مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

فناوری های نوظهور برای حمل و نقل شهرهای هوشمند: رویکردهای اطلاعات جغرافیایی، تجزیه و تحلیل داده ها و روش های یادگیری ماشینی

مقالات فناوری های نوظهور برای حمل و نقل شهرهای هوشمند: رویکردهای اطلاعات جغرافیایی، تجزیه و تحلیل داده ها و روش های یادگیری ماشینی

با افزایش اخیر در رانش شهری، که منجر به افزایش بی سابقه جمعیت شهری شده است، صنعت حمل و نقل شهر هوشمند (SC) با چالش های بی شماری از جمله توسعه استراتژی های کارآمد برای استفاده از زیرساخت های موجود و به حداقل رساندن ترافیک مواجه است. بنابراین، نیاز به طراحی استراتژی های حمل و نقل کارآمد برای مقابله با مسائلی که بر صنعت حمل و نقل SC تأثیر می گذارد، وجود دارد. این مقاله به بررسی تکنیک ها و رویکردهای حمل و نقل SC می پردازد. این مقاله یک بررسی و بحث جامع با تمرکز بر فناوری‌های نوظهور از چندین دیدگاه مبتنی بر اطلاعات و داده‌ها از جمله (۱) رویکردهای اطلاعات جغرافیایی ارائه می‌کند. (۲) رویکردهای تحلیل داده. (۳) رویکردهای یادگیری ماشین؛ (۴) رویکردهای یادگیری عمیق یکپارچه. (۵) رویکردهای هوش مصنوعی (AI). این مقاله شامل بحث های اصلی در مورد تأثیرات اطلاعات جغرافیایی بر حمل و نقل SC، حمل و نقل مبتنی بر داده و فناوری داده های بزرگ، رویکردهای یادگیری ماشین برای حمل و نقل SC، رویکردهای هوش مصنوعی نوآورانه (AI) برای حمل و نقل SC، و روندهای اخیر آشکار شده با استفاده از یکپارچه شده است. یادگیری عمیق نسبت به حمل و نقل SC این مقاله نظرسنجی با هدف ارائه بینش های مفید به محققان در مورد نقش هایی است که رویکردهای داده محور می توانند برای شهرهای هوشمند (SCs) و حمل و نقل مورد استفاده قرار گیرند. هدف این مقاله آشنایی محققان با روندهای اخیر و فناوری های نوظهور برای کاربردهای حمل و نقل SC، و ارائه بینش مفید به محققان در مورد چگونگی استفاده از این فناوری ها برای استراتژی های حمل و نقل SC بود.

کلید واژه ها:

اطلاعات جغرافیایی ؛ حمل و نقل ; شهرهای هوشمند ؛ یادگیری ماشینی ؛ تجزیه و تحلیل داده ها ؛ کلان داده ؛ یادگیری عمیق ؛ هوش مصنوعی (AI)

۱٫ مقدمه

مفهوم اولیه SC به عنوان چارچوبی شناخته شده است که بر پیشرفت‌های حوزه ICT (فناوری اطلاعات و ارتباطات) برای رسیدگی به چالش‌های شهرنشینی بنا شده است. مردم به طور فزاینده ای با پلتفرم های SC به روش های مختلف (مانند دستگاه های تلفن همراه، ماشین های متصل، خانه های هوشمند) درگیر هستند. با این حال، توسعه چارچوب‌ها برای SCها به بلوغ کامل نرسیده است تا بتواند از فناوری‌های جدید و نوظهور مبتنی بر داده استفاده کند. پیشرفت فناوری‌های جدید در داده‌های بزرگ، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و اینترنت اشیا (IoT) چارچوب یک SC را بیشتر شکل می‌دهد و بخش‌های مختلف SC را متحول می‌کند [ ۱ ، ۲ ]. اطلاعات جغرافیایی و فناوری ارتباطات (GeoICT) [ ۳] یکی دیگر از زمینه های نوظهور است که به طور فزاینده ای برای تقویت پایداری شهری و SC ها مورد استفاده قرار می گیرد. GeoICT اهمیت قابل توجهی برای پیاده سازی فناوری اطلاعات و ارتباطات، شامل علم اطلاعات جغرافیایی و سیستم ها در SC ها برای پشتیبانی از تجزیه و تحلیل و تصمیم گیری دارد.
SCها شامل ICTهای مختلف و فناوری های پیشرفته هستند که می توانند بسیاری از جنبه های اجتماعی-اقتصادی جامعه از جمله سلامت، انرژی، آموزش و حمل و نقل را متحول کنند، بنابراین فناوری های هوشمند را قادر می سازند تا در جامعه تغییر ایجاد کنند. صنعت حمل و نقل SC در نتیجه مهاجرت بی‌سابقه شهری با چالش‌های تکنولوژیکی بی‌شمار مواجه است. از این رو، ابداع استراتژی های کارآمد برای استفاده از زیرساخت های موجود و به حداقل رساندن ترافیک به مصلحت است. سیستم های حمل و نقل هوشمند نقش مهمی در مناطق شهری برای رسیدگی به مسائلی مانند کنترل ترافیک و تراکم شهری ایفا می کنند. سیستم های حمل و نقل هوشمند می توانند خدماتی را برای بهبود ایمنی جاده ها، کاهش تصادفات و ارائه اطلاعات به موقع به رانندگان و کاربران ارائه دهند.۴ ].
SCها از ابزارها و تکنیک‌های مختلفی استفاده می‌کنند، از جمله فناوری‌هایی که بر سیستم‌های حمل و نقل هوشمند (ITS)، داده‌های بزرگ و تجزیه و تحلیل داده‌ها، و همچنین هوش مصنوعی، یادگیری ماشینی، یادگیری عمیق، اینترنت اشیا و تجزیه و تحلیل لبه‌ها متکی هستند. تحقیقات متمرکز بر فناوری SC به چندین حوزه تحقیقاتی در حمل و نقل هوشمند و کاربردهای آن می پردازد، که اجزای مهمی از SC هستند که به ابزار دقیق و اتصالات هوشمند نیاز دارند. این کاربردها در حمل و نقل شامل تجربه راننده، وسایل نقلیه خودران، کنترل ترافیک مشترک و مدیریت و پیش بینی جریان ترافیک است.
در سال های اخیر، تجزیه و تحلیل داده های بزرگ در طراحی و برنامه ریزی حمل و نقل هوشمند، سیستم های کنترل و جوامع مورد استفاده قرار گرفته است. در حمل و نقل هوشمند، داده ها از چندین منبع ناهمگون مانند داده های GPS، داده های لجستیک حمل و نقل، داده های ویدئویی، داده های رسانه های اجتماعی، حسگرها و داده های سیستمی به دست می آیند، به عنوان مثال، داده های حسگر وسیله نقلیه (VSD)، داده های خدمات سیار خودرو، