بخشی از مقاله
چکیده
بهکارگیری سامانههای حملونقل هوشمند راهکاری مناسب جهت بهبود چالشهای پشِی رویِ کلانشهرها در حوزههای مدیریتازدحامِ ترافیک، مصرف سوخت و آلودگیهای محیطی محسوب میشود. از مهمترینفنّاوریهای موردتوجه در این سامانهها میتوان به ارتباطات خودرویی اشاره کرد که با ارائه گسترهی وسیعی از خدمات ایمنی، رفاهی و ترافیکی سعی در بهبود چنین چالشهایی دارد. پیشبینی وضعیت ترافیک معابر شهری نقش بسزایی در مدیریت ترافیک و بهبود عملکرد سامانههای حملونقل هوشمند دارد.
در تحقیقات اخیر بهکارگیری الگوریتمهای دادهکاوی با توجه به کارایی آنها درزمینه ی استخراج اطلاعات از دادههای حجیمی همچون دادههای ترافیکی موردتوجه قرارگرفته است. در این مقاله از دادههای جمعآوریشده از سامانه حملونقل هوشمند در شهر مشهد برای پیشبینی ازدحام ترافیک در معابر مختلف شهر استفاده شده است. برای این کار دادههای ترافیکی معابر در بازههای زمانی 15 دقیقهای برای مدت یک سال جمعآوری و پیشپردازش شد و یک مجموعه داده ترافیکی به همراه سایر پارامترهای مؤثر بر روی ترافیک از قبیل دادههای تقویمی و دادههای هواشناسی تهیه گردید.
سپس بر روی مجموعه داده بهدستآمده مدلهای مختلف رگرسیون و دستهبندی جهت پیشبینی ازدحام ترافیک از طریق الگوریتمهای دادهکاوی ایجاد شد. نتایج حاصل از ارزیابی الگوریتمهای دادهکاوی نشان داد که روش مطرحشده میتواند بهطور رضایت بخشی وضعیت آینده ازدحام ترافیک شهر را در بازههای زمانی مختلف پیشبینی کند.
برای انجام ارزیابی روش ارائهشده در شبکههای بین خودرویی و انتخاب مسیرهای کم ازدحامتر بهمنظور کاهش زمان سفر، از دادههای واقعی جمعآوریشده و شبیهسازی واقعگرایانه استفاده شد. شبیهسازیدر دو حالتِ پیشبییِن 4 و 6 سطحیِ ازدحام ترافیک و در چهار نقشه متفاوت ازنظر نوع فازبندی و زمانبندی چراغهای راهنمایی برای شهر مشهد انجام شد. نتایج شبیهسازی بیانگر کاهش زمان سفر در مسیرها و شرایط ترافیکی مختلف در این شهر است.
-1 مقدمه
یکی از برجستهترینفنّاور یهای مورداستفاده در سامانههای حملونقل هوشمند که موردتوجه مراکز پژوهشی و صنعتی قرارگرفته است، شبکههای بین خودرویی است .[1] ارائه سرویسهای ترافیکی با کمک گرفتن از شبکههای خودرویی، سبب دریافت بهموقع اطلاعات ترافیکی و آگاهی از توزیع خودروها در محیط خواهد شد. دریافت چنین اطلاعاتی کمک مینماید تا از بروز ازدحام در محیط شهری و هزینههای ناشی از آن اجتناب گردد. لازمهی اجتناب از ازدحام، تهیه و جمعآوری اطلاعات ترافیکی بهروز از مناطق مختلف محیط شهری و قرار دادن این اطلاعات در اختیار رانندگان است تا با بهرهگیری از این اطلاعات و اتخاذ تصمیمهای صحیح بتوانند از بروز ازدحام در ناحیههای مختلف محیط شهری اجتناب ورزند.
-2 ساختار کلی روش پیشنهادی جهت کاهش زمان سفر
در سالهای اخیر، گرایش بسیاری از تحقیقات در حوزه پیشبینی ترافیک، به سمت استفاده از الگوریتمهای دادهکاوی بوده است چراکه این تکنیکها قابلیت استخراج اطلاعات از دادههایی با حجم بسیار بالا همچون دادههای ترافیکی را دارا هستند .[2] در مرحله بعدی بر اساس کلاس ازدحام پیشبینیشده، تکه مسیرهای مربوط به معابر در نقشه شهر وزن دهی میشوند. در روش پیشنهادی مسیردهی با در نظر گرفتن ازدحام ترافیکی انجام میشود.
