بخشی از مقاله
خلاصه
ترافيك امروزه در كلانشهر تهران يكي از مسائل مهم و پيچيده، مديريت شهري است. در شرايطي كه در به طور پيوسته و بدون توجه به ظرفيت معابر بر تعداد خودروها افزوده ميشود و سرعت توسعه زير ساخت هاي حمل و نقل شهري و حمل و نقل عمومي در مقايسه با آن ناچيز است، تنها ميتوان به وسيله مديريت بار ترافيك و راهبري آن تا حدودي از اثرات مخرب آن جلوگيري كرد. در اين پژوهش تلاش شده است تا با استفاده از روش هاي داده كاوي، اطلاعات وضعيت ترافيك و تصادف هاي ٤ بزرگراه اصلي تهران به اضافه اطلاعات آلودگي هوا، وضعيت اب و هوا و تقويم در يك سال مورد بررسي قرار گيرد.
روش تحقيق بر مبناي اصول روش شناسي "علم طراحي" طراحي شده است كه به دنبال طراحي راه حل براي حل يك مشكل توسط ارائه يك فرآورده كاربردي است و براي اجرا از گام هاي روش CRISP-DM استفاده شده است. از الگوريتم هاي خوشه بندي براي بدست آوردن اطلاعات درباره توزيع داده ها و پردازش اوليه آنها و از الگوريتم هاي طبقه بندي براي پيش بيني وضعيت ترافيك، آلودگي هوا و وقوع تصادف ها استفاده شده است كه مدل هايي با دقت بالا ارائه كرده اند.
١. مقدمه
ترافيك امروزه در ايران خصوصاً در كلانشهرها از جمله تهران يكي از مسائل مهم و پيچيده، مديريت شهري است. بار هزينه هاي مستقيم و غير مستقيم ناشي از ترافيك مانند هدر رفتن سوخت، زمان، آلودگي هوا، آلودگي صوتي و هزينه هاي سلامت، باعث شده است به بهبود كنترل و راهبري ترافيك توجه ويژه اي شود.
جمعيت شهر ها و تعداد وسايل نقليه رو به افزايش است اما زير ساخت هاي حمل و نقل شهري متناسب با اين افزايش، توسعه نميابد كه باعث ازدحام شديد در خيابان ها و بزرگراه ها شده است. علاوه بر آن عوامل محيطي ديگر نيز در بروز ازدحام خودروها تاثيرگذار هستند كه در نتيجه بررسي و تحليل اين متغير هاي محيطي و تعيين ميزان تاثير آنها، ميتوان كنترل ترافيك را به صورت غير مستقيم از طريق كنترل اين متغير ها بهبود بخشيد.
٢. بيان مسئله
در شرايطي كه در كلانشهر تهران به طور پيوسته و بدون توجه به ظرفيت معابر بر تعداد خودروها افزوده ميشود و سرعت توسعه زير ساخت هاي حمل و نقل شهري و حمل و نقل عمومي در مقايسه با رشد تعداد خودرو ها و نياز به حمل و نقل در سطح شهر ناچيز است تنها ميتوان به وسيله مديريت بار ترافيك و راهبري آن تا حدودي از اثرات مخرب آن جلوگيري كرد.
سيستم هاي اطلاعات براي مديريت هوشمند ترافيك اغلب به عنوان بهترين راهكاري براي كنترل و راهبري ترافيك مورد توجه قرار گرفته است. سيستم هاي حمل و نقل هوشمند - - *ITS راهكار هاي موثري براي كاهش مشكلات ارائه ميكند. راه حل هايي مانند پيش بيني حجم ترافيك كوتاه مدت كه مي تواند در مواردي از قبيل: توسعه راهبردهاي كنترل ترافيك فعال در سيستم هاي مديريت ترافيك پيشرفته - †ATMS - ، هدايت مسير در زمان واقعي در سيستم هاي اطلاعات مسافران - ‡ATIS - و ارزيابي راهبردهاي كنترل و هدايت ديناميكي ترافيك، پشتيباني موثري را ارائه دهد.
با توسعه سيستم اطلاعاتي تحليل آينده نگر بر مبناي عوامل محيطي ترافيك، پيش بيني به موقع ترافيك و كنترل عوامل موثر بر آن نقش مهمي در بهبود كنترل و راهبري ترافيك و توزيع حجم ترافيك در معابر خواهد داشت.
ضرورت انجام اين پژوهش تحليل متغير هاي محيطي موثر بر ترافيك براي كنترل آنها با انجام اقدامات زودهنگام از سوي دستگاه هاي اجرايي و سياست گذاران در جهت پيشگيري از ازدحام و توزيع بار ترافيك راهبري ترافيك مي باشد. علاوه بر آن با پيش بيني بلند مدت حجم ترافيك و تحليل تصادفات ترافيكي ميتوان زمان آماده باش و محل استقرار نيرو هاي امداد و نجات را به طور بهينه مديريت كرد تا دسترسي به آنها در زمان و محل هاي حادثه خير سريع تر باشد.
پژوهش پيش رو تلاش ميكند تا به سوالات ذيل پاسخ دهد:
١. چگونه مي توان راهبري ترافيك را از منظر متغيرهاي وضعيت ترافيك، محيطي و حادثه محور بهبود بخشيد؟
2. تحليل آينده نگر وضعيت ترافيك چه كمكي به سياستگذاران حوزه ترافيك و حمل نقل و پليس راهور در جهت بهبود راهبري ترافيك ميكند؟
٣. تحليل آينده نگر وضعيت ترافيك چه كمكي به نيروهاي امداد در جهت بهبود زمان امدادرساني ميكند؟
.٤تحليل آينده نگر وضعيت ترافيك چه كمكي به افراد جامعه ميكند؟
.٣پيشينه پژوهش
پيشينه نظري داده كاوي و كشف دانش از پايگاه داده: تاريشچة كشف دانش از پايگاههاي اطلاعاتي قدمت چنداني ندارد و امروزه به داده كاوي مشهور است .اصطلاح كشف دانش براي نشستين بار در دهدة 1990 مطرح شد و توجه پژوهشگران را به سمت الگوريتم هاي داده كاوي معطوف كرد .هدف داده كاوي، كشف دانش جديد، معتبر و قابل پيگيري با استفاده از ابزارهاي هوش مصنوعي و آماري در حجم بالايي از داده ها است
مراحل كشف دانش از پايگاه داده ها به شرح زير هستند
١.انتخاب داده ها: داده اي مربوط به تحزيه و تحليل و تصميم گيري از داده هاي ديگر جدا مي شوند.
٢. پيش پردازش اطلاعات: پردازش، تميز كردن و يكپارچه سازي داده انجام ميگيرد.
٣. تبديل داده ها: داده هاي انتخال شده به شكل مناسبي براي داده كاوي تبديل مي شوند.
٤. داده كاوي:در اين مرحله از روش هاي هوشمندانه اي براي استخراج الگوهاي باقوه مفيد استفاده ميشود و در مورد اين روش ها تصميم گيري مي شود.
٥. تفسير و ارزيابي: در اين مرجله الگوهاي جالب توجه نشان دهنده دانش ، بر اساس اقدامات انجام شده شناخته مي شوند و دانش كشف شده در اختيار كاربر قرار ميگيرد. در اين مرحله استفاده از روش هاي مجسم سازي براي كمك به كاربران ضروري است..
دو هدف اصلي داده كاوي پيشگويي و توصيف است.
داده كاوي پيش گويي كننده، مدلي را از سيستم ارائه مي دهد كه اين مدل را مجموعه اي از داده هاي مشخص، پيش بيني ميكنند .هدف كلي آن ايجاد الگويي براي طبقه بندي، پيش بيني و تخمين داده ها است .٢ . داده كاوي توصيفي، اطلاعات جديد و غير بديهي را بر اساس مجموعده اي از داده هاي موجود ارائه مي دهد و هدف كلي آن درك و شناخت سيستم هاي تجزيه وتحليل شده با استفاده از الگوها و روابط موجود است.
شايان ذكر است كه داده كاوي از تركيب چندين رشته نشئت مي گيرد .آمار، يادگيري ماشين، روشهاي بهينه سازي، روشهاي تشخيص و شناخت الگو، بانك اطلاعاتي، تجسم سازي، شبكه هاي عصبي، مدلهاي رياضي، بازيابي اطلاعات، الگوريتم ژنتيك و هوش مصنوعي فنوني هستند كه داده كاوي از آنها بهره مي برد.
پيشينه تجربي
راج و همكاران در سال ٢٠١٦ در مقاله اي با عنوان "اعمال تكنيك هاي داده كاوي براي تخمين و پيش بيني حجم ترافيك" به بررسي استفاده داده هاي سنسور هاي خودكار و تكنيك هاي داده محور براي پيش بيني وضعيت ترافيك در شرايط ترافيكي كشور هند پرداختند. تكنيك هاي يادگيري ماشين ازجمله KNN و ANN به عنوان ابزار هاي تخمين و پيش بيني در اين تحقيق استفاده شده اند.
