چه حد به مرکز یک شبکه نزدیک است، بدون اینکه ویژگی‌های ساختاری جاده‌ها را نشان دهد. بنابراین، مرکزیت بینابینی و مرکزیت درجه در رویکرد ما گنجانده شده است. از آنجایی که تضمین نمی شود که جاده ای با ویژگی های توپولوژیکی قابل توجه در شبکه به خوبی عمل کند، طول سکته مغزی برای اندازه گیری ویژگی های هندسی جاده ها معرفی شده است.

3.3. شاخص بافتی مشخصه جاده ها

علاوه بر ویژگی های ساختاری راه ها، توجه به سکونتگاه ها و تأسیسات اطراف نیز ضروری است. جاده هایی که توسط تاسیسات کلیدی احاطه شده اند از اهمیت بیشتری برخوردار هستند. برعکس، اگر سکونتگاه ها و امکانات اطراف یک جاده کم و ناچیز باشد، ممکن است وضعیت آن در شبکه کاهش یابد. به عنوان مثال، خیابان Wangfujing در پکن از نظر ویژگی های ساختاری برجسته نیست. با این حال، به عنوان یک خیابان تجاری شناخته شده در پکن، از شهرت بالایی در بین مردم برخوردار است و عملکرد بسیار مهمی را انجام می دهد. علاوه بر این، ویژگی های نقشه توسط تعاملات فضایی آنها محدود می شود. تعمیم شبکه های جاده ای نباید از سایر ویژگی ها جدا باشد. به طور خاص، جاده ها و سکونتگاه های مجاور آنها عناصر نقشه برداری مرتبط در نقشه ها هستند [34 ، 35 ]. این اضافه تجسم نظریه تعمیم مشارکتی ویژگی های چندگانه است. در این راستا، باید به محتوای سکونتگاه ها و تأسیسات اطراف توجه کرد تا عملی بودن و دقت علمی ارزیابی جاده افزایش یابد. برای انجام این کار، یک شاخص برای تعریف ویژگی‌های زمینه‌ای جاده‌ها به کمک POI ساخته شده است.

3.3.1. POI

POI یک اصطلاح کلی برای هر موجودیت جغرافیایی است که می تواند با استفاده از نقاط، به ویژه امکانات و سکونتگاه ها بیان شود. داده های POI بسیار یکپارچه و به روز هستند. به عنوان نمایش‌های نقطه‌ای از سکونت‌ها، POI حاوی اطلاعات مرتبط فراوانی است که می‌تواند برای کمک به اندازه‌گیری اثرات تسهیلات بافتی در جاده‌ها استفاده شود. با توجه به مطالعات موجود و مشخصات استاندارد [ 22 ، 34]، POI ها در فاصله 30 متری از جاده ها به عنوان سکونتگاه ها و تأسیساتی در نظر گرفته می شوند که می توانند بر جاده ها تأثیر بگذارند. علاوه بر این، با توجه به منابع مختلف مجموعه داده های POI، معیارهای طبقه بندی POI متنوعی وجود دارد. هدف ما تشخیص تفاوت در اهمیت POI با طبقه بندی آنها است. از این منظر، طبقه بندی رسمی و یکپارچه POI مورد نیاز است. به این ترتیب، POI در راستای استانداردهای ملی طبقه‌بندی اراضی شهری (کد طبقه‌بندی کاربری اراضی شهری و استانداردهای برنامه‌ریزی زمین توسعه GB50137-2011) طبقه‌بندی می‌شوند. جزئیات طبقه بندی در جدول 3 فهرست شده است.
3.3.2. ساختن شاخص مشخصه متنی
دسته های مختلف POI تأثیر نابرابر بر وضعیت جاده دارند. بنابراین، هنگام اندازه‌گیری ویژگی‌های زمینه‌ای ضربه‌ها، روش دلفی [ 36 ] برای امتیازدهی به POI از نظر دسته‌بندی‌ها معرفی می‌شود، در نتیجه تأثیر POIهای مختلف را متمایز و کمی می‌کند.
روش دلفی یک روش پذیرفته شده است که برای جمع آوری بینش از پاسخ دهندگان استفاده می شود. هدف آن کشف طیف کاملی از گزینه‌ها، مفروضات بالقوه و قضاوت‌های مرتبط است و در نهایت در مورد یک موضوع دنیای واقعی به اجماع می‌رسد. این روش یک سری پرسشنامه را به طور مکرر برای جمع آوری بازخورد از گروه پاسخ دهنده انجام می دهد.

هنگام دریافت پرسشنامه، کارشناسان موظفند برای هر دسته از POI قضاوت هایی در مورد «غیر قابل توجه»، «نه خیلی مهم»، «به طور کلی مهم»، «بسیار قابل توجه» یا «کاملاً معنادار» انجام دهند. بر اساس یک مقیاس لیکرت 5 درجه ای، به پنج نوع قضاوت فوق، نمرات 1 تا 5 اختصاص داده می شود. ویژگی های برخی از دسته های POI را می توان با استانداردهای صنعتی یا ملی یا از طریق عقل سلیم اندازه گیری کرد. به عنوان مثال، دسته خدمات خرید را می توان به وضوح به سوپرمارکت ها، مراکز خرید عمومی و مغازه های کوچک با توجه به دامنه کسب و کار طبقه بندی کرد. جاذبه های گردشگری را می توان به مکان های میراث جهانی، جاذبه های ملی، جاذبه های استانی و جاذبه های دیگر طبقه بندی کرد. مراقبت های پزشکی را می توان به بیمارستان های عمومی، بیمارستان های تخصصی، کلینیک ها و داروخانه ها تقسیم کرد. بنابراین، هنگام قضاوت، از یک طرف، کارشناسان باید تأثیر POI را بر اهمیت جاده ها در نظر بگیرند. از سوی دیگر، آنها باید تفاوت صفات و خصوصیات را در یک دسته تشخیص دهند. فرض کنید در بین هشت نقشه نگار، تعداد کارشناسانی که از 1 تا 5 امتیاز می گیرند. jدسته ی POI هستند ن1j، ن2j، ن3j، ن4jو ن5jبه ترتیب و امتیاز نهایی از jطبقه بندی به صورت زیر محاسبه می شود:

منپj=(1×ن1j+2×ن2j+3×ن3j+4×ن4j +5×ن5j)/8
امتیازات برای دسته های POI جزئی در جدول 4 نشان داده شده است.