عملکرد سیستم به اینگونه است که زمانی که یک خودرو میخواهد به مقصدی برود، میتواند درخواست خود را با موقعیت و مقصد موردنظر بهوسیله شبکه بین خودرویی به سرور مرکزی بفرستد و سرور مرکزی کمازدحامترین مسیر به مقصد خواستهشده را برای خودرو مشخص کند. این روش میتواند بهصورت پویا مسیردهی را بر اساس بهروزرسانی اطلاعات ترافیکی تغییر دهد. درنتیجه پیمودن مسیر کم ازدحامتر توسط خودروها زمان سفر کمتری نسبت به کوتاهترین مسیر در حضور ازدحام خواهد داشت.
-3 مدل پیشنهادی جهت پیشبینی ازدحام ترافیک
با بررسی مطالعات انجامگرفته برای پیشبینی ازدحام ترافیک، مدلی مبتنی بر دادهکاوی شامل چهار لایه اصلی ارائه شده است که در - شکل - 2 شمای کلی آن را مشاهده میکنید.
-4 نحوهی جمعآوری دادههای ترافیکی موردنیاز و پیشپردازش آنها
در این مقاله از دادههای ورودی سیستم SCATS در شهر مشهد برای به دست آوردن میزان ازدحام ترافیک در هر معبر و در ادامه پیشبینی ازدحام ترافیک در آن معبر استفاده شده است. دادههای جمعآوریشده در این مقاله مربوط به 139 تقاطع در بازه زمانی یک سال است. این دادهها، حجم خودروها در بازههای زمانی 15 دقیقهای است؛ بنابراین در هر روز 96 عدد و در یک سال 35040 عدد برای هر حلقه ثبت میشود. درنهایت با بررسی، جمعآوری و پیشپردازش دادههای مربوط به 139 تقاطع در سطح شهر تعداد 492 معبر مختلف مشخص شد. در این مقاله منظور از معبر تکه مسیری است بین دو تقاطع که تعداد خودروهای عبور کرده از آن در طی یک بازه زمانی 15 دقیقهای در دسترس باشد.
-5 ویژگیهای در نظر گرفتهشده برای هر معبر جهت پیشبینی ازدحام ترافیک
این ویژگیها در - جدول - 1 آورده شدهاند. درصورتیکه برای ساخت مدل پیشبینی نیازمند گسسته سازی این ویژگیها باشیم؛ گسسته سازی بر اساس واریانس و میانگین دادهها انجام گرفته است. دلیل این تقسیمبندی، افزایش دقت نتایج و توزیع دادههای پیوسته بهصورت یکنواخت در بلاکهای گسسته است. در این مقاله %70 دادهها بهعنوان مجموعه آموزش و %30 بهعنوان مجموعه آزمون بهصورت تصادفی انتخاب شده است و برای هرکدام از معابر نیز یک مدل جداگانه آموزش داده میشود.
در این جدول برای معبر شماره 1 تا 492 در بازههای زمانی 15 دقیقهای، تعداد خودروهای شمارششده در هر معبر مشخص شده است. در حالت پیشبینی کلاسبندی شده، این مقدار برای هر معبر به 4 و یا 6 کلاسمختلفِ ازدحام ترافیکی برچسبگذاری میشود. به عنوان مثال در حالت 4 کلاس ازدحامی، مقادیر عددی یک معبر را با مقایسه با بازههای در نظر گرفته شده برای آن معبر به کلاسهای »ترافیک سبک«، »اختلال در حرکت«، »ترافیک سنگین« و »ترافیک بسیار سنگین« برچسبگذاری میکنیم.
-6 نتایج حاصل از ارزیابی مدلهای پیشبینی ازدحام ترافیک در روش پیشنهادی
ساخت تمامی مدلهای پیشبینی ازدحام ترافیک و ارزیابی آنها در این مقاله توسط نرمافزار دادهکاوی WEKA انجامگرفته است .[3] لازم به توضیح است که برای هرکدام از 492 معبر در نظر گرفتهشده یک مدل جداگانه در هرکدام از روشهای پیشبینی، آموزش داده شد. چون برای هر معبر، ارزیابی بهصورت جداگانه صورت گرفته است؛ بهمنظور ارائه نتایج نهایی، میانگین نتایج ارزیابی کلیه معابر آورده شده است. در مدلهای پیشبینی عددی ازدحام ترافیک، از میان هفت مدل استفادهشده، الگوریتمهای فرا یادگیرنده و الگوریتم درخت تصمیم M5P بهترین عملکرد را داشتهاند - جدول . - 2
