خلاصه

در مدیریت تاکسی، رفتارهای شیفت راننده تاکسی نقش کلیدی در نظم بخشیدن به عملکرد تاکسی ها دارد که بر تعادل بین تقاضا و عرضه تاکسی و فضای پارکینگ تأثیر می گذارد. در عین حال این رفتارها بر سفرهای روزانه شهروندان تأثیر می گذارد. بنابراین، تجزیه و تحلیل توزیع شیفت های رانندگان تاکسی به مدیریت حمل و نقل کمک می کند. در مقایسه با تحقیقات قبلی با استفاده از سوابق شیفت واقعی، این مطالعه بر تجزیه و تحلیل مکانی-زمانی شیفت‌های راننده تاکسی با استفاده از داده‌های ردیابی بزرگ تمرکز دارد. یک استراتژی دو مرحله ای برای شناسایی خودکار جابجایی های راننده تاکسی از داده های ردیابی بزرگ بدون اطلاعات هویت رانندگان پیشنهاد شده است. اولین قدم این است که الگوهای متوالی مکانی-زمانی مکرر را از همه رویدادهای پارکینگ بر اساس تحلیل توالی مکانی-زمانی انتخاب کنید. مرحله دوم، ساخت یک مدل مخلوط گاوسی بر اساس دانش قبلی برای شناسایی بیشتر جابجایی‌های راننده تاکسی از همه الگوهای متوالی مکانی-زمانی مکرر است. توزیع مکانی و زمانی شیفت‌های تاکسی‌رانان بر اساس دو شاخص، یعنی شدت پوشش تاکسی منطقه‌ای و تراکم تاکسی تحلیل می‌شود. با در نظر گرفتن شهر ووهان به عنوان مثال، نتایج تجربی نشان می‌دهد که دقت شناسایی و نرخ یادآوری رویدادهای شیفت راننده تاکسی بر اساس روش پیشنهادی می‌تواند با استفاده از داده‌های ردیابی بزرگ تاکسی به ترتیب به حدود 95 و 90 درصد برسد. زمان وقوع شیفت رانندگان تاکسی در ووهان عمدتاً دارای دو دوره اوج مصرف است: 1:00 صبح تا 4:00 صبح و 4:00 بعد از ظهر تا 5:00 بعد از ظهر اگرچه رفتارهای شیفت رانندگان تاکسی در ساعات اوج مصرف عصر ممنوع است. در مورد مقررات صادر شده توسط اداره ترافیک ووهان، نتایج تجربی نشان می دهد که هنوز برخی از رانندگان این مقررات را نقض می کنند. با تجزیه و تحلیل توزیع فضایی شیفت‌های رانندگان تاکسی، متوجه می‌شویم که بیشتر شیفت‌های رانندگان تاکسی در مناطق مرکزی شهری مانند ووچانگ و منطقه جیانگان توزیع می‌شوند.

کلید واژه ها:

داده های ردیابی بزرگ ؛ شیفت راننده تاکسی ; تحلیل فضایی و زمانی مدیریت حمل و نقل

1. معرفی

تاکسی ها به عنوان بخش مهمی از سیستم حمل و نقل عمومی شهری برای سفر روزانه شهروندان به ویژه در شهرهای شلوغ بسیار مهم هستند [ 1 ، 2 ، 3 ]. با این حال، با توسعه سریع شهرنشینی، مشکلاتی مانند تضاد عرضه تاکسی و تقاضای مشتری، راندمان پایین کارکرد تاکسی و خدمات ضعیف صنعت تاکسیرانی به ویژه در کشورهای در حال توسعه مانند چین بیش از پیش آشکار می شود. تحقیق در مورد چگونگی بهبود کارایی سیستم تاکسی شهری و بهینه سازی خدمات حمل و نقل عمومی به منظور ایجاد یک سیستم ترافیک عمومی سبز و هماهنگ از اهمیت قابل توجهی برخوردار است [ 4 ].]. یکی از پیشرفت های بزرگی که می تواند تاکسی های شهری را کارآمدتر کند، تنظیم رفتار شیفت رانندگان تاکسی است. شیفت راننده تاکسی به فرآیند تغییر شیفت رانندگان تاکسی اطلاق می شود. رفتار شیفت راننده تاکسی به این دلیل است که رانندگان تاکسی از یک تاکسی استفاده می کنند و به نوبت برای امرار معاش از تاکسی استفاده می کنند. به طور معمول، رانندگان تاکسی به طور خود به خود در مورد زمان شیفت خاص بر اساس توزیع سود و زمان استراحت به اجماع می رسند و سپس برای تکمیل عملیات تاکسی در طول روز، شیفت رانندگان تاکسی را انجام می دهند. در حال حاضر، هیچ مکان یکپارچه و مناسبی برای شیفت رانندگان تاکسی در شهرهای بزرگ چین وجود ندارد. مکان های شیفت رانندگان تاکسی بسته به راحتی به سادگی با توافق شفاهی هر دو راننده تعیین می شود و معمولاً ثابت است. به منظور متعادل کردن درآمد هر راننده در یک روز، یک دوره سفر فعال در شهر معمولاً در هر شیفت راننده تضمین می شود. بنابراین، مستقیم ترین و مؤثرترین روشی که اکثر رانندگان انتخاب می کنند، شیفت کاری در اواسط ساعات شلوغی عصر است تا هر دو طرف بتوانند از مزایای ساعات پربیننده استفاده کنند. با این حال، به دلیل این عادات رایج رانندگان تاکسی در رفتارهای شیفت رانندگان تاکسی، بسیاری از رانندگان تاکسی ممکن است در راه تحویل تاکسی به راننده شریک بعدی در ساعات شلوغی عصر باشند. زمانی که رانندگان تاکسی در کل شهر در این مدت مشغول فعالیت شیفت تاکسی رانندگان باشند، کل شهر در حالت بدون سرویس تاکسی خواهد بود. بنابراین، پدیده طرد مسافر در ساعات شلوغی بسیار رایج است و گرفتن تاکسی برای عموم دشوار است و این امر باعث ایجاد مزاحمت جدی برای سفرهای عمومی می شود. از این رو،5 ، 6 ، 7 ، 8]. علاوه بر این، یک تاکسی اغلب در حالت پارکینگ در انتظار راننده بعدی در حین فعالیت شیفت راننده تاکسی است. بنابراین، هزاران تاکسی شهری حجم زیادی از زمین های شهری را در یک دوره شیفت جمعی اشغال خواهند کرد و در نتیجه کمبود منابع زمین و ازدحام در شهرهای بزرگ ایجاد می شود. برای کاهش این مشکل، مراکز استان‌های اصلی چین در دهه گذشته قوانینی وضع کرده‌اند که تاکسی‌ها را از شیفت‌گیری در ساعات شلوغی عصر منع می‌کند، اما این قوانین تأثیر چندانی نداشته است. در عین حال، برخی از محققان تحقیقات مرتبطی را برای بهبود این مشکل انجام داده اند. بسیاری از تحقیقات موجود برای رویدادهای شیفت راننده تاکسی در نظر دارد عملکرد سرویس تاکسی را با ساخت مدل هایی بهبود بخشد تا به صراحت برنامه نوبت راننده تاکسی را در نظر بگیرد. به عنوان مثال، محققان ادعا کردند که رانندگان تاکسی به صورت شیفتی کار می کردند.9 ، 10 ]. برنامه شیفت راننده تاکسی معمولاً برای تقسیم زمان کارکرد یک تاکسی در یک روز به شیفت های مختلف استفاده می شد. سپس، مدل خدمات تاکسی را می توان بر اساس عوامل هر شیفت کاری مانند هزینه عملیات تاکسی، شدت سرویس، زمان انتظار، وضعیت آب و هوا و غیره ساخت [ 6 ، 9 ، 11 ، 12 ]. فراتر از آن، چند مطالعه برای ایجاد مدلی برای به دست آوردن برنامه بهینه شده یا نقاط پارکینگ برای شیفت رانندگان تاکسی پیشنهاد شد [ 13 ، 14 ]. به عنوان مثال، منگ و همکاران. [ 13] مدلی از رفتار شیفت راننده تاکسی را با تجزیه و تحلیل تقاضای مشتری از تاکسی در شرایط آب و هوایی مختلف و شدت سفر شهروندان ساخت. سپس از مدل شیفت راننده تاکسی برای ارائه اطلاعاتی در مورد نقاط پارکینگ بهینه شده برای فعالیت های شیفت راننده تاکسی استفاده شد. لی و همکاران [ 14 ] یک روش خوشه‌بندی فازی بهینه را برای به دست آوردن مناطق منطقه ترافیکی اعمال کرد و سپس از الگوریتم کوتاه‌ترین مسیر برای به دست آوردن بهترین نقطه پارکینگ شیفت راننده تاکسی در هر منطقه استفاده کرد. سان و همکاران [ 15] توزیع مکانی و زمانی رویداد شیفت راننده تاکسی را در شهر پکن با استفاده از داده های GPS تاکسی ها و اطلاعات کارت آی سی رانندگان تاکسی تجزیه و تحلیل کرد. اگرچه آنها مطالعه موردی تجزیه و تحلیل رویداد شیفت راننده تاکسی را ارائه کردند، اکثر مسیرهای تاکسی اطلاعات رانندگان، مانند شماره کارمند او را از منظر حفاظت از حریم خصوصی ثبت نمی کنند. تجزیه و تحلیل توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی با استفاده از مسیرهای GPS تاکسی بدون اطلاعات کارت آی سی رانندگان تاکسی هنوز با چالش هایی روبرو است، از جمله نحوه شناسایی فعالیت های شیفت راننده تاکسی از همه رویدادهای پارکینگ و کشف ویژگی های توزیع آن در زمینه فضا- زمان برای کمک به تصمیم گیری برای دولت ها یا سیاست گذاران.
هدف از این مطالعه شناسایی خودکار فعالیت‌های شیفت راننده تاکسی با استفاده از داده‌های ردیابی بزرگ جمع‌آوری‌شده توسط تاکسی‌ها و تجزیه و تحلیل بیشتر ویژگی‌های توزیع مکانی – زمانی آنها است. اهمیت آن در تشخیص و شناسایی هوشمند توزیع شیفت رانندگان تاکسی برای ارتقای مدیریت ترافیک شهری و تسهیل سفر مردم است. همچنین به کسب اطلاعات ترافیکی پویا در ساخت شهرهای هوشمند کمک می کند. برای شناسایی فعالیت های شیفت راننده تاکسی، یک استراتژی دو مرحله ای طراحی شده است. ابتدا، الگوریتم الگوریتم کاوی متوالی مکانی-زمانی مکرر برای تشخیص توالی‌های مکانی-زمانی مکرر از تمام رویدادهای پارکینگ استفاده شد. سپس، یک مدل گاوسی بر اساس دانش قبلی از رویدادهای شیفت راننده تاکسی برای شناسایی بیشتر رویدادهای شیفت راننده تاکسی از تمام توالی‌های مکرر زمانی مکانی در مرحله دوم ساخته شد. توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی شناسایی شده بر اساس دو شاخص تجزیه و تحلیل می‌شود: شدت پوشش منطقه‌ای و تراکم. با در نظر گرفتن شهر ووهان به عنوان مثال، نتایج تجربی نشان می دهد که رویدادهای شیفت راننده تاکسی دارای دو دوره اوج بالا هستند: از ساعت 1:00 صبح تا 4:00 صبح و 4:00 بعد از ظهر تا 5:00 بعد از ظهر حدود 10.35 درصد از تاکسی ها. – شیفت راننده به طور جدی مقررات صادر شده توسط اداره ترافیک ووهان را نقض می کند. علاوه بر این، نتایج تجربی نشان می‌دهد که مکان‌های پارک اکثر رویدادهای شیفت رانندگان تاکسی در یک منطقه مرکزی شهری توزیع می‌شوند که با هدف افزایش درآمد رانندگان مطابقت دارد. در همین حال، منطقه Wuchang و Jianghan به ترتیب دارای بیشترین شدت و تراکم توزیع شیفت رانندگان تاکسی هستند. این نتایج به سیاست‌گذاران و دولت‌ها کمک می‌کند تصمیم بگیرند که چه زمانی و کجا گشت‌های جاده‌ای را تشدید کنند و از ترافیک جلوگیری کنند. مشارکت های اصلی ما در این مقاله به شرح زیر است:
  • یک استراتژی دو مرحله‌ای در این مطالعه برای شناسایی خودکار فعالیت‌های شیفت راننده تاکسی از داده‌های ردیابی بزرگ، بدون اطلاعات هویت رانندگان طراحی شده است. نتایج تجربی نشان داد که دقت شناسایی و یادآوری فعالیت‌های شیفت رانندگان تاکسی در شهر ووهان می‌تواند به ترتیب به حدود 95 درصد و 90 درصد برسد. این روش شناسایی می‌تواند توزیع شیفت‌های تاکسی‌ران شهری را به‌موقع رصد کرده و با هزینه کم، وقوع نوبت‌های تاکسی‌رانان را تشخیص دهد و در نتیجه پشتیبانی فنی برای مدیریت هوشمند ترافیک در آینده فراهم کند.
  • توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی شناسایی شده بر اساس دو شاخص تجزیه و تحلیل می‌شود: شدت پوشش منطقه‌ای و تراکم. نتایج آماری رویدادهای شیفت راننده تاکسی در زمینه فضا-زمان می تواند به مدیریت ترافیک و نظارت بر تاکسی کمک کند، مانند بررسی رفتارهای غیرقانونی شیفت راننده تاکسی و به عنوان مرجعی برای انتخاب مکان پارکینگ برای تاکسی شیفت راننده و در نتیجه رفع مشکلات ناشی از شیفت رانندگان تاکسی و ارتقای آسایش شهر.
بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 روش پیشنهادی را برای تشخیص رویدادهای شیفت راننده تاکسی با استفاده از داده های ردیابی بزرگ نشان می دهد. بخش 3 اثربخشی روش پیشنهادی را ارزیابی می‌کند و توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی را با استفاده از داده‌های ردیابی بزرگ جمع‌آوری‌شده توسط تاکسی‌ها در شهر ووهان تحلیل می‌کند. در نهایت، بخش 4 یافته ها را به پایان می رساند و کار آینده را مورد بحث قرار می دهد.