هم تعداد و هم اهمیت دسته های مختلف POI در کنار یک سکته مغزی، پارامترهای ضروری برای تعیین تأثیر سکونتگاه ها و امکانات زمینه ای هستند. جمع آوری آمار برای تعداد و دسته های POI در داخل بافر منسکته مغزی و شاخص مشخصه متنی را می توان با فرمول زیر محاسبه کرد:

پمن=∑j=1n نمنj×منپj

جایی که نمنjتعداد POI های است jدسته ام در داخل بافر از منسکته مغزی و منپjامتیاز از است jدسته ام بر خلاف مرکزیت بینابینی، پویژگی‌های محلی یک جاده را اندازه‌گیری می‌کند، بنابراین نشانگر زمان محاسباتی کمتری می‌گیرد.

3.4. ارزیابی اهمیت سکته مغزی بر اساس AHP

در مدل AHP، عناصر در سطح متناظر به صورت دوتایی و طبیعی با هم مقایسه می‌شوند و سپس نتایج آن‌ها برای کمک به تصمیم‌گیرندگان سنتز می‌شوند. این روش سیستماتیک و ساختاریافته نه تنها از اطلاعات ویژگی ها استفاده کامل می کند، بلکه با شناخت انسان همخوانی دارد. 35 ]. در این مقاله AHP برای محاسبه وزن اولویت استوک ها معرفی شده است. مرکزیت بین، مرکزیت درجه، شاخص مشخصه متنی، طول (مطابق با بسی، Dسی،  پ، و Lبه ترتیب) در روش اندازه گیری ضربه ها از منظر ویژگی های هندسی، توپولوژیکی و زمینه ای آنها یکپارچه شده اند. مدل AHP بر اساس اهمیت سکته مغزی در شکل 3 نشان داده شده است .
روش پیشنهادی به مراحل ذکر شده در زیر تقسیم می شود:

مرحله 1: مقادیر بسی، Dسی،  پ، و Lابتدا هر ضربه محاسبه می شود. این چهار شاخص به عنوان معیار در AHP در نظر گرفته می شوند. فرض کنید وجود دارد nسکته مغزی در شبکه ها، سپس یک ماتریس  آاز n×4 را می توان ساخت:

آ=(α1(بسی)α1(Dسی)α1(پ)α1(L)α2(بسی)α3(بسی)⋮α4(بسی)α2(Dسی)α3(Dسی)⋮α4(Dسی)α2(پ)α3(پ)⋮α4(پ)α2(L)α3(L)⋮α4(L))
مرحله 2: وزن اندیکاتورها را محاسبه کنید
وزن اندیکاتورها با ارزیابی تأثیر آنها بر اهمیت ضربه ها تعیین می شود. بسیاهمیت ضربه‌ها را از نظر جنبه‌های جهانی و ساختاری یک شبکه اندازه‌گیری می‌کند، بنابراین بسیتاثیر قابل توجهی بر سکته مغزی دارد. Dسی،  پ،و Lحاوی اطلاعات محلی یک سکته مغزی هستند، بنابراین در مقایسه با آنها اهمیت کمتری دارند بسی. با توجه به مقیاس نسبت در AHP ( جدول 2 )، ماتریس مقایسه آاز چهار شاخص در جدول 5 نشان داده شده است . نسبت قوام سیآر=0آن ماتریس مقایسه را نشان می دهد  آکاملا سازگار است.
سپس، بردار ویژه مربوطه را محاسبه کنید wاز ماتریس آبرای بدست آوردن بردار وزن اندیکاتورها: w= [0.4، 0.2، 0.2، 0.2].
مرحله 3: ماتریس امتیاز ضربه ها را محاسبه کنید

داده شده nکل سکته مغزی در یک شبکه، ساخت یک n×nماتریس مقایسه زوجی ب(j)، j=1، 2، 3، 4 با توجه به شاخص ها بسی، Dسی،  پ،و L، به ترتیب، ورودی که بمنساعت(j)=αمن(j)/αساعت(j)نشان دهنده اهمیت نسبی منسکته مغزی در مقایسه با ساعتسکته مغزی در زیر jمعیار. توجه داشته باشید که اگر jمقدار شاخص از منهفتم یا ساعتسکته مغزی 0 است، پس بمنساعت(j)=0. سپس، حداکثر مقدار ویژه و بردار ویژه آن را پیدا کنید س(j)از ماتریس ب(j)طبق بخش 2 . بردارهای وزن س(j)در ماتریس امتیاز گروه بندی می شوند اس=[س(1)،…،س(4)].

ب(j)=(α1(j)/α1(j)α1(j)/α2(j)…α1(j)/αn(j)α2(j)/α1(j)α2(j)/α2(j)…α2(j)/αn(j) ⋮⋮⋮⋮αn(j)/α1(j)αn(j)/α2(j)…αn(j)/αn(j))
مرحله 4: ماتریس امتیاز را ضرب کنید اسو بردار وزن نشانگر دبلیوبرای به دست آوردن امتیازات نهایی ضربات.

4. آستانه های تطبیقی ​​بر اساس پارتیشن تراکم جاده

از آنجایی که توزیع تراکم جاده ها بر روی نقشه ها ناهمگن است، نتایج انتخاب باید منعکس کننده کنتراست در تراکم جاده در مناطق مختلف باشد، تا از صاف شدن یا معکوس شدن تراکم یک شبکه جاده جلوگیری شود [ 37 ، 38 ]. در روش ما، اهمیت سکته مغزی در مناطق شهری نسبتاً بالا است. زیرا ارزش های بسیو پاز سکته مغزی در شهرها بیشتر است، جاده های بیشتری در مناطق متراکم تر باید حذف شوند، در حالی که جاده های کمتری باید در مناطق کم تراکم در فرآیند تعمیم حذف شوند. با توجه به کار Tian [ 37 ] و Weiss و Weibel [ 13 ]، ما یک روش پارتیشن تراکم جاده را بر اساس نمودارهای Voronoi قرار دادیم. آستانه های تطبیقی ​​برای اهمیت سکته مغزی از پیش تعیین شده اند تا فرآیند انتخاب را تنظیم کنند.

4.1. پارتیشن تراکم جاده

ایده اصلی این روش این است که تقاطع‌ها و نقاط انتهایی جاده‌ها به طور متراکم در مناطق متراکم شبکه راه‌ها توزیع می‌شوند، در حالی که در مناطق پراکنده موقعیت‌های مخالف وجود دارد. ابتدا، نمودارهای ورونوی از تقاطع‌ها و نقاط انتهایی جاده برای تقسیم‌بندی کل نقشه ساخته می‌شوند. مناطق متراکم شبکه جاده با خوشه های واحدهای Voronoi یک منطقه کوچک مطابقت دارد. به طور مشابه، مناطق پراکنده با خوشه های واحدهای Voronoi یک منطقه بزرگ مطابقت دارد. سپس، Getis-Ord Gi*، ابزار تجزیه و تحلیل نقطه داغ، برای استخراج آماری مناطق خوشه‌ای با ارزش بالا و مناطق خوشه‌ای کم ارزش بر اساس مساحت واحدهای Voronoi استفاده می‌شود. در نهایت نقاط مرکز سکته ها استخراج می شوند. سپس مکان آنها برای تعیین مناطق چگالی که ضربه ها به آن تعلق دارند استفاده می شود.

4.2. آستانه های تطبیقی ​​از پیش تعیین شده بر اساس پارتیشن تراکم جاده

پس از تعیین نواحی چگالی تک تک ضربه‌ها، آستانه‌های تطبیقی ​​برای اهمیت ضربه به این مناطق خوشه‌بندی شده با توجه به ارزش‌های اهمیت سکته‌های متناظر آنها اختصاص می‌یابد. اصل برای تعیین آستانه این است که از رزرو جاده های قابل توجه در هر منطقه اطمینان حاصل شود و تا حد امکان از سکته های ناچیز حذف شود. مناطق متراکم تر توسط آستانه های دقیق تر محدود می شوند. سکته مغزی با اهمیت کمتر از آستانه هنگام تصمیم گیری انتخابی حذف حذف می شود. نتایج پارتیشن تراکم جاده و آستانه های از پیش تعیین شده برای منطقه آزمایشی ما در شکل 4 نشان داده شده است.

5. فرآیند انتخاب راه

5.1. ایده کلی

در روش پیشنهادی، چهار شاخص در فرآیند انتخاب در نظر گرفته شده است. بسی، Dسی،  پو L. مقادیر این شاخص‌ها در AHP برای محاسبه امتیاز ضربه‌ها جمع‌آوری می‌شوند و سپس برای رتبه‌بندی ضربه‌ها استفاده می‌شوند. این روش در چهار مرحله اصلی انجام می شود:
(1)
مقادیر نشانگر ضربه ها را استخراج کنید: با تنظیم زاویه انحراف روی 45 درجه، شبکه ضربه را ایجاد کنید و طول ضربه ها را بدست آورید. اطلاعات مشخصه متنی را که توسط POIهای داخل بافر stroke کمک می شود، محاسبه کنید. برای محاسبه مقادیر شاخص مرکزیت، شبکه استروک را در یک نمودار خطی ترسیم کنید.
(2)
یک پارتیشن چگالی با استفاده از نمودار Voronoi و Getis-Ord Gi* برای تعیین آستانه اهمیت هر ضربه انجام دهید.
(3)
نمرات ضربه ها را با روش مبتنی بر AHP در بخش 3.4 محاسبه کنید و ضربه ها را به ترتیب نزولی امتیازات محاسبه شده انتخاب کنید. اگر امتیاز یک ضربه بیشتر از آستانه اهمیت متناظر آن باشد، سکته مغزی انتخاب می شود. این روند انتخاب تا زمانی ادامه می یابد که تعداد کل از نتیجه محاسبه شده با روش قانون رادیکال بیشتر شود.
(4)
اگر شبکه راه انتخاب شده قطع شود، فرآیند تعمیر و نگهداری اتصال در بخش 5.2 انجام می شود تا شبکه جاده در سطح جهانی متصل بماند. شکل 5 روند خاص روش پیشنهادی را نشان می دهد.

5.2. تعمیر و نگهداری اتصال

شبکه‌های سکته مغزی تولید شده که بر اساس رتبه‌بندی اهمیت انتخاب می‌شوند ممکن است به چندین بخش جدا شده تقسیم شوند که غیرقابل قبول است. برخی از ضربات ناچیز که این قسمت های جدا شده را به هم متصل می کنند نیز باید حفظ شوند. از این رو، یک الگوریتم نگهداری اتصال برای استفاده در شبکه انتخاب شده پیشنهاد شده است. ما استدلال می کنیم که اصول زیر باید هنگام حفظ اتصال رعایت شود: تا حد امکان تعداد ضربات جدید اضافه کنید و به ضربات با اهمیت بالاتر اولویت دهید. در این رابطه وزن لبه ها را تعریف می کنیم  Eدر نمودار خطی یک شبکه سکته مغزی D=〈ن،E〉و یک درخت پوشا با لبه های حداکثر وزن برای حفظ اتصال جهانی ایجاد کنید.

5.2.1. تعریف وزن لبه برای نمودار خط

لبه ها در یک شبکه پیچیده بدون وزن دارای اهمیت متفاوتی هستند [ 39 ]. برای محاسبه وزن این لبه ها، اهمیت گره های تشکیل دهنده آنها را در نظر می گیریم. وزن لبه wمنjاز دو گره اتصال منو jبه عنوان … تعریف شده است:

wمنj={منمن+منj}

جایی که  منمنو منjامتیازهای سکته مغزی مربوط به گره ها هستند منو j، به ترتیب. به این ترتیب نمودار خطی شبکه استروک به یک نمودار وزنی تبدیل می شود.

5.2.2. الگوریتم نگهداری اتصال
برای مثال شکل 6 a نمودار خطی شبکه اصلی جاده را نشان می دهد. مجموعه گره سیاه نسنشان‌دهنده سکته‌های انتخابی با توجه به رتبه‌بندی امتیاز است، در حالی که گره‌های سفید بقیه ضربه‌ها را در شبکه اصلی نشان می‌دهند. می توان دید که گراف تولید شده قطع شده است. مراحل حفظ اتصال به شرح زیر است:
(1) وزن لبه ها را محاسبه کنید Eدر نمودار خط اصلی D=〈ن،E〉با فرمول در بخش 5.2.1 .
(2) یک درخت پوشا جدید بسازید Dتی=〈نتی،Eتی〉، که در آن نتی=ن، Eتی= 0. هر گره در Dتیبه عنوان یک درخت جداگانه در نظر گرفته می شود.
(3) لبه های انتخاب شده را اضافه کنید Eبه ترتیب نزولی وزن به Eتی. گره‌هایی که لبه‌های انتخاب شده را تشکیل می‌دهند باید متعلق به درخت‌های مختلفی باشند که پس از انتخاب لبه‌ها در یک درخت ادغام می‌شوند.
(4) مرحله (3) را تکرار کنید تا تمام گره ها در یک درخت گنجانده شوند، همانطور که در شکل 6 نشان داده شده است. ب نشان داده شده است.
(5) به طور مکرر تعیین کنید که آیا یک گره برگ در Dتیمتعلق به مجموعه گره انتخاب شده است نس; اگر نه، آن را حذف کنید. این مرحله تا زمانی به پایان می رسد که هیچ گره برگ سفیدی در آن وجود نداشته باشد Dتی( شکل 6 ج).
(6) ضربه های مربوط به گره های باقی مانده در Dتینتیجه نهایی پس از حفظ اتصال هستند ( شکل 6 د).

6. آزمایش ها و نتایج

6.1. مقایسه روش‌ها با و بدون AHP

برای برجسته کردن تأثیر AHP، مقایسه ای بین نتایج با AHP، بدون AHP و با استفاده از روش CRITIC انجام شد. به منظور شناسایی تفاوت بین سه روش در اولویت‌بندی ضربه‌ها، هیچ راه‌حل اضافی، یعنی آستانه چگالی تطبیقی ​​و نگهداری اتصال، برای نتایج بهینه‌سازی اعمال نشد. اهمیت سکته مغزی مندر دو روش آخر با فرمول زیر ارزیابی شد:

من= w1∗بسی+ w2∗Dسی+w3∗پ+ w4∗L
در روش بدون AHP، w1، w2، w3، و w4به ترتیب 0.4، 0.2، 0.2 و 0.2 هستند که همان وزن های محاسبه شده توسط سطح اول AHP هستند. در حالی که w1، w2، w3، و w4محاسبه شده توسط CRITIC به ترتیب 0.18، 0.16، 0.46 و 0.2 است. تمام مقادیر این شاخص ها قبل از محاسبه با فاصله [0، 1] نرمال می شوند.
شکل 7 نتایج را در مقیاس 1:200000 برای سه روش نشان می دهد. به طور کلی، نتایج در شکل 7 a,b تقریباً مشابه هستند. با این حال، پس از زوم کردن در جزئیات، چند تفاوت را می توان شناسایی کرد. همانطور که در دایره های صورتی در (الف) و (ب) نشان داده شده است، بدون AHP، سکته های بیشتری در مناطق شهری حفظ می شود، در حالی که سکته مغزی در حومه شهری بی دلیل حذف می شود. با این حال، سکته مغزی با ویژگی های هندسی قابل توجه در مناطق حاشیه شهری با AHP حفظ می شود. در شکل 7 ج مشاهده می شود که نه توزیع تراکم و نه پوشش شبکه اصلی راه با روش CRITIC حفظ نشده است. وزن بیش از حد به نشانگر اختصاص داده شده است پو L، در نتیجه با ویژگی های ساختاری شبکه راه ها تداخل دارد. AHP با مقایسه مقادیر شاخص‌ها به صورت جفت و سپس ترکیب امتیازات دو لایه، به تجزیه و تحلیل دقیق‌تر و واضح‌تری از شاخص‌های مربوطه دست می‌یابد و روابط درونی آنها را به دقت درک می‌کند و در نتیجه نتیجه معقول‌تری به‌دست می‌آورد.

علاوه بر ارزیابی بصری، یک ارزیابی کمی با استفاده از ضریب همبستگی پیرسون انجام دادیم که یک ضریب همبستگی خطی از 1- تا 1 است. این ضریب برای منعکس کردن درجه همبستگی خطی بین دو متغیر استفاده می‌شود. هر چه قدر مطلق بزرگتر باشد، همبستگی قوی تر است. برای اندازه گیری شباهت ساختاری شبکه های پیچیده از ضریب همبستگی پیرسون استفاده شده است [ 23 ، 40 ]. ما ضریب همبستگی پیرسون را محاسبه کردیم بسیبین شبکه های جاده ای تعمیم یافته و شبکه اصلی برای نشان دادن شباهت ساختاری آنها. فرض کن که Vتوو Vvمجموعه گره های شبکه هستند توو v، به ترتیب. سپس، شباهت ساختاری بین توو vبا فرمول زیر محاسبه می شود:

استوv=∑α∈Oتوv(rتوα-rتو¯)(rvα-rv¯)∑α∈Oتوv(rتوα-rتو¯)2∑α∈Oتوv(rvα-rv¯)2

جایی که استوvمعیار تشابه شبکه است توو v;  Oتوv=Γتو∩ Γvبه این معنی است که مجموعه گره توسط شبکه به اشتراک گذاشته شده است توو v; و هر دو rتوαو rvαمعیارهای توپولوژیکی (که به مرکزیت بین بودن در این آزمایش اشاره دارد) برای اندازه گیری شباهت ساختاری شبکه هستند. توو v. rتو¯و rv¯میانگین اندازه گیری های توپولوژیکی است توو v، به ترتیب.

