کلید واژه ها:
داده های مکانی – زمانی ; حمل و نقل شهری ; رتبه بندی ایستگاه ها ؛ پیش بینی سایت مترو
۱٫ مقدمه
-
ما از LeaderRank وزندار برای رتبهبندی ایستگاههای مترو استفاده کردیم، آن جهت سفر مسافران و تأثیر رابطه پیوند شبکه پویا و پیچیدهای که توسط سفر مسافر در سایت شکل میگیرد را در نظر میگیرد.
-
ما از یک روش خوشهبندی بر اساس مسیر تاکسی برای پیشبینی موقعیت ایستگاههای مترو استفاده کردیم. نتایج تجربی نشان میدهد که روش ما برای تعیین موقعیت ایستگاههای مترو مفید است.
-
ما روشی را برای انتخاب بهترین پارامترهای خوشهبندی برای پیشبینی بهتر مکان ایستگاهها پیشنهاد کردیم. علاوه بر این، استفاده از زمین در اطراف سایتهای پیشبینیشده را برای یافتن قانون استفاده از زمین برای ایستگاههای بالقوه مترو مشخص کردیم.
۲٫ کارهای مرتبط
۲٫۱٫ مطالعه بر روی داده های ترافیک
۲٫۲٫ رتبه بندی گره ها در شبکه های پیچیده
۲٫۳٫ برنامه ریزی و مدل سازی سیستم حمل و نقل
۳٫ تعاریف
تعریف ۱
تعریف ۲
تعریف ۳٫
۴٫ روش شناسی
-
داده های OD تاکسی ها را با توجه به پوشش ایستگاه های مترو طبقه بندی کنید.
-
برای داده های OD که فراتر از پوشش هستند، خوشه بندی GMM را انجام دهید و تأثیر پارامترهای مختلف را بر نتایج پیش بینی مطالعه کنید.
-
از طریق الگوریتم رهبرانک، چند ایستگاه ویژه دریافت کنید و داده های O یا D موجود در پوشش این ایستگاه را برای آزمایش ها انتخاب کنید تا گسترش آینده ایستگاه را پیش بینی کنید.
۴٫۱٫ مدل GMM
روش خوشه بندی GMM فرض می کند که توزیع احتمال مکانی نقاط داده OD تاکسی را می توان با توابع احتمال توزیع گاوسی متعدد تقریب زد. این یک مدل توزیع احتمال با فرم زیر است
کجا در معادله ( ۱ ) ، ، چگالی توزیع گاوس است و به معنای k امین جزء در مدل ترکیبی است. برای هر مدل فرعی باید پارامتر را پیدا کنیم ، ، . یعنی انتظار، کوواریانس و وزن هر مدل فرعی در مدل ترکیبی. با این حال، این پارامترها را نمی توان به طور مستقیم با استخراج محاسبه کرد. بنابراین از الگوریتم انتظار-بیشینه سازی استفاده می کنیم که توسط Dempster و همکارانش خلاصه و پیشنهاد شده است. [ ۲۹ ] تکرار کردن.
۴٫۲٫ مدل جریان مسافر وزنی LeaderRank
در این مقاله، ما از متروی پکن به عنوان مورد آزمایشی استفاده می کنیم و معادله وزنی شاخص LeaderRank را برای ایستگاه i به صورت زیر تعریف می کنیم :
که در معادلات ( ۳ ) و ( ۴ )، کل جریان مسافر از ایستگاه j است. این معادله فرآیند تخصیص و کسب مقادیر را توصیف می کند. هنگامی که معادله ( ۳ ) تکرار می شود بار و تمایل به همگرایی، معادله متوقف می شود.
۵٫ تجزیه و تحلیل و استخراج مناطق ایستگاه آینده بر اساس تاکسی OD
۵٫۱٫ پاکسازی داده های مسیر
-
از آنجایی که سیستم GPS دارای خطاهای خاصی است، لازم است اطلاعات خام GPS تاکسی را اصلاح کرد تا دقت موقعیت یابی GPS بهبود یابد. فاصله طول و عرض جغرافیایی به ترتیب ۰٫۰۰۲-۴۵۶ درجه و ۰٫۰۰۲ ۲۴۱ درجه است.
-
ما دادههای GPS تاکسی را بر اساس پلاک مرتب کردیم و دادههای استثنایی شامل حذف ویژگیهای غیرمرتبط با مطالعه در این مقاله، دادههای استثنای وضعیت GPS، شناسه اشتباه پلاک و زمان ثبت اشتباه را حذف کردیم.
-
منطقه تقریبی پکن در ۱۱۵٫۷ تا ۱۱۷٫۴ درجه طول شرقی و ۳۹٫۴ تا ۴۱٫۶ درجه عرض شمالی واقع شده است. در این منطقه، دادههای جمعآوریشده از دادههای مسیر GPS را که فراتر از مرزهای طول و عرض جغرافیایی هستند، حذف کردیم تا افزونگی دادهها را کاهش دهیم.
-
ما دادههای OD سفر تاکسیها را بهدست آوردیم و دادههایی را که زمان سفر آنها خارج از زمان عملیات مترو (۶:۰۰ تا ۲۲:۰۰) است، حذف کردیم. هر ردیف از دادههای بهدستآمده در نهایت شامل شناسه وسیله نقلیه، زمان تحویل / تحویل و مکان است.
۵٫۲٫ ایستگاه متروی پکن
۵٫۳٫ تجزیه و تحلیل ODs تاکسی
۵٫۴٫ پیش بینی موقعیت ایستگاه های مترو
۵٫۵٫ تعیین پارامترهای مدل GMM
در عمل، BIC به طور گسترده ای استفاده می شود، در حالی که در این مطالعه ما قصد داریم ۲۰۰ منطقه ایستگاه مترو را در آینده پیش بینی کنیم. ما مناطق خوشهبندی را از طریق مدل GMM و الگوریتم ۱ به دست آوردیم، وزنهای آنها را در مدل ترکیبی مرتب کردیم و -۲۰۰ منطقه در نظر گرفتن نحوه انتخاب پارامتر مناسب ، به طوری که تا آنجا که ممکن است از این ۲۰۰ منطقه، ایستگاه های مترو جدید را در آینده پوشش دهند، در حالی که اطمینان حاصل شود که کل پوشش پیش بینی شده تا حد امکان کوچک است. با این حال، معیار BIC این مشکل را به خوبی حل نمی کند. برای انجام این کار، تعریف متغیرها را پیشنهاد می کنیم به عنوان تعداد ایستگاههای متروی واقعی که پیشبینی میکنیم از سال ۲۰۱۳ تا ۲۰۲۰ ساخته شدهاند، S به عنوان منطقه تحت پوشش همه مناطق خوشهبندی شده، و مساحت اشغال شده توسط هر ایستگاه پیش بینی است. شکل ۷ ، شکل ۸ و شکل ۹ به ترتیب منحنی های تغییر را نشان می دهند ، S ، و با ارزش هدف از تعریف این دو متغیر، یافتن پارامترهای مناسب است به طوری که تعداد ایستگاه های جدید پیش بینی شده توسط کل شهر بیشترین و مساحت کل منطقه پیش بینی شده کمترین باشد.
الگوریتم ۱ GetCoords. |
۵٫۶٫ نتایج و مطالعه موردی
۶٫ نتیجه گیری و کار بیشتر
منابع
- لی، ام. دونگ، ال. شن، ز. لانگ، دبلیو. Ye, X. بررسی تعامل تاکسی و مترو برای شهرنشینی پایدار. Sustainability ۲۰۱۷ , ۹ , ۲۴۲٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
- خو، X. ژو، جی. لیو، ی. خو، ز. Zhao, X. Taxi-RS: تاکسی-شکار سیستم توصیه بر اساس داده تاکسی GPS. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۵ ، ۱۶ ، ۱۷۱۶-۱۷۲۷٫ [ Google Scholar ] [ CrossRef ]
- Mazimpaka، JD; Timpf, S. بررسی پتانسیل ترکیب GPS تاکسی و داده های فلیکر برای کشف مناطق عملکردی . انتشارات بین المللی Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۵٫ [ Google Scholar ]
- ژانگ، سی. شیا، اچ. آهنگ، Y. تغییر شکل شهری رهبری حمل و نقل ریلی: مطالعه موردی پکن. حمل و نقل ریلی شهری ۲۰۱۷ ، ۳ ، ۱۵–۲۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لیو، سی. وانگ، اس. کومو، اس. Mei، G. تجزیه و تحلیل داده ها و استخراج ویژگی های ترافیک بر اساس مسیرهای GPS تاکسی: مطالعه موردی در پکن. موافق محاسبه کنید. تمرین کنید. انقضا ۲۰۲۱ , ۳۳ , e5332. [ Google Scholar ] [ CrossRef ]
- کروچه، آ. موسولینو، جی. ریندون، سی. Vitetta، A. برآورد مدلهای تقاضای سفر با اطلاعات محدود: دادههای شناور خودرو برای کالیبراسیون پارامترها. Sustainability ۲۰۲۱ , ۱۳ , ۸۸۳۸٫ [ Google Scholar ] [ CrossRef ]
- زو، دی. وانگ، ن. وو، ال. خیابان لیو، Y. به عنوان یک واحد مونتاژ و تجزیه و تحلیل داده های جغرافیایی بزرگ در مطالعات شهری: مطالعه موردی با استفاده از داده های تاکسی پکن. Appl. Geogr. ۲۰۱۷ ، ۸۶ ، ۱۵۲-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
- ابراهیم، ر. شفیق، داده های مسیر معدن MO و شناسایی الگوهای سفرهای حرکت تاکسی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی مدیریت اطلاعات دیجیتال (ICDIM 2018)، برلین، آلمان، ۲۴ تا ۲۶ سپتامبر ۲۰۱۸٫ [ Google Scholar ]
- کومی، ا. روسولوف، آ. پولمنی، ع. Nuzzolo، A. برآورد جریان OD خودروی شخصی بر اساس دادههای نظارت خودکار خودرو: مسائل نظری و شواهد تجربی. اطلاعات ۲۰۲۱ ، ۱۲ ، ۴۹۳٫ [ Google Scholar ] [ CrossRef ]
- جیانگ، اس. گوان، دبلیو. او، ز. یانگ، ال. بررسی رابطه بین وجهی بین تاکسی و مترو در پکن، چین. J. Adv. ترانسپ ۲۰۱۸ ، ۲۰۱۸ ، ۳۹۸۱۸۴۵٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، جی. لای، تی. فن، ز. هوانگ، بی. سیستم های پیشنهادی طرح انتقال اتوبوس در زمان واقعی. در مجموعه مقالات کنفرانس بین المللی ابر پیشرفته و داده های بزرگ، شانگهای، چین، ۱۳ تا ۱۶ اوت ۲۰۱۷٫ [ Google Scholar ]
- رن، X.-L. Lü, L. بررسی گره های رتبه بندی در شبکه های پیچیده. چانه. علمی گاو نر ۲۰۱۴ ، ۵۹ ، ۱۱۷۵-۱۱۹۷٫ [ Google Scholar ] [ CrossRef ]
- کیتساک، م. Gallos، LK; هاولین، اس. لیلجروس، اف. موچنیک، ال. استنلی، HE; Makse، HA شناسایی پخش کننده های تأثیرگذار در شبکه های پیچیده. نات. فیزیک ۲۰۱۰ ، ۶ ، ۸۸۸-۸۹۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لو، ال. ژانگ، YC؛ یونگ، CH; ژو، T. رهبران در شبکه های اجتماعی، پرونده خوشمزه. PLoS ONE ۲۰۱۱ ، ۶ ، e21202. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- ژو، بی. لی، ی. لی، سی. نیش، بی. وو، کیو. لی، ال. روش Li, Z. Electrical LeaderRank برای ارزیابی اهمیت گره شبکه های برق با در نظر گرفتن عدم قطعیت انرژی های تجدیدپذیر. بین المللی جی الکتر. سیستم انرژی برق ۲۰۱۹ ، ۱۰۶ ، ۴۵-۵۵٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، سی. ون، اس. لی، ام. ون، اف. یانگ، ایکس. یک ارزیابی تجربی از گرههای تاثیرگذار برای شبکه بازار سهام: مورد سهام A چینی. مالی Res. Lett. ۲۰۲۰ ، ۳۸ ، ۱۰۱۵۱۷٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، ام. زو، جی. ژانگ، بی. گان، ی. جیانگ، اس. جیانگ، ک. شناسایی افراد با نفوذ در شبکه های میکروبلاگینگ با استفاده از پارتیشن بندی نمودار. سیستم خبره Appl. ۲۰۱۸ ، ۱۰۲ ، ۷۰-۸۲٫ [ Google Scholar ] [ CrossRef ]
- لی، کیو. ژو، تی. لو، ال. چن، دی. شناسایی پخشکنندههای تأثیرگذار بر اساس رتبهبندی رهبران. فیزیک آمار مکانیک. برنامه آن است. ۲۰۱۴ ، ۴۰۴ ، ۴۷-۵۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کلیسا، آر. کلیفورد، تی. بحث بهینه سازی محیطی خطوط برق توسط اکونومیدس و شریفی. جی. محیط زیست. مهندس بخش ASCE ۱۹۷۹ ، ۱۰۵ ، ۴۳۸-۴۳۹٫ [ Google Scholar ] [ CrossRef ]
- جندرو، م. لاپورت، جی. Mesa، JA تعیین موقعیت خطوط حمل و نقل سریع. J. Adv. ترانسپ ۲۰۱۰ ، ۲۹ ، ۱۴۵-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
- Chien، SIJ; Qin, Z. بهینه سازی مکان های ایستگاه اتوبوس برای بهبود دسترسی حمل و نقل. ترانسپ طرح. تکنولوژی ۲۰۰۴ ، ۲۷ ، ۲۱۱-۲۲۷٫ [ Google Scholar ] [ CrossRef ]
- پولزین، رابطه حمل و نقل/استفاده از زمین: تأثیر حمل و نقل عمومی بر کاربری زمین.ج. طرح شهری. توسعه دهنده ۱۹۹۹ ، ۱۲۵ ، ۱۳۵-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
- Cascetta, E. تجزیه و تحلیل سیستم های حمل و نقل: مدل ها و کاربردها ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۹٫ [ Google Scholar ]
- بیرجیلیتو، جی. ریندون، سی. ویتتا، الف. تحرک مسافر در یک فضای ناپیوسته: مدلسازی دسترسی/خروج به سد دریایی در یک مطالعه موردی.J. Adv. ترانسپ ۲۰۱۸ ، ۲۰۱۸ ، ۶۵۱۸۳۲۹٫ [ Google Scholar ] [ CrossRef ]
- یانگ، جی. چن، جی. Le، X. ژانگ، کیو. سرمایهگذاری ترانزیت مبتنی بر تراکم در مقابل توسعهمحور: رمزگشایی انتخاب مکان ایستگاه مترو در شنژن. ترانسپ خط مشی ۲۰۱۶ ، ۵۱ ، ۹۳-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ی. شو، دبلیو. وی، دبلیو. نظیف، ح. طراحی شبکه حمل و نقل عمومی با استفاده از مدل پنهان مارکوف و الگوریتم بهینه سازی. Res. ترانسپ اقتصاد ۲۰۲۱ ، ۱۰۱۰۹۵، در دست چاپ . [ Google Scholar ] [ CrossRef ]
- کرول، ا. Król, M. طراحی شبکه مترو با استفاده از الگوریتم ژنتیک. Appl. علمی ۲۰۱۹ ، ۹ ، ۴۳۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- سن، پ. داسگوپتا، اس. چترجی، ا. Sreeram، PA; موکرجی، جی. Manna, SS ویژگی های دنیای کوچک شبکه راه آهن هند. فیزیک Rev. Stat. فیزیک ماده نرم غیرخطی. ۲۰۰۲ , ۶۷ , ۰۳۶۱۰۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- Dempster، AP حداکثر احتمال از داده های ناقص از طریق الگوریتم EM. JR Stat. Soc. ۱۹۷۷ ، ۳۹ ، ۱-۲۲٫ [ Google Scholar ]
بدون دیدگاه