2. روش شناسایی فعالیت شیفت راننده تاکسی

2.1. بررسی اجمالی

همانطور که در شکل 1 نشان داده شده است ، یک استراتژی دو مرحله ای برای تشخیص خودکار رویدادهای جابجایی راننده تاکسی از داده های ردیابی بزرگ پیشنهاد شده است. ابتدا، تئوری تحلیل توالی مکانی-زمانی برای انتخاب توالی های مکرر مکانی-زمانی از همه رویدادهای پارکینگ استفاده می شود. سپس، رویدادهای شیفت راننده تاکسی با استفاده از مدل گاوسی از تمام توالی‌های مکانی-زمانی مکرر شناسایی می‌شوند. در اینجا، دانش قبلی مورد استفاده برای ساخت مدل گاوسی از حقیقت زمینی به دست آمد که با بازرسی دستی تأیید شد.

2.2. تحلیل رفتار شیفت راننده تاکسی

رویدادهای پارک اغلب در طول یک روز کار تاکسی اتفاق می‌افتد، مانند گرفتن شیفت، سوار کردن مسافران، صرف غذا، سوخت‌گیری و بیکاری به دلیل ترافیک. اطلاعات مربوط به این رویدادهای پارکینگ در یک مسیر وسیله نقلیه ترکیب می‌شود، که چالش‌هایی را برای تشخیص رویداد شیفت راننده تاکسی به همراه دارد. فعالیت‌های شیفت راننده تاکسی از طریق اشتراک شغل ایجاد می‌شود، زیرا اکثر تاکسی‌ها در دو یا سه شیفت توسط بیش از یک راننده هر روز کار می‌کنند. برای تاکسی های انفرادی، زمان و مکان شیفت رانندگان تاکسی منظم است و رانندگانی که تاکسی مشترک دارند، معمولاً هر روز بر اساس راحتی خود، تقریباً در همان زمان و مکان شیفت می کنند. با این حال، برنامه و مکان شیفت در هر تاکسی یا راننده متفاوت است [ 9]. به عنوان مثال، حدود 20000 تاکسی در شهر ووهان وجود دارد و هر تاکسی یک حالت عملیاتی دو شیفت را اتخاذ می کند. این تاکسی‌ها ممکن است در زمان‌ها و مکان‌های خاص شیفت داشته باشند، اما به طور کلی زمان‌های شیفت مشابه هستند. از آنجایی که درآمد رانندگان تاکسی با شدت سفر شهروندان مرتبط است، هر شیفت کاری در شهر ووهان شامل اوج سفر برای متعادل کردن درآمد هر راننده است [ 16 ]. رفتار فعالیت‌های شیفت راننده تاکسی در این پژوهش از دو بعد زمان و مکان نشان داده شده است.

2.2.1. برنامه زمانبندی فعالیت های شیفت راننده تاکسی

با در نظر گرفتن شهر ووهان، یک چرخه کامل عملیات تاکسی 24 ساعت طول می کشد و در حالت کار دو شیفت کار می کند. اکثر رانندگان تاکسی 10 ساعت در روز کار می کنند و در ساعات غیر شلوغ استراحت را انتخاب می کنند [ 10 ]. بر اساس قاعده فعالیت های سفر شهروندان، حالت کار دو شیفت رانندگان تاکسی ممکن است به دلیل زمان بندی استراحت، همانطور که در شکل 2 نشان داده شده است، دارای دو امکان باشد. یکی استراحت صبح از ساعت 0:00 صبح تا 4:00 صبح ( شکل 2 a را ببینید)، و دیگری استراحت صبح از ساعت 0:00 صبح تا 2:00 بامداد و در ساعت ظهر از ساعت 12:00 صبح تا 2:00 بعد از ظهر ( شکل 2 را ببینیدب). در نوبت اول، نوبت اول از ساعت 4:00 صبح تا 3:00 بعد از ظهر و نوبت دوم از ساعت 15:00 تا 0:00 بامداد در نوبت دوم، نوبت اول از ساعت 2:00 صبح تا 12:00 است. ساعت:00 صبح و نوبت دوم از ساعت 14:00 تا 0:00 بامداد است
2.2.2. ضبط داده های GPS در طول فعالیت های شیفت راننده تاکسی
همانطور که در شکل 3 نشان داده شده است، برای مسیرهای GPS تاکسی، دو نوع فرمت ثبت داده برای فعالیت های شیفت راننده تاکسی وجود دارد . اولین مورد ثبت بسیاری از نقاط GPS است که در همان مکان شیفت قرار دارند که برق دستگاه GPS روشن است، همانطور که در شکل 3 الف نشان داده شده است. علاوه بر این، در صورت قطع برق دستگاه GPS، تنها دو نقطه مسیر GPS وجود دارد که در هنگام وقوع رویداد شیفت راننده تاکسی جمع آوری می شود. یکی در شیفت قبلی جمع آوری می شود و دیگری در ابتدای تغییر فعلی به دست می آید ( شکل 3 ب را ببینید). برای اکثر تاکسی‌ها، مکان شیفت رانندگانی که یک تاکسی را اداره می‌کنند ثابت است، اگرچه برنامه شیفت ممکن است با وضعیت عملیات تغییر کند [ 14 ]].

2.3. روش شناسی تشخیص فعالیت شیفت راننده تاکسی

بر اساس تحلیل فوق، فعالیت های شیفت راننده تاکسی یک تاکسی در یک چرخه عملیاتی کامل به عنوان یک رویداد متوالی در نظر گرفته می شود. طول این رویداد متوالی برابر است با تعداد جابجایی ها. به عنوان مثال، طول رویداد متوالی برای تاکسی‌ها در ووهان 2 است زیرا در حالت عملکرد دو شیفت کار می‌کنند. برای یک تاکسی، حالت عملیات شیفت هر روز اتفاق می افتد و به صورت دوره ای تکرار می شود. بر اساس نظریه توالی زمانی، فعالیت شیفت راننده تاکسی به یک توالی فرکانس تعلق دارد [ 17 ]]. لازم به تاکید است که توالی‌های مکرر مکانی-زمانی نه تنها شامل فعالیت‌های شیفت راننده تاکسی می‌شود، بلکه شامل سایر رویدادهای پارک نیز می‌شود. با این حال، رویدادهای شیفت راننده تاکسی ویژگی های خاص خود را دارند که سایر رویدادهای پارکینگ فاقد آن هستند، که به ما فرصت شناسایی آنها را می دهد. بنابراین، برای شناسایی دقیق فعالیت‌های شیفت راننده تاکسی از تمام رویدادهای پارکینگ، این مقاله یک استراتژی دو مرحله‌ای را برای شناسایی فعالیت‌های شیفت راننده تاکسی پیشنهاد می‌کند. اولین قدم تشخیص الگوهای متوالی مکانی-زمانی مکرر از تمام رویدادهای پارکینگ است. سپس، یک مدل گاوسی بر اساس دانش قبلی از رویدادهای شیفت راننده تاکسی ساخته می‌شود تا بیشتر شناسایی شود که کدام الگوهای متوالی مکانی-زمانی مکرر متعلق به فعالیت شیفت راننده تاکسی در مرحله دوم است.

2.3.1. شناسایی توالی های مکرر مکانی-زمانی

در این مطالعه رویداد پارکی که در حین کار تاکسی رخ داده است به صورت Pe نشان داده می شود که در آن Pe = ( l , t ) و l و t به ترتیب مکان و زمان وقوع Pe هستند. بر اساس روش ارائه شده توسط Giannotti و همکاران. [ 17 ]، توالی مکانی-زمانی فعالیت شیفت راننده تاکسی به عنوان TAS (توالی مشروح موقتی) علامت گذاری شده است. در این مطالعه، مسیر GPS تاکسی ها به صورت T نشان داده شده است . اطلاعات تمام رویدادهای پارک، از جمله مکان و زمان وقوع، در مسیر T موجود است. برای به دست آوردن توالی رویدادها از یک مسیر T کامل ، ابتدا T را به یک سری از دنباله‌های فرعی (که با k مشخص می‌شوند) بر اساس چرخه عملیات تاکسی‌ها تقسیم می‌کنیم. از آنجایی که چرخه عملیات یک تاکسی 24 ساعت است، هر k در 24 ساعت جمع آوری می شود. سپس، همه رویدادهای پارکینگ را از هر k پیدا می کنیم . مراحل زیر نشان می دهد که چگونه می توان الگوهای متوالی مکانی-زمانی مکرر را از همه رویدادهای پارکینگ تشخیص داد.
مرحله 1 : هر دو رویداد پارکینگ مجاور ( Pe i و Pei + 1 ) در یک چرخه عملیات کامل تاکسی‌ها می‌توانند یک دنباله مکانی-زمانی بسازند که در این مقاله به عنوان TTAS نشان داده می‌شود. طول TTAS برابر با 2 است و می توان آن را با TTAS = ( P , Δt ) نشان داد که در آن P = ( Pe i , Pe i + 1 ), Pe i = ( i , i ), Pe i + 1 = ( i + 1 , ti + 1 )، و Δt زمان انتقال بین Pe i و رویداد مربوطه آن Pe i + 1 است.
مرحله 2 : برای هر دو دنباله مکانی-زمانی TTAS 1 و TTAS 2 ، که در آن TTAS 1 = ( 1 , Δt 1 ) و TTAS 2 = ( 2 , Δt 2 ) ، اگر مکان وقوع آنها یکسان باشد، یعنی 1 = 2 ، و زمان انتقال کمتر از آستانه زمانی τ است، یعنی | Δt 1 – Δt 2 | ≤ τ ، یعنی TTAS 1دقیقاً در TTAS 2 موجود است و به عنوان TTAS 1 نشان داده می شود ≺τTTAS 2 .
مرحله 3: مکان و زمان انتقال رویداد پارکینگ، الگوی توالی مکانی-زمانی را تشکیل می دهد که به صورت Patt = ( L ، TI ) نشان داده می شود، که در آن L مجموعه مکان وقوع رویداد پارکینگ است، و TI فاصله زمانی رخداد پارکینگ است. زمان های انتقال برای یک دنباله مکانی و زمانی معین TTAS ، اگر محل وقوع TTAS با Patt یکسان باشد و زمان انتقال آن در TI باشد، آنگاه می گوییم که TTAS با Patt مطابقت دارد که به عنوان TTAS نشان داده می شود. ∼پت _ برای رویدادهای شیفت راننده تاکسی، الگوهای توالی مکانی-زمانی را می توان به عنوان تغییر پت نشان داد. تمام الگوهای توالی مکانی و زمانی رویدادهای پارکینگ برای یک تاکسی را می توان به صورت Pt = ( Patt 1 , Patt 2 ,…, Patt n ) نشان داد.

مرحله 4 : تعداد روزهای کار تاکسی به صورت d نشان داده می شود . مجموعه توالی های مکانی-زمانی با J نشان داده می شود و TTAS * توالی های مکانی-زمانی منطبق با الگوی توالی مکانی -زمانی Patt i ( Patt i∈ Pt ) است τ -پشتیبانی Patt را می توان به صورت زیر محاسبه کرد (به معادله (1) مراجعه کنید). اگر sp ( Patt i ) > τ ، الگوی توالی Patt i به عنوان یک الگوی متوالی مکانی-زمانی مکرر در نظر گرفته می شود.

سپ(پآتیتیمن)=|{تیتیآاس*∈جی|تیتیآاس*∼پآتیتیمن}||د|
2.3.2. شناسایی فعالیت شیفت راننده تاکسی بر اساس مدل گاوسی
از نظر تئوری، مقدار τ -پشتیبانی شیفت پت باید 1 و بالاتر از سایر الگوهای توالی مکانی-زمانی مانند سوار کردن مسافران، صرف غذا و پر کردن گاز خودرو باشد. در واقع، زمانی که هر دو راننده که یک تاکسی مشترک دارند، استراحت کنند و از دیگران بخواهند که آنها را جایگزین کنند تا کار تاکسی را ادامه دهند، مکان و زمان جابجایی راننده تاکسی به شدت تغییر می کند، که در رابطه شمول متقابل با توالی مکانی و زمانی معمول نیست. رویدادهای شیفت راننده تاکسی، در نتیجه مقدار τ -پشتیبانی از شیفت پتاز این فعالیت‌ها می‌تواند کمتر از 1 باشد. برای تشخیص دقیق فعالیت‌های شیفت راننده تاکسی از همه الگوهای متوالی مکانی-زمانی مکرر، نمونه‌های واقعی رویدادهای جابجایی راننده تاکسی را به صورت دستی از مجموعه داده آموزشی انتخاب کردیم و ویژگی‌های رفتاری آنها را از چهار جنبه تجزیه و تحلیل کردیم: فاصله فاصله زمانی ، زمان بازه، زمان انتقال و میانگین فاصله بدون بار. فاصله فاصله (که با 1 نشان داده می شود ) نشان دهنده فاصله بین مکان های پارکینگ فعالیت های شیفت راننده تاکسی یک تاکسی است. برای دو شیفت در روز، فاصله فاصله بین مکان های پارکینگ برای دو شیفت است. زمان بازه (با 2 نشان داده می شود) مدت هر شیفت است. به عنوان مثال، همانطور که در شکل 2 نشان داده شده است، مدت زمان شیفت اول یا شیفت دوم به عنوان زمان فاصله در نظر گرفته می شود . زمان انتقال (که با f3 نشان داده می شود) به مدت زمان یک رویداد شیفت راننده تاکسی، از اولین راننده که وسیله نقلیه را تحویل می دهد تا راننده دومی که عملیات را شروع می کند، اشاره دارد، همانطور که در شکل 3 نشان داده شده است. در شکل 4 ، مقدار زمان انتقال برابر است با ( تی5-تی4). فاصله بدون بار فاصله از محل شروع فعالیت شیفت راننده تاکسی تا محل راننده قبلی که مسافران را پیاده کرده است، همانطور که در شکل 4 نشان داده شده است. میانگین فاصله بی باری یک تاکسی در حالت بی باری (که با f4 مشخص می شود) میانگین فاصله بی باری دو رویداد شیفت در یک روز است.
بر اساس تعاریف فوق از ویژگی های رفتار شیفت، ما دانش قبلی را از نمونه های آموزشی رویدادهای شیفت راننده تاکسی به دست آمده با بررسی دستی استخراج می کنیم. نتایج آماری نشان می‌دهد که فواصل بازه‌ای تمام نمونه‌های شیفت رانندگان تاکسی در ۵ کیلومتری و حدود ۸۰ درصد آن‌ها در فاصله ۱ کیلومتری است، همانطور که در شکل ۵ الف نشان داده شده است. بازه زمانی بین 8 تا 12 ساعت است و مقدار متوسط ​​حدود 10.5 ساعت است ( شکل 5 ب را ببینید). زمان انتقال حدود 90 درصد از فعالیت‌های شیفت راننده تاکسی بیشتر از 0.8 ساعت است ( شکل 5 ج را ببینید). میانگین فاصله بدون بار فعالیت شیفت رانندگان تاکسی کمتر از 1 کیلومتر است، همانطور که در شکل 5 نشان داده شده است.د خودروهای زیادی با فاصله بی باری 0 وجود دارد که به این دلیل است که بسیاری از رانندگان تاکسی قبل از شیفت کنتور را تا بار کامل علامت می زنند. به این ترتیب زمانی که مسافران مشغول تعویض شیفت هستند، سیگنال رد را به مسافران نشان می دهند. هیستوگرام‌های احتمالی این ویژگی‌های رفتاری، توزیع‌های گاوسی مانند را نشان می‌دهند – به‌ویژه برای f2 و f3 .

بر اساس تحلیل های فوق، این مطالعه پیشنهاد کرد که مدل گاوسی را برای شناسایی بیشتر رویدادهای جابجایی راننده تاکسی از همه الگوهای متوالی مکرر، همانطور که در معادله (2) نشان داده شده است، به کار گیرد.

پ(ایکس)=1(2π)n|سی|انقضا[-12(ایکس-μ)تیتیآاسسی-1(ایکس-μ)]

که در آن x بردار ویژگی رویدادهای پارک است که شامل فاصله فاصله، زمان بازه، زمان انتقال و میانگین فاصله بدون بار است. C ماتریس کوواریانس این ویژگی ها است. μ توسط مقدار متوسط ​​هر ویژگی، μ = ( μ 1 ، μ 2 ، μ 3 ، μ 4 ) تشکیل شده است. بردار ویژگی x را می توان به صورت زیر نشان داد: x = ( 1 , 2 , 3 , 4 ) که در آن 1، 2 ، 3 و 4 با چهار ویژگی فوق مطابقت دارند.

پ(پآتیتیمن=پآتیتیسساعتمنfتی|پآتیتیمن∈پتی)=∑تیک∼پآتیتیمنپ(ایکس)
پآتیتیسساعتمنfتی=حداکثر(پ(پآتیتیمن))
احتمال الگوهای متوالی مکانی و زمانی مکرر Patt i ( i = 1, 2,…,n) متعلق به فعالیت شیفت راننده تاکسی در معادله (3) محاسبه شده است. همانطور که در معادله (4) نشان داده شده است، ما فکر می کنیم که Patt i فعالیت شیفت راننده تاکسی تنها زمانی است که احتمال آن از سایرین بیشتر باشد.

3. مطالعه موردی: شناسایی و تحلیل فضایی و زمانی رویدادهای شیفت راننده تاکسی در شهر ووهان

در این مطالعه، روش پیشنهادی با استفاده از مسیرهای تاکسی در دنیای واقعی جمع‌آوری‌شده از 1 اوت تا 7 آگوست 2013 مورد آزمایش قرار گرفت . نقشه اداری شهر ووهان در سال 2013 توسط دفتر برنامه ریزی ووهان ارائه شده است و برای نمایش توزیع فضایی رویدادهای شیفت راننده تاکسی شناسایی شده استفاده می شود. بر اساس نقشه اداری، 13 منطقه در شهر ووهان وجود دارد که هفت مورد از آنها در ناحیه مرکزی شهری قرار دارند، از جمله منطقه جیانگان، منطقه جیانگگان، منطقه Qingshan، منطقه Qiaokou، منطقه Hanyang، منطقه Wuchang، و منطقه Hongshan، همانطور که نشان داده شده است. در شکل 6 .
به منظور توضیح بهتر فرآیند آزمایشی، مراحل آزمایشی به شرح زیر سازماندهی شده است.
در مرحله اول، زمان و مکان رویدادهای پارکینگ را از مسیرهای GPS تاکسی‌های 2000 بر اساس ویژگی‌های رویدادهای پارکینگ استخراج کردیم. توالی‌های مکانی و زمانی رویدادهای پارک 2000 تاکسی به‌دست آمد و می‌توان آن‌ها را به عنوان الگوهای توالی مکانی و زمانی رویدادهای پارکینگ سازمان‌دهی کرد. سپس، الگوهای متوالی مکانی-زمانی مکرر رویدادهای پارکینگ را با اصل اندازه‌گیری فرکانس استخراج کردیم. در مرحله دوم، 1400 رویداد شیفت راننده تاکسی از 100 تاکسی با سوابق شیفت واقعی از 1 آگوست تا 7 آگوست سال 2013 به صورت دستی به عنوان داده های آموزشی کالیبره شدند تا توزیع گاوسی ویژگی های رویدادهای شیفت راننده تاکسی، مانند بازه زمانی به دست آید. فاصله، زمان بازه، زمان انتقال و میانگین فاصله بدون بار. سپس مدل مخلوط گاوسی را برای شناسایی بیشتر رویدادهای جابجایی راننده تاکسی از همه الگوهای متوالی مکانی-زمانی مکرر، همانطور که در معادله (2) نشان داده شده است، ساختیم. احتمال اینکه هر الگوی متوالی مکانی-زمانی مکرر متعلق به الگوهای شیفت راننده تاکسی باشد با توجه به معادلات (3) و (4) برای شناسایی رویدادهای شیفت راننده تاکسی محاسبه شد. به منظور ارزیابی بیشتر دقت شناسایی این روش، از داده های مسیر 385 تاکسی با سوابق شیفت راننده تاکسی واقعی از 1 آگوست 2013 تا 7 اوت 2013 به عنوان داده های آزمایشی برای محاسبه دقت و نرخ فراخوان این روش استفاده کردیم. حقیقت زمینی این رویدادهای شیفت راننده تاکسی برای آموزش و آزمایش با شناسایی دستی و بررسی میدانی به دست آمد. سرانجام، ما توزیع مکانی-زمانی رویدادهای شیفت شناسایی 2000 تاکسی را از مقیاس‌های زمانی و مکانی مختلف تحلیل کردیم. تمام فرآیندهای فوق در نشان داده شده استشکل 7 .

3.1. پیش پردازش داده ها و بحث پارامترها

در این مطالعه، دقت موقعیت یابی مسیرهای GPS حدود 10-15 متر بود، و آنها در فاصله نمونه برداری حدود 5-60 ثانیه جمع آوری شدند [ 18 ]. هر نقطه مسیر GPS با g ( t , xy , h , op ) نشان داده می شود که t , xy ( g , g ), h و op مهرهای زمانی، مختصات جغرافیایی، زاویه سمت (0°-360) هستند. °)، و وضعیت اشغال شده، به ترتیب، برای یک نقطه GPS. عملیات دولت اشغالییک تاکسی شامل دو نوع است: اشغال شده با مسافر (با علامت 1) یا غیر (با علامت 0). یک مسیر GPS از مجموعه ای از نقاط مسیر GPS متناظر تشکیل شده است که با T = ( 1 … n ) مشخص می شود، که در آن n تعداد نقاط مسیر GPS متعلق به مسیر است. زیرا مسیرهای GPS توسط تاکسی های مجهز به دستگاه های معمولی GPS به جای سیستم های موقعیت یابی حرفه ای با دقت بالا جمع آوری می شد. برخی از نقاط دورافتاده ناشی از جابجایی GPS در مجموعه داده های خام مخلوط شده است، که ممکن است عدم قطعیت در نتایج استخراج ویژگی را تشدید کند و بر تشخیص رویدادهای شیفت راننده تاکسی تأثیر بگذارد. برای این منظور، روش پیشنهادی توسط یانگ و همکاران را اتخاذ کردیم. [ 19] برای حذف موارد پرت، و داده های از پیش پردازش شده برای آزمایشات به تفصیل در بخش 3.1.1 استفاده شد.

3.1.1. استخراج رویداد پارکینگ از مسیرهای GPS

ما ابتدا رویدادهای پارک را از داده‌های مسیر GPS تاکسی‌های 2000 استخراج کردیم. وقایع پارکی که در مسیرهای GPS ذکر شده اند با تجزیه و تحلیل ویژگی های رفتار پارک مانند سرعت، زمان و مکان و غیره استخراج شدند. به طور کلی، سرعت تمام رویدادهای پارک صفر است. این اولین محدودیت برای استخراج رویدادهای پارک از مسیرهای GPS است. ثانیاً، بر اساس تحقیقات میدانی، محدودیت زمانی برای رویدادهای پارکینگ در شهر ووهان معمولاً بیش از 2 دقیقه است. بنابراین، محدودیت زمانی برای استخراج رویدادهای پارکینگ در این مطالعه 120 ثانیه تعیین شد. علاوه بر این، همانطور که قبلا در بخش 2 ذکر شدنقطه ردیابی GPS توسط تاکسی ها با نرخ نمونه گیری ثابت جمع آوری شد. حداقل نرخ نمونه برداری از نقطه ردیابی GPS مورد استفاده در این مطالعه 40 ثانیه بود. رویداد پارک یک تاکسی حداقل توسط دو نقطه مسیر GPS مجاور ثبت می شود. یعنی حداقل زمان سفر یک رویداد پارکینگ از ابتدا تا انتها ثبت شده توسط دستگاه GPS حدود 80 ثانیه است. بر اساس آمار، میانگین حداکثر سرعت جاده برای تاکسی ها در محدوده شهری حدود 50 کیلومتر در ساعت است، بنابراین حداکثر مسافت طی یک رویداد پارکینگ از ابتدا تا انتها معمولاً بیش از 1200 متر نخواهد بود. بنابراین، محدودیت فاصله برای استخراج رویدادهای پارکینگ 1200 متر تعیین شد. در نهایت، با توجه به تحلیل زمینه قبلی، نقاط ردیابی GPS رویدادهای پارکینگ دارای دو شرایط جمع آوری هستند: برق دستگاه GPS روشن است یا برق دستگاه GPS خراب است. در وهله اول، هنگامی که تاکسی در جایی توقف می کند، دستگاه GPS امتیازات زیادی را جمع آوری می کند. این نقاط GPS در یک مکان جمع آوری می شوند اما به دلیل خطای مکان GPS توزیع چگالی دارند. برای تعیین دقیق مکانی که رویداد پارکینگ در آن رخ داده است، پیشنهاد کردیم از روش خوشه‌بندی DBSCAN برای استخراج مکان‌های همه رویدادهای پارکینگ استفاده کنیم. به طور خاص، شعاع همسایگی الگوریتم خوشه‌بندی DBSCAN در این مطالعه 100 متر و حداقل نقاط خوشه‌بندی رویدادها بر اساس دانش قبلی نمونه‌ها، 3 تعیین شد. این مکان ها با رویدادهای پارکینگ مربوطه یک مجموعه مکان ( این نقاط GPS در یک مکان جمع آوری می شوند اما به دلیل خطای مکان GPS توزیع چگالی دارند. برای تعیین دقیق مکانی که رویداد پارکینگ در آن رخ داده است، پیشنهاد کردیم از روش خوشه‌بندی DBSCAN برای استخراج مکان‌های همه رویدادهای پارکینگ استفاده کنیم. به طور خاص، شعاع همسایگی الگوریتم خوشه‌بندی DBSCAN در این مطالعه 100 متر و حداقل نقاط خوشه‌بندی رویدادها بر اساس دانش قبلی نمونه‌ها، 3 تعیین شد. این مکان ها با رویدادهای پارکینگ مربوطه یک مجموعه مکان ( این نقاط GPS در یک مکان جمع آوری می شوند اما به دلیل خطای مکان GPS توزیع چگالی دارند. برای تعیین دقیق مکانی که رویداد پارکینگ در آن رخ داده است، پیشنهاد کردیم از روش خوشه‌بندی DBSCAN برای استخراج مکان‌های همه رویدادهای پارکینگ استفاده کنیم. به طور خاص، شعاع همسایگی الگوریتم خوشه‌بندی DBSCAN در این مطالعه 100 متر و حداقل نقاط خوشه‌بندی رویدادها بر اساس دانش قبلی نمونه‌ها، 3 تعیین شد. این مکان ها با رویدادهای پارکینگ مربوطه یک مجموعه مکان ( شعاع همسایگی الگوریتم خوشه‌بندی DBSCAN در این مطالعه 100 متر و حداقل نقاط خوشه‌بندی رویدادها بر اساس دانش قبلی نمونه‌ها 3 تعیین شد. این مکان ها با رویدادهای پارکینگ مربوطه یک مجموعه مکان ( شعاع همسایگی الگوریتم خوشه‌بندی DBSCAN در این مطالعه 100 متر و حداقل نقاط خوشه‌بندی رویدادها بر اساس دانش قبلی نمونه‌ها 3 تعیین شد. این مکان ها با رویدادهای پارکینگ مربوطه یک مجموعه مکان (L ).
3.1.2. تشخیص رویداد شیفت راننده تاکسی بر اساس استراتژی دو مرحله ای

مجموعه مکان L از مجموعه ای از رویدادهای پارکینگ تشکیل شده است. بر اساس تئوری توالی مکانی-زمانی، ما ابتدا توالی های مکانی-زمانی تمام رویدادهای پارکینگ را استخراج کردیم و مجموعه TTAS را بدست آوردیم . سپس آستانه زمان انتقال τ 60 دقیقه، مقدار فاصله زمانی زمان‌های انتقال TI برابر با 150 دقیقه و آستانه پشتیبانی τ بر اساس دانش قبلی نمونه‌ها 0.5 تعیین شد. سپس، الگوهای توالی مکانی-زمانی را بر اساس محدودیت طول شناسایی کردیم و سپس پشتیبانی τ-پشتیبانی همه الگوهای توالی مکانی-زمانی را محاسبه کردیم . بر اساس آستانه τ-پشتیبانی، ما الگوهای متوالی مکانی-زمانی مکرر به دست آوردیم. نمونه‌های رویدادهای شیفت راننده تاکسی واقعی تولید شده توسط 100 تاکسی به عنوان داده‌های آموزشی برای استخراج توزیع گاوسی چهار بعدی از چهار ویژگی ( 1 ، 2 ، 3 ، 4 ) استفاده شد. ماتریس کوواریانس C این ویژگی ها در معادله 5 نشان داده شده است. میانگین مقدار چهار ویژگی μ = (1.43 کیلومتر، 10.58 ساعت، 0.82 ساعت، 0.96 کیلومتر) بود. رویدادهای شیفت راننده تاکسی بر اساس روش فوق مدل گاوسی شناسایی شدند (به معادلات (2) و (3) مراجعه کنید).

سی=[1.2826-0.0656-0.21020.0811-0.06562.15680.0091-0.0464-0.21020.00910.3012-0.04300.0811-0.0464-0.04302.9842]
متعاقباً، ما از پارامترهای فوق و این مدل گاوسی برای شناسایی رویدادهای شیفت راننده تاکسی از مسیرهای GPS جمع‌آوری‌شده از 2000 تاکسی در ووهان از 1 اوت تا 7 آگوست 2013 استفاده کردیم. از طریق آزمایش‌ها، 1808 خودرو با رویدادهای شیفت شناسایی شدند، در مجموع. از 23414 رویداد شیفت رانندگان تاکسی. نسبت وسایل نقلیه شناسایی شده تقریباً بیش از 90٪ بود. نتایج تجربی نشان داد که میانگین تعداد رویدادهای شیفت راننده تاکسی شناسایی شده در یک چرخه کامل عملیات تاکسی حدوداً بیشتر از 1.8 بود که به مقدار استاندارد 2 نزدیکتر است. برای ارزیابی بیشتر روش پیشنهادی، ما از داده های مسیر 385 تاکسی با سوابق شیفت راننده تاکسی واقعی از 1 اوت 2013 تا 7 اوت 2013 به عنوان داده های آزمایشی برای محاسبه دقت شناسایی و نرخ فراخوان بر اساس ارزیابی طبقه بندی ماتریس سردرگمی استفاده کردیم. نرخ دقیق نسبت تعداد رویدادهای شیفت به درستی شناسایی شده به تعداد رویدادهای شیفت شناسایی شده است. نرخ فراخوانی نسبت رویدادهای شیفت به درستی شناسایی شده به تعداد رویدادهای شیفت واقعی است. آمارها نشان داد که دقت شناسایی و نرخ یادآوری رویدادهای شیفت راننده تاکسی با استفاده از روش پیشنهادی به ترتیب حدود 95.00 و 90.00 درصد است. با این حال، احتمال شناسایی نادرست رویدادهای شیفت راننده تاکسی نیز حدود 5 درصد بود و حدود 10 درصد از رویدادهای شیفت راننده تاکسی شناسایی نشدند. در مناطق شهری، تشخیص دقیق رویدادهای جابجایی راننده تاکسی از مسیرهای GPS بدون اطلاعات شناسه (کارت شناسایی) هر راننده تاکسی، یک کار چالش برانگیز است. این اشتباهات و عدم شناسایی شیفت رانندگان تاکسی عمدتاً به دلیل تعداد کمی از رانندگان است که رفتارهای شیفت راننده تاکسی را به طور منظم انجام نمی دهند. یعنی تعداد کمی از رانندگانی که یک تاکسی را تردد می کنند از رانندگان دیگر می خواهند که برای مدت کوتاهی آنها را تعویض کنند تا بتوانند استراحت کنند. در این صورت، زمان و مکان وقوع شیفت راننده تاکسی بارها تغییر می کند و دقت شناسایی و نرخ فراخوان را کاهش می دهد. این اشتباهات و عدم شناسایی شیفت رانندگان تاکسی عمدتاً به دلیل تعداد کمی از رانندگان است که رفتارهای شیفت راننده تاکسی را به طور منظم انجام نمی دهند. یعنی تعداد کمی از رانندگانی که یک تاکسی را تردد می کنند از رانندگان دیگر می خواهند که برای مدت کوتاهی آنها را تعویض کنند تا بتوانند استراحت کنند. در این صورت، زمان و مکان وقوع شیفت راننده تاکسی بارها تغییر می کند و دقت شناسایی و نرخ فراخوان را کاهش می دهد. این اشتباهات و عدم شناسایی شیفت رانندگان تاکسی عمدتاً به دلیل تعداد کمی از رانندگان است که رفتارهای شیفت راننده تاکسی را به طور منظم انجام نمی دهند. یعنی تعداد کمی از رانندگانی که یک تاکسی را تردد می کنند از رانندگان دیگر می خواهند که برای مدت کوتاهی آنها را تعویض کنند تا بتوانند استراحت کنند. در این صورت، زمان و مکان وقوع شیفت راننده تاکسی بارها تغییر می کند و دقت شناسایی و نرخ فراخوان را کاهش می دهد.

3.2. بررسی توزیع فضایی و زمانی رویدادهای شناسایی شده شیفت راننده تاکسی

بر اساس روش پیشنهادی در این مطالعه، بیش از 20000 رویداد شیفت راننده تاکسی از مسیرهای GPS تولید شده توسط 2000 تاکسی از 1 اوت تا 7 آگوست 2013 شناسایی شد. توزیع مکانی زمانی این رویدادهای شیفت راننده تاکسی نشان دهنده اجرای تاکسی است. سیاست بهره برداری و عقلانیت توزیع زیرساخت های شهری از منظری منحصر به فرد به عنوان مثال، دولت شهر ووهان یک سیاست عملیات تاکسی را صادر کرد که در آن فعالیت‌های شیفت رانندگان تاکسی در ساعات شلوغی عصر را ممنوع کرد تا دشواری سوار شدن به تاکسی در ساعت 6 بعد از ظهر را کاهش دهد. توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی شناسایی شده

3.2.1. توزیع زمان فعالیت های شیفت تاکسی-راننده در شهر ووهان

شکل 8 آمار رویدادهای نوبت راننده تاکسی را نشان می دهد که از 1 تا 8 آگوست 2013 رخ داده است. بر اساس نتایج آماری، فعالیت های نوبت رانندگان تاکسی در ووهان، چین عمدتاً در سه دوره زمانی انجام می شود: 1:00 صبح تا 4:00 صبح، 16:00 تا 5:00 بعد از ظهر، و 10:30 صبح تا 13:00 تعداد رویدادهای شیفت رانندگان تاکسی در دوره سوم بسیار کمتر از دو دوره زمانی دیگر است، همانطور که در شکل 8 نشان داده شده است.. این بدان معناست که اکثر رانندگان تاکسی تغییر شیفت را در اوایل صبح یا ساعات کم پیک در بعد از ظهر انتخاب می کنند. در ساعات اولیه صبح، تمایل شهروندان به سفر کمترین میزان در یک روز است و تقاضا برای تاکسی نیز به نوبه خود کمترین میزان را در چرخه عملیات کامل دارد. با این حال، تعداد تاکسی‌ها به تدریج از ساعت 16:00 تا 5:00 بعدازظهر افزایش یافت و شدت فعالیت‌های شیفت رانندگان تاکسی نیز افزایش یافت. بنابراین، اگر رانندگان تاکسی زمان انتقال را در بعدازظهر تمدید کنند، در تاکسی سواری با مشکل مواجه خواهد شد. علاوه بر این، تعداد رویدادهای شیفت راننده تاکسی که در 3 آگوست 2018 رخ داده است، نسبت به روزهای دیگر کمتر بوده است. دلیل آن این است که این یک شنبه بود و رانندگان ممکن است استراحت کنند.
3.2.2. توزیع فضایی فعالیت‌های شیفت راننده تاکسی در شهر ووهان
تراکم و شدت رویدادهای شیفت راننده تاکسی به عنوان شاخصی برای کمک به تحلیل کیفی برای توزیع فضایی شیفت راننده تاکسی استفاده می شود. به ویژه، تراکم شیفت راننده تاکسی به معنای تعداد رویدادهای شیفت راننده تاکسی در منطقه واحد نقشه منطقه بندی اداری شهر ووهان است. برای بدست آوردن تراکم رویدادهای شیفت راننده تاکسی، کل نقشه منطقه بندی اداری شهر ووهان را به مستطیل های زیادی با طول 1000 متر و عرض 1000 متر تقسیم کردیم و سپس تراکم رویدادهای شیفت راننده تاکسی را در واحد سطح محاسبه کردیم. شدت رویدادهای شیفت تاکسیرانان نشان دهنده مجموع رویدادهای نوبت راننده تاکسی در هر منطقه اداری این شهرداری است. شکل 9تراکم رویدادهای شیفت راننده تاکسی را نشان می دهد که با شبکه جاده و بخشی از داده های POI (مثلاً پمپ بنزین) در ووهان همپوشانی دارند. همانطور که در شکل 9 مشاهده می شود ، بیشتر رویدادهای شیفت راننده تاکسی در منطقه مرکزی شهر رخ داده است. تراکم رویدادهای شیفت رانندگان تاکسی توزیع شده در هر منطقه توزیع نسبتاً یکنواختی را ارائه می دهد، به جز در منطقه Qingshan. علاوه بر این، رویدادهای شیفت رانندگان تاکسی که در منطقه مرکزی شهر توزیع شده اند، در چندین جاده، از جمله خیابان Xiongchu، خیابان Jiefang، Houhu، و Hanyang، جمع شده اند. همه این جاده ها در حاشیه مناطق مالی شلوغ واقع شده اند. در اینجا، یک مرکز تجاری پررونق به این معنی است که تقاضا برای تاکسی بسیار زیاد است و در نتیجه پتانسیل درآمد برای رانندگان افزایش می یابد. در همین حال، همانطور که دردر شکل 9 ، متوجه شدیم که مکان‌های پارک رویدادهای شیفت راننده تاکسی و پمپ بنزین‌ها در ووهان همبستگی بالایی دارند. دلیل رعایت این قانون نانوشته توسط رانندگان: رانندگان تاکسی که یک تاکسی را اداره می کنند باید قبل از اینکه خودرو را به دیگری تحویل دهند، خودرو را پر بنزین کنند.
برای تجزیه و تحلیل بیشتر تفاوت‌ها در توزیع فضایی رویدادهای شیفت راننده تاکسی در هر منطقه اداری، شدت و تراکم رویدادهای نوبت راننده تاکسی را در هر منطقه محاسبه کردیم، همانطور که در شکل 10 نشان داده شده است. همانطور که بحث شد، 13 منطقه در شهر ووهان وجود دارد و منطقه شهری مرکزی عمدتاً شامل 7 منطقه است: منطقه جیانگان، منطقه جیانگگان، منطقه کیائوکو، منطقه هانیانگ، منطقه ووچانگ، منطقه هنگشان و منطقه چینگشان. همانطور که در شکل 10 نشان داده شده استمنطقه Wuchang بیشترین شدت رویدادهای شیفت تاکسی را دارد. این به این دلیل است که مراکز تجاری زیادی در این منطقه توزیع شده اند، از جمله منطقه تجاری Zhongnan، منطقه تجاری Xudong، منطقه تجاری Jiedaokou، و رودخانه Chu و منطقه تجاری خیابان Han. همچنین دانشگاه های زیادی مانند دانشگاه ووهان، دانشگاه فناوری ووهان و دانشگاه عادی چین مرکزی وجود دارد. اقتصاد پر رونق و ازدحام عظیم در این ولسوالی که منبع مسافر آن را بر جاهای دیگر ترجیح می دهد. بنابراین، اکثر رانندگان ترجیح می دهند ماشین را به راننده دیگر در منطقه Wuchang بسپارند. در شکل 10، می بینیم که شدت رویدادهای شیفت رانندگان تاکسی در منطقه جیانگان بالاترین نیست، اما تراکم آن به دلیل بزرگی آن بیشترین است. این تراکم زیاد فعالیت‌های شیفت رانندگان تاکسی به ما هشدار داد که دولت‌ها یا مدیران باید گشت‌های جاده‌ای را تقویت کنند و از ترافیک در این منطقه به‌ویژه در ساعات شلوغی جلوگیری کنند.
در مقایسه با منطقه مرکزی شهری ووهان، شدت رویدادهای شیفت رانندگان تاکسی که در مناطق حومه شهری مانند منطقه Huangling، Dongxihu و Caidian District توزیع شده اند کم است. دو دلیل اصلی برای شدت کم رویدادهای شیفت رانندگان تاکسی در این مکان ها وجود دارد. اول اینکه جمعیت ساکن در این مکان ها کمتر از منطقه مرکزی شهری است. برای مثال، جمعیت ناحیه کایدیان و ناحیه ووچانگ به ترتیب حدود 460000 و 1250000 نفر در سال 2013 است. بنابراین، تعداد مشتریان بالقوه در Wuchang بیشتر از Caidian District است. ثانیاً اکثر ساکنان منطقه در ناحیه حومه شهری کشاورز و خوداشتغال هستند. درآمد و شغل آنها حالت سفر آنها را تعیین می کند. به طور کلی، آنها ممکن است تمایل بیشتری به حمل و نقل عمومی یا رانندگی با اتومبیل شخصی خود داشته باشند.

3.3. تجزیه و تحلیل تخلفات رویدادهای شیفت تاکسی-راننده

همانطور که قبلاً اشاره شد، فعالیت های شیفت رانندگان تاکسی در ساعات شلوغی عصر از ساعت 5:00 تا 7:00 بعد از ظهر بر اساس سیاست عملکرد تاکسی که توسط دولت شهر ووهان در سال 2012 صادر شد، ممنوع است. افرادی که قانون را زیر پا بگذارند با جریمه مواجه می شوند (مثلاً ، حدود 500 تا 1000 یوان) و توقف 15 روزه. برای سرکوب این عمل، دفتر مدیریت ترافیک ووهان هر روز 10 تیم بازرسی را برای بررسی فعالیت های تخلف اعزام کرد. این مقاله روشی را برای شناسایی خودکار رویدادهای جابجایی راننده تاکسی از مسیرهای GPS و ارائه مکان و زمان رفتارهای نقض بر اساس تجزیه و تحلیل مکانی – زمانی نتایج شناسایی شده پیشنهاد می‌کند. به عنوان مثال، با در نظر گرفتن 10 دقیقه به عنوان بازه زمانی، تعداد رویدادهای شیفت راننده تاکسی را از ساعت 5:00 بعد از ظهر تا 7:00 بعد از ظهر شمارش کردیم، همانطور که در شکل 11 نشان داده شده است.. لازم به تاکید است که این رویدادهای شیفت راننده تاکسی که برای تجزیه و تحلیل فعالیت های تخلف استفاده می شود، همه به درستی بر اساس داده های GPS تولید شده توسط تاکسی 2000 در 1 تا 7 اوت 2013 شناسایی شده اند. نتایج نشان داد که حدود 19.83٪ از رویدادهای شیفت راننده تاکسی در تمام رویدادهای شیفت شناسایی شده این مقررات عملکرد تاکسی را نقض کرده است. به طور متوسط ​​حدود 663 شیفت راننده تاکسی هر روز قوانین را زیر پا می گذارد. تعداد رویدادهای شیفت رانندگان تاکسی از ساعت 17:00 تا 7:00 بعد از ظهر به سرعت کاهش یافته است در بازه زمانی 17:00 تا 17:30، حدود 47.78 درصد از رویدادهای شیفت رانندگان تاکسی در تمام تاکسی های غیرقانونی رخ داده است. رویدادهای شیفت راننده ناقض مقررات با توجه به ترافیک و فاصله بین دو راننده، رانندگانی که در مدت شیفت راننده تاکسی نیم ساعت تاخیر داشته باشند، تخلف از مقررات تلقی خواهند شد. فراتر از آن زمان، رانندگان مرتکب «بی‌نظمی‌های جدی» تلقی خواهند شد. در چنین حالتی درصد تخلف در کلیه فعالیت های نوبتی حدود 10.35 درصد است.
شکل 12 محل تخلفات جدی فعالیت های شیفت رانندگان تاکسی را در دوره مطالعه 1 تا 7 اوت 2013 نشان می دهد. بر اساس نتایج تجسم، توزیع مکان های پارکینگ این بی نظمی های جدی نسبتاً همگن است. بسیاری از مکان‌های پارکینگ در برخی مکان‌های مخفی که معمولاً توسط تیم‌های بازرسی پیدا نمی‌شد، توزیع شد. این بدان معناست که اگر تیم های بازرسی فقط به تحقیقات پرونده وابسته باشند، سرکوب تمام فعالیت های تخلف در شیفت راننده تاکسی بسیار سخت است. بنابراین، تحلیل مکانی و زمانی رویدادهای شیفت راننده تاکسی پیشنهاد شده در این مقاله، می‌تواند به شناسایی مکان‌های پارک و زمان بی‌نظمی‌های جدی و همچنین به دولت‌ها در بهبود روش‌های سنتی برای مدیریت ترافیک کمک کند.

4. نتیجه گیری

به عنوان یکی از اجزای مهم مدیریت تاکسی، شیفت تاکسی ها نقشی حیاتی در حمل و نقل شهری ایفا می کند. با این حال، نتایج تحقیقات برای تشخیص رویداد شیفت راننده تاکسی و تجزیه و تحلیل مکانی-زمانی مبتنی بر داده‌های ردیابی بزرگ به طور گسترده در دسترس نیست، بنابراین این مطالعه با انگیزه نیاز به پرداختن به این موضوع انجام شده است. روش‌های پیشنهادی در این مقاله از داده‌های ردیابی تاکسی بدون اطلاعات هویت رانندگان برای تجزیه و تحلیل توزیع مکانی-زمانی فعالیت‌های شیفت تاکسی-راننده استفاده می‌کنند. مکانیسم تشخیص خودکار رویدادهای شیفت راننده تاکسی شامل دو مرحله است: الگوبرداری متوالی مکانی-زمانی مکرر و شناسایی شیفت راننده تاکسی بر اساس مدل گاوسی. با در نظر گرفتن شهر ووهان به عنوان مثال، توزیع مکانی-زمانی شیفت های تاکسی رانندگان با استفاده از داده های ردیابی بزرگ 2000 تاکسی جمع آوری شده در سال 2013 به تفصیل تجزیه و تحلیل شده است. برای ارزیابی توزیع رویدادهای نوبت راننده تاکسی، شاخص های شدت و تراکم پوشش منطقه ای تاکسی در تحلیل زیر اعمال می شود. نتایج تجربی نشان می‌دهد که دقت شناسایی و یادآوری فعالیت‌های شیفت رانندگان تاکسی در شهر ووهان به‌ترتیب حدود 95 درصد و 90 درصد است. زمان وقوع رویدادهای شیفت راننده تاکسی در ووهان عمدتاً دارای دو دوره اوج بالا است: 1:00 صبح تا 4:00 بامداد و 4:00 بعد از ظهر تا 5:00 بعد از ظهر حدود 10.35٪ از رویدادهای شیفت راننده تاکسی در همه موارد شناسایی شده رویدادهای شیفت به طور جدی مقررات صادر شده توسط اداره ترافیک ووهان را نقض می کند، اگرچه انجام شیفت در ساعات شلوغی عصر ممنوع است. بعلاوه، نتایج نشان می‌دهد که مکان‌های پارکینگ اکثر رویدادهای شیفت رانندگان تاکسی در منطقه مرکزی شهری توزیع شده است که با هدف افزایش درآمد رانندگان مطابقت دارد. بیشترین شدت و تراکم رویدادهای شیفت رانندگان تاکسی به ترتیب در منطقه Wuchang و منطقه Jianghan توزیع شد. برای جلوگیری از راه بندان در این مناطق به ویژه در ساعات شلوغی عصر، دولت ها یا مسئولان باید گشت های جاده ای را در این مناطق تقویت کنند.
در نتیجه، این مطالعه توزیع مکانی و زمانی رویدادهای شیفت راننده تاکسی را با استفاده از داده‌های تاکسی ردیابی بزرگ بررسی کرد. نتایج نشان می دهد که روش پیشنهادی در شناسایی شیفت راننده تاکسی موثر است. در همین حال، تحلیل رویدادهای نوبت رانندگان تاکسی برای سیاست گذاران و دولت ها در برنامه ریزی پراکندگی ترافیک و نظارت بر تاکسی مفید است. با این حال، مطالعه حاضر محدودیت هایی نیز دارد. اول، روش تشخیص شیفت راننده تاکسی بر اساس دانش قبلی از رفتارهای شیفت راننده تاکسی است که ممکن است تحت تأثیر تفاوت های نمونه قرار گیرد و منجر به خطاهای خاصی در نتایج شود. دوم، با توجه به محدودیت‌های شرایط تحقیق، نتایج توزیع نوبت راننده تاکسی در زمینه فضا-زمان تنها با استفاده از داده‌های ردیابی تحلیل می‌شود.

منابع

  1. وانگ، ایکس. او، اف. یانگ، اچ. استراتژی های قیمت گذاری گائو، HO برای یک پلت فرم تاکسی. ترانسپ Res. بخش E Logist. ترانسپ Rev. 2016 , 93 , 212-231. [ Google Scholar ] [ CrossRef ]
  2. اسبنشاد، ج. شیفرین، ای. اجاره شده در میان ما: کار پرمخاطره، مقررات محلی، و صنعت تاکسی. کار مطالعه. J. 2018 . [ Google Scholar ] [ CrossRef ]
  3. سان، دی. ژانگ، ک. شن، اس. تجزیه و تحلیل انتشارات منبع خط ترافیک فضایی-زمانی بر اساس داده‌های خدمات آنلاین خودرو-هیلینگ عظیم دیدی. ترانسپ Res. قسمت D Transp. محیط زیست 2018 ، 62 ، 699-714. [ Google Scholar ] [ CrossRef ]
  4. کامرگیانی، م. لی، دبلیو. ماتیاس، م. Schäfer, A. بررسی انتقادی خدمات جابجایی جدید برای حمل و نقل شهری. ترانسپ Res. Procedia 2016 ، 14 ، 3294-3303. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. فوجی، اچ. شیانگ، جی. تازکی، ی. لوداهل، بی. سوزوکی، T. برنامه‌ریزی مسیر برای پارک خودکار با استفاده از نقشه راه حالت چندگانه با در نظر گرفتن محدودیت‌های غیرهولونومیک. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2014، دیربورن، MI، ایالات متحده آمریکا، 8 تا 11 ژوئن 2014. ص 407-413. [ Google Scholar ]
  6. ژانگ، دی. سان، ال. لی، بی. چن، سی. پان، جی. لی، اس. Wu, Z. درک استراتژی های خدمات تاکسی از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 16 ، 123-135. [ Google Scholar ] [ CrossRef ]
  7. او، تی. بائو، جی. لی، آر. روآن، اس. لی، ی. تیان، سی. ژنگ، ی. شناسایی رویدادهای پارک غیرقانونی خودرو با استفاده از مسیرهای مشترک دوچرخه. در مجموعه مقالات ACM SIGKDD، لندن، بریتانیا، 19 تا 23 اوت 2018. [ Google Scholar ]
  8. بوک، اف. دی مارتینو، اس. Origlia، A. پارکینگ هوشمند: استفاده از انبوه تاکسی ها برای درک فضای پارکینگ در خیابان. IEEE Trans. هوشمند ترانسپ سیستم 2019 . [ Google Scholar ] [ CrossRef ]
  9. یانگ، اچ. بله، م. تانگ، WH; وونگ، SC یک مدل پویا چند دوره ای از خدمات تاکسی با شدت خدمات درون زا. اپراتور Res. 2005 ، 53 ، 501-515. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، دبلیو. ژانگ، ایکس. فنگ، ز. لیو، جی. ژو، ام. وانگ، ک. تناسب اندام برای رانندگی رانندگان تاکسی شیفت کاری مبتلا به آپنه انسدادی خواب: بررسی رفتار و مهارت راننده خود گزارش شده. ترانسپ Res. قسمت F 2018 ، 59 ، 545–554. [ Google Scholar ] [ CrossRef ]
  11. دنگ، سی سی; Ong، HL; Ang، BW; Goh, TN مطالعه مدل سازی یک عملیات تاکسی سرویس. بین المللی جی. اوپر. تولید مدیریت 1992 ، 12 ، 65-78. [ Google Scholar ] [ CrossRef ]
  12. کامگا، سی. Yazici، MA; Singhal, A. Hailing in the Rain: تغییرات زمانی و مرتبط با آب و هوا در تاکسی سواری و تعادل تقاضا و عرضه تاکسی. در مجموعه مقالات هیئت تحقیقات حمل و نقل نود و دومین نشست سالانه (شماره 13-3131)، واشنگتن، دی سی، ایالات متحده آمریکا، 13 تا 17 ژانویه 2013. [ Google Scholar ]
  13. منگ، رایانه شخصی؛ تانگ، XC; یانگ، کیو. Xu, Y. مدل ریاضی رانندگان تاکسی-تغییر شیفت. ریاضی. تمرین کنید. نظریه 2010 ، 40 ، 247-252. [ Google Scholar ]
  14. Li، YM; Wang, JY تعیین مکان بهینه برای تغییر شیفت رانندگان تاکسی با استفاده از روش خوشه‌بندی. علمی تکنولوژی دانشیار انجمن 2012 ، 10 ، 94-96. [ Google Scholar ]
  15. سان، آر. یو، HT; Du, Y. الگوریتم تحلیل فضایی برای رانندگان تاکسی-شیفت. در مجموعه مقالات کنفرانس سالانه ITS چین، هنان، چین، 23 تا 24 ژوئن 2012. [ Google Scholar ]
  16. تانگ، ال. ژنگ، دبلیو. وانگ، ز. هنگ، XU؛ هانگ، جی. دونگ، ک. تجزیه و تحلیل زمان فضا در مورد سوار شدن و پیاده شدن مسافران تاکسی بر اساس داده های بزرگ GPS. Geo Inf. علمی 2015 ، 17 ، 1179-1186. [ Google Scholar ]
  17. جیانوتی، اف. نانی، م. Pedreschi، D. استخراج کارآمد توالی های مشروح زمانی. در مجموعه مقالات کنفرانس بین المللی سیام در مورد داده کاوی، Bethesda، MD، ایالات متحده آمریکا، 20-22 آوریل 2006. صص 346-357. [ Google Scholar ]
  18. یانگ، ایکس. تانگ، ال. نیو، ال. ژانگ، ایکس. لی، کیو. ایجاد نقشه‌های تقاطع مبتنی بر خط از جمع‌سپاری داده‌های ردیابی بزرگ. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 89 ، 168-187. [ Google Scholar ] [ CrossRef ]
  19. یانگ، ایکس. تانگ، ال. ژانگ، ایکس. لی، کیو. یک روش پاکسازی داده برای داده های ردیابی بزرگ با استفاده از ثبات حرکت. Sensors 2018 , 18 , 824. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
شکل 1. معماری تشخیص رویداد شیفت راننده تاکسی بر اساس داده های ردیابی بزرگ.
شکل 2. حالت عملیات دو شیفت در چین: ( الف ) حالت عملیات شیفت در وهله اول. ( ب ) حالت عملیات شیفت در حالت دوم.
شکل 3. جمع آوری داده های GPS تاکسی در طول فعالیت های شیفت راننده تاکسی: ( الف ) جمع آوری داده های GPS هنگامی که دستگاه GPS روشن است. ( ب ) جمع آوری داده های GPS هنگامی که دستگاه GPS خراب است.
شکل 4. نمودار شماتیک رفتار شیفت راننده تاکسی.
شکل 5. هیستوگرام احتمال ویژگی های رفتار با استفاده از نمونه های شیفت راننده تاکسی: ( الف ) فاصله بازه ( 1 )، ( ب ) زمان بازه ( 2 )، ( ج ) زمان انتقال ( 3 )، و ( d ) میانگین فاصله بی باری ( 4 ).
شکل 6. مجموعه داده های تجربی: ( الف ) مسیرهای تاکسی جمع آوری شده در یک روز کاری در شهر ووهان، چین. ( ب ) نقشه اداری شهر ووهان.
شکل 7. نمودار جریان تجربی.
شکل 8. توزیع زمانی رویدادهای شیفت رانندگان تاکسی در ووهان، چین از 1 تا 8 اوت 2013.
شکل 9. توزیع فضایی مکان های پارکینگ برای رویدادهای شیفت رانندگان تاکسی که از 1 تا 7 اوت 2013 رخ داده است.
شکل 10. توزیع فضایی مکان های پارکینگ برای رویدادهای شیفت رانندگان تاکسی در هر منطقه اداری. ( الف ) شدت رویدادهای شیفت رانندگان تاکسی که در هر منطقه اداری ووهان توزیع شده است. ( ب ) تراکم رویدادهای شیفت رانندگان تاکسی توزیع شده در هر منطقه اداری ووهان.
شکل 11. تعداد رویدادهای شیفت رانندگان تاکسی در دوره 17:00 تا 19:00 از 1 تا 7 اوت 2013.
شکل 12. توزیع فضایی تخلفات جدی از فعالیت های شیفت رانندگان تاکسی.

بدون دیدگاه

دیدگاهتان را بنویسید