شکل 8 آمار مرکزیت بین سکته ها را در شبکه های تعمیم یافته و در شبکه اصلی نشان می دهد. با مقایسه ضریب همبستگی پیرسون rمی توان نتیجه گرفت که روش ما خصوصیات ساختاری شبکه اصلی راه را بهتر حفظ می کند.

6.2. تغییرات پس از در نظر گرفتن ویژگی های متنی

شکل 9 تغییرات در ترتیب اهمیت ضربه ها را پس از ادغام شاخص مشخصه زمینه ای نشان می دهد، که در آن مقادیر مثبت نشان دهنده یک صعود در رتبه بندی هستند و نه برعکس. این تجزیه و تحلیل نشان می‌دهد که دسته‌ها و تعداد POI در اطراف ضربه‌های مختلف متفاوت بوده و درجات مختلفی از تغییرات در رتبه‌بندی آنها رخ داده است. رتبه‌بندی بسیاری از خیابان‌ها که از نظر ویژگی‌های بافتی بی‌اهمیت بودند، بنابراین بهبود یافت. این خیابان ها عمدتاً در ناحیه تجاری در گوشه سمت راست پایین نقشه توزیع شده اند. با این حال، در مناطق حومه شهر با توزیع POI پراکنده، افت کلی در رتبه بندی سکته مغزی وجود داشت.
ما ضربه‌ها را در شبکه اصلی به ترتیب نزولی با توجه به آنها رتبه‌بندی کردیم بسیارزش های. دوازده ضربه بالا (در شکل 10 به رنگ سبز ارائه شده است ) قبل و بعد از محدودیت POI تغییر قابل توجهی نداشتند و آمار آنها در جدول 6 آمده است. همانطور که توسط آنها نشان داده شده است بسیمقادیر موجود در جدول، این سکته‌ها مزایای برجسته‌ای در ساختار توپولوژیکی شبکه اصلی راه دارند. محدودیت POI به طور قابل توجهی بر رتبه بندی آنها تأثیر نمی گذارد. بنابراین، می‌توان نتیجه گرفت که روش ما می‌تواند ساختار اصلی شبکه جاده‌ای در ناحیه Hankou را نیز حفظ کند.
علاوه بر این، ما نتایج تعمیم یافته را در مقیاس 1:200000 با و بدون محدودیت POI مقایسه کردیم. در این پیوند، آستانه های تطبیقی ​​برای اهمیت سکته مغزی و راه حل تعمیر و نگهداری اتصال را تعیین کردیم. سکته مغزی های مختلف در برجسته شده است شکل 11 مشخص شده است. می توان دید که این سکته های مختلف ویژگی های ساختاری مشابهی دارند. سکته‌هایی که به رنگ سبز ارائه می‌شوند، در مقایسه با سکته‌هایی که به رنگ آبی ارائه می‌شوند، با POI بیشتری احاطه می‌شوند. این سکته‌های سبز به دلیل POI مجاورشان نقش نسبتاً مهمی در سفر افراد دارند، بنابراین باید ترجیحاً در نقشه‌های تعمیم‌یافته در مقایسه با ضربه‌های آبی حفظ شوند. بنابراین، جاده‌هایی با ویژگی‌های بافتی نسبتاً قابل‌توجهی قبل از رقبای خود انتخاب شدند و در نتیجه نتیجه معقول‌تری را به‌دست آوردند.

6.3. مقایسه با روش دستی

در نهایت، انتخاب دستی با مراجعه به مشخصات تدوین نقشه های مقیاس ملی انجام شد. از نقشه کشان باتجربه دعوت شد تا بر اساس اصول کلی، سکته مغزی را انتخاب کنند، تا از حفظ جاده های قابل توجه، حفظ ارتباط بین جاده ها و مناطق مسکونی، و حفظ ویژگی های گرافیک صفحه شبکه های جاده ای اطمینان حاصل کنند. نتیجه انتخاب دستی به عنوان معیار در نظر گرفته شد. نتایج مقایسه بین رویکرد دستی و رویکرد ما در شکل 12 نشان داده شده است. اولین مشاهده در نقشه های مقایسه این است که نتایج رویکرد ما اساساً با نتایج رویکرد دستی مطابقت دارد.
ما از طریق بحث عمیق با کارشناسان نقشه‌کشی خود، نتایج کلی روش خود را به شرح زیر ارزیابی کردیم: نازک‌سازی عمومی شبکه راه قابل قبول بود. شبکه های جاده ای در مناطق شهری و برون شهری به طور کلی به درستی تعمیم داده شدند. با این حال، نازک شدن جزئی هنوز در مناطق متراکم تر (در دایره های نارنجی) مورد نیاز بود. برخی از جاده ها (در دایره های صورتی) که ویژگی های ساختاری قابل توجهی از شبکه را منعکس می کردند، هرس شدند. «اثر مرزی واضح»، آستانه‌های تطبیقی، محدودیت‌های POI یا فقدان کلاس جاده دلایل بالقوه این انحرافات هستند.
برای انعکاس دقیق‌تر نتایج، رویکرد حداکثر شباهت را برای اندازه‌گیری سازگاری بین دو نتیجه اتخاذ کردیم. نتایج شباهت در جدول 7 فهرست شده است. آمار نشان می دهد که دو نتیجه به سازگاری خوبی دست یافته اند.

7. نتیجه گیری

ارزیابی دقیق و معقول جاده ها پیش نیاز انتخاب راه است. برخی از روش های وزن دهی مانند CRITIC، آنتروپی و ضریب تغییرات به طور گسترده در روش های مبتنی بر خط استفاده می شوند. وزن شاخص‌های جاده‌ای که توسط این روش‌ها تخصیص داده شده‌اند با تجربه واقعی نقشه‌برداری سازگار نیستند. در این راستا، ما AHP را برای اولویت بندی سکته های خود تطبیق دادیم. در میان روش‌های مختلف انتخاب جاده، روش‌های مبتنی بر خط معمولاً شامل چندین شاخص برای تعیین ترتیب اولویت جاده‌ها می‌شوند که می‌توان آن را یک مشکل تصمیم‌گیری چند ویژگی در نظر گرفت. با توجه به مزایای AHP در رسیدگی به این نوع مشکلات، یک روش جدید انتخاب راه بر اساس AHP پیشنهاد شده است. مطالعات قبلی صرفاً بر شاخص های خلاصه شده توسط اطلاعات ذاتی شبکه های جاده تکیه دارند. با این حال، اگر اثرات سایر ویژگی‌ها، مانند سکونتگاه‌ها یا تأسیسات اطراف، در روش انتخاب گنجانده شده و به صورت کمی توضیح داده شود، شبکه جاده‌ای تولید شده ممکن است با نیازهای واقعی هماهنگ‌تر باشد. بنابراین، ما یک سیستم شاخص ارزیابی راه را ایجاد کردیم که هم ویژگی‌های ساختاری و هم ویژگی‌های بافتی جاده‌ها را در نظر می‌گیرد. در روش ما، شاخص مشخصه زمینه‌ای با توجه به POIهای اطراف جاده‌ها ساخته می‌شود، که سپس در مدل AHP به همراه شاخص‌های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه‌ها ادغام می‌شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. که در روش انتخاب گنجانده شده و به صورت کمی توضیح داده می شود، شبکه راه تولید شده ممکن است با نیازهای واقعی هماهنگی بیشتری داشته باشد. بنابراین، ما یک سیستم شاخص ارزیابی راه را ایجاد کردیم که هم ویژگی‌های ساختاری و هم ویژگی‌های بافتی جاده‌ها را در نظر می‌گیرد. در روش ما، شاخص مشخصه زمینه‌ای با توجه به POIهای اطراف جاده‌ها ساخته می‌شود، که سپس در مدل AHP به همراه شاخص‌های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه‌ها ادغام می‌شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. که در روش انتخاب گنجانده شده و به صورت کمی توضیح داده می شود، شبکه راه تولید شده ممکن است با نیازهای واقعی هماهنگی بیشتری داشته باشد. بنابراین، ما یک سیستم شاخص ارزیابی راه را ایجاد کردیم که هم ویژگی‌های ساختاری و هم ویژگی‌های بافتی جاده‌ها را در نظر می‌گیرد. در روش ما، شاخص مشخصه زمینه‌ای با توجه به POIهای اطراف جاده‌ها ساخته می‌شود، که سپس در مدل AHP به همراه شاخص‌های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه‌ها ادغام می‌شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. ما یک سیستم شاخص ارزیابی جاده را ایجاد کردیم که هم ویژگی های ساختاری و هم ویژگی های زمینه ای جاده ها را در نظر می گیرد. در روش ما، شاخص مشخصه زمینه‌ای با توجه به POIهای اطراف جاده‌ها ساخته می‌شود، که سپس در مدل AHP به همراه شاخص‌های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه‌ها ادغام می‌شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. ما یک سیستم شاخص ارزیابی جاده را ایجاد کردیم که هم ویژگی های ساختاری و هم ویژگی های زمینه ای جاده ها را در نظر می گیرد. در روش ما، شاخص مشخصه زمینه‌ای با توجه به POIهای اطراف جاده‌ها ساخته می‌شود، که سپس در مدل AHP به همراه شاخص‌های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه‌ها ادغام می‌شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. که سپس در مدل AHP به همراه شاخص های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه ها ادغام می شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم. که سپس در مدل AHP به همراه شاخص های مشخصه ساختاری برای محاسبه مقادیر اهمیت ضربه ها ادغام می شود. ما همچنین دو راه حل مکمل دیگر، یعنی آستانه های تطبیقی ​​از پیش تعیین شده و نگهداری اتصال، برای بهبود نتایج تعمیم یافته طراحی کردیم.
برای ارزیابی عملکرد، آزمایش‌های بصری و کمی انجام دادیم. برخی از پیشرفت ها از نظر ساختار و ویژگی های زمینه ای جاده ها قابل شناسایی است. نتایج روش ما به دقت بالاتری نسبت به انتخاب دستی دست یافت. از این رو، اعمال AHP برای انتخاب جاده امکان پذیر است. علاوه بر این، زمان محاسبات اضافی تولید شده توسط نشانگر پیشنهادی در بخش 3.3.2 را می توان نادیده گرفت. بنابراین، این روش قابلیت استفاده در تعمیم جاده را دارد.

منابع

  1. چن، بی. وو، اف. کیان، مطالعه HZ در مورد الگوریتم های انتخاب خودکار شبکه های جاده ای. J. Image Gr. 2008 ، 13 ، 2388-2393. [ Google Scholar ] [ CrossRef ]
  2. یانگ، م. AI، TH; ژو، Q. روشی برای تعمیم شبکه جاده با توجه به خصوصیات ضربه ای شی جاده. Acta Geod. کارتوگر. گناه 2013 ، 42 ، 581-587. [ Google Scholar ]
  3. Mackaness، W. تجزیه و تحلیل شبکه های جاده شهری برای پشتیبانی از تعمیم نقشه برداری. کارتوگر. Geogr. Inf. علمی 1995 ، 22 ، 306-316. [ Google Scholar ] [ CrossRef ]
  4. جیانگ، بی. کلارامونت، سی. یک رویکرد ساختاری به تعمیم مدل یک شبکه خیابان شهری*. GeoInformatica 2004 ، 8 ، 157-171. [ Google Scholar ] [ CrossRef ]
  5. هو، YG; چن، جی. حذف انتخابی Li، ZL از ویژگی‌های جاده بر اساس تراکم مش برای تعمیم نقشه دیجیتال. Acta Geod. کارتوگر. گناه 2007 ، 36 ، 351-357. [ Google Scholar ] [ CrossRef ]
  6. لی، ز. ژو، Q. ادغام سلسله مراتب خطی و منطقه ای برای نمایش مداوم چند مقیاسی شبکه های جاده ای. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 855-880. [ Google Scholar ] [ CrossRef ]
  7. پنگ، WN؛ مولر، JC یک ساختار درختی تصمیم گیری پویا که از تعمیم خودکار شبکه جاده شهری پشتیبانی می کند. کارتوگر. J. 1996 ، 33 ، 5-10. [ Google Scholar ] [ CrossRef ]
  8. ادواردز، ای جی; Mackaness، WA تعمیم هوشمند شبکه های جاده ای شهری. در مجموعه مقالات کنفرانس تحقیقات GIS انگلستان، نیویورک، نیویورک، ایالات متحده آمریکا، ژانویه 2000. [ Google Scholar ]
  9. دنگ، HY; وو، اف. وانگ، HL تعمیم شبکه های جاده ای بر اساس شباهت توپولوژیکی. جی. ژئومات. علمی تکنولوژی 2008 ، 25 ، 183-187. [ Google Scholar ]
  10. چن، جی. هو، ی. لی، ز. ژائو، آر. منگ، L. حذف انتخابی ویژگی های جاده بر اساس تراکم مش برای تعمیم خودکار نقشه. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 1013-1032. [ Google Scholar ] [ CrossRef ]
  11. Touya, G. فرآیند انتخاب شبکه جاده ای بر اساس غنی سازی داده ها و تشخیص ساختار. ترانس. GIS 2010 ، 14 ، 595-614. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. تامسون، آرسی ریچاردسون، DE یک رویکرد نظریه گراف به تعمیم شبکه جاده ای. در مجموعه مقالات هفدهمین کنفرانس بین المللی کارتوگرافی، بارسلون، اسپانیا، 3-9 سپتامبر 1995; صفحات 1871-1880. [ Google Scholar ]
  13. ویس، آر. Weibel، R. انتخاب شبکه جاده برای نقشه‌های مقیاس کوچک با استفاده از الگوریتم بهبود یافته مبتنی بر مرکزیت. جی. اسپات. Inf. علمی 2014 ، 9 ، 71-99. [ Google Scholar ] [ CrossRef ]
  14. لیو، ایکس. ژان، FB; Ai, T. انتخاب جاده بر اساس نمودارهای ورونوی و «سکته‌ها» در تعمیم نقشه. بین المللی J. Appl. زمین Obs. Geoinf. 2010 ، 12 ، S194–S202. [ Google Scholar ] [ CrossRef ]
  15. تامسون، آرسی ریچاردسون، دی. اصل تداوم خوب سازمان ادراکی که در تعمیم شبکه های جاده ای کاربرد دارد. در مجموعه مقالات نوزدهمین کنفرانس بین المللی کارتوگرافی، اتاوا، ON، کانادا، 14 تا 21 اوت 1999; ص 1215-1223. [ Google Scholar ]
  16. ژانگ، تعمیم شبکه جاده QN بر اساس تجزیه و تحلیل اتصال. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی در مورد مدیریت داده های فضایی، لستر، انگلستان، 22 تا 24 اوت 2004. [ Google Scholar ] [ CrossRef ]
  17. تیان، جی. لو، ی. Lin, LP مطالعه تطبیقی ​​دو استراتژی انتخاب شبکه راه. Geomat. Inf. علمی دانشگاه ووهان 2019 ، 44 ، 310-316. [ Google Scholar ] [ CrossRef ]
  18. یانگ، بی. لوان، ایکس. لی، Q. ایجاد سکته مغزی سلسله مراتبی از شبکه های خیابان شهری بر اساس تشخیص الگوی فضایی. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 2025-2050. [ Google Scholar ] [ CrossRef ]
  19. خو، ز. لیو، سی. ژانگ، اچ. انتخاب جاده بر اساس ارزیابی عملکرد شبکه سکته مغزی. Acta Geod. کارتوگر. گناه 2012 ، 41 ، 769-776. [ Google Scholar ]
  20. ریچاردسون، دی. تامسون، RC یکپارچه سازی اطلاعات موضوعی، هندسی و توپولوژیک در تعمیم شبکه های جاده ای. Cartographica 1996 ، 33 ، 75-83. [ Google Scholar ] [ CrossRef ]
  21. دنگ، HG; وو، اف. Zhai، RJ یک مدل تعمیم شبکه های جاده ای بر اساس الگوریتم ژنتیک. Geomat. Inf. علمی دانشگاه ووهان 2006 ، 31 ، 164-167. [ Google Scholar ] [ CrossRef ]
  22. Xu، ZB; وانگ، ژ. Yan, HW روشی برای انتخاب خودکار جاده همراه با داده های POI. J. Geo-Inf. علمی 2018 ، 20 ، 159-166. [ Google Scholar ]
  23. آهنگ، HQ; گوا، جی. لیو، جی. رویکرد تعمیم خودکار و ارزیابی اهمیت راه های شهری بر اساس شبکه های پیچیده. مهندس Surv. نقشه. 2017 ، 26 ، 8-12. [ Google Scholar ]
  24. کائو، WW; ژانگ، اچ. انتخاب جاده با توجه به خصوصیات ساختاری و هندسی. Geomat. Inf. علمی دانشگاه ووهان 2017 ، 42 ، 520-524. [ Google Scholar ]
  25. بنز، SA; Weibel, R. انتخاب شبکه جاده برای مقیاس های متوسط ​​با استفاده از الگوریتم ترکیبی مشبک-مش گسترده. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 323-339. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. ژانگ، جی. وانگ، ی. ژائو، دبلیو. یک روش ترکیبی بهبود یافته برای انتخاب ویژگی های جاده ای پیشرفته در تعمیم نقشه. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 196. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. یو، دبلیو. ژانگ، ی. آی، تی. گوان، کیو. چن، ز. لی، اچ. تعمیم شبکه جاده با در نظر گرفتن الگوهای جریان ترافیک. بین المللی جی. جئوگر. Inf. علمی 2019 ، 34 ، 119-149. [ Google Scholar ] [ CrossRef ]
  28. لوان، ایکس سی; یانگ، BS; ژانگ، تحلیل سلسله مراتبی ساختاری خیابان ها بر اساس نظریه شبکه پیچیده. Geomat. Inf. علمی دانشگاه ووهان 2012 ، 37 ، 728-732. [ Google Scholar ] [ CrossRef ]
  29. Saaty، TL فرآیند تحلیل سلسله مراتبی چیست. در مدل های ریاضی برای پشتیبانی تصمیم ; Springer: برلین/هایدلبرگ، آلمان، 1988; صص 109-121. [ Google Scholar ]
  30. وایدیا، سیستم عامل؛ کومار، اس. فرآیند سلسله مراتب تحلیلی: مروری بر برنامه های کاربردی. یورو جی. اوپر. Res. 2006 ، 169 ، 1-29. [ Google Scholar ] [ CrossRef ]
  31. جیانگ، بی. لیو، سی. نمایش های توپولوژیکی مبتنی بر خیابان و تجزیه و تحلیل برای پیش بینی جریان ترافیک در GIS. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 1119-1137. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. ژائو، جی اف. یوان، SW; Yusheng, C. تجزیه و تحلیل ویژگی شبکه پیچیده و استحکام شبکه راه شهری. جی. هوی. ترانس. Res. Dvpt 2016 ، 33 ، 119-124. [ Google Scholar ]
  33. ژو، Q. Li، Z. یک مطالعه مقایسه ای از استراتژی های مختلف برای الحاق بخش های جاده به سکته مغزی برای تعمیم نقشه. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 691-715. [ Google Scholar ] [ CrossRef ]
  34. ژانگ، YF; یانگ، BS; Luan، XC یکپارچه سازی POI شهری و شبکه های جاده ای بر اساس دانش معنایی. Geomat. Inf. علمی دانشگاه ووهان 2013 ، 38 ، 1229-1233. [ Google Scholar ] [ CrossRef ]
  35. هو، اچ ام. کیان، HZ انتخاب خودکار سکونتگاه منطقه بر اساس فرآیند تحلیل سلسله مراتبی. Acta Geod. کارتوگر. گناه 2016 ، 45 ، 740-746. [ Google Scholar ] [ CrossRef ]
  36. Hsu، CC; سندفورد، کارشناسی تکنیک دلفی: ایجاد اجماع. تمرین کنید. الاغ Res. ارزشیابی 2007 ، 12 ، 1-8. [ Google Scholar ]
  37. تیان، جی. Xiong، پارتیشن تراکم جاده FQ و کاربرد آن در ارزیابی انتخاب راه. Geomat. Inf. علمی دانشگاه ووهان 2016 ، 41 ، 1225-1231. [ Google Scholar ] [ CrossRef ]
  38. سوجیت، KS؛ مارتین، بی. تحلیل جغرافیایی سازه‌های ساختمانی در کلان شهر داکا: استفاده از آمار فضایی برای ارتقای تصمیم‌گیری مبتنی بر داده‌ها. J. Geo-visu. تف کردن ان 2019 ، 3 ، 7. [ Google Scholar ]
  39. نامتیرتها، ا. دوتا، ا. دوتا، ب. روش همسایگی درجه kshell وزن دار: رویکردی مستقل از کامل بودن ساختار شبکه جهانی برای شناسایی پخش کننده های تأثیرگذار. در مجموعه مقالات دهمین کنفرانس بین‌المللی سیستم‌ها و شبکه‌های ارتباطی (COMSNETS)، بنگلور، هند، 3 تا 7 ژانویه 2018؛ صص 81-88. [ Google Scholar ] [ CrossRef ]
  40. لو، ال. مدو، م. یونگ، CH; ژانگ، Y.-C. ژانگ، Z.-K. ژو، T. سیستم های توصیه کننده. فیزیک 2012 ، 519 ، 1-49 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00086 g001 550
شکل 1. شبکه اصلی جاده منطقه Hankou و توزیع POI در داخل بافر جاده.
Ijgi 09 00086 g002 550
شکل 2. دو نوع نمایش برای یک شبکه راه.
Ijgi 09 00086 g003 550
شکل 3. مدل سلسله مراتبی تحلیلی اهمیت ضربه ها.
Ijgi 09 00086 g004 550
شکل 4. نتیجه پارتیشن تراکم جاده و آستانه های از پیش تعیین شده مناطق خوشه ای. مناطق متراکم تر توسط آستانه های دقیق تر محدود می شوند.
Ijgi 09 00086 g005 550
شکل 5. فرآیند انتخاب جاده.
Ijgi 09 00086 g006 550
شکل 6. نگهداری اتصالات ضربه های انتخاب شده.
Ijgi 09 00086 g007 550
شکل 7. شبکه های جاده ای تعمیم یافته با AHP ( a )، بدون AHP ( b )، و توسط CRITIC ( c ).
Ijgi 09 00086 g008 550
شکل 8. آمار از بسیمقادیر جاده های انتخاب شده قبل و بعد از سه فرآیند انتخاب: ( الف ) بسیمقادیر جاده های انتخاب شده بدون AHP. ( ب ) بسیمقادیر جاده های انتخاب شده با AHP. ( ج ) بسیمقادیر جاده های انتخاب شده با استفاده از CRITIC. ضریب همبستگی پیرسون rشباهت ویژگی های توپولوژیکی بین نتایج تعمیم یافته و شبکه اصلی جاده را نشان می دهد.
Ijgi 09 00086 g009 550
شکل 9. تغییرات در ترتیب ضربات قبل و بعد از محدودیت POI.
Ijgi 09 00086 g010 550
شکل 10. دوازده ضربه با بالاترین بسیمقادیر در شبکه اصلی جاده
Ijgi 09 00086 g011 550
شکل 11. مقایسه بین نتایج با و بدون محدودیت POI. سکته‌های سبز در مقایسه با سکته‌های آبی با POI بیشتری احاطه می‌شوند، که نشان می‌دهد روش ما می‌تواند جاده‌های بیشتری با ویژگی‌های بافتی نسبتاً قابل توجهی را حفظ کند.
Ijgi 09 00086 g012 550
شکل 12. مقایسه بین روش ما و روش دستی. روش ما به دلیل برخی از بخش‌های غیربهینه روش، هنوز قادر به دستیابی به اثرات مطلوب در همه جنبه‌ها نیست. نازک شدن جزئی در مناطق متراکم تر (در دایره های نارنجی) مورد نیاز بود. برخی از جاده ها (در دایره های صورتی) که ویژگی های ساختاری قابل توجهی از شبکه را منعکس می کردند، هرس شدند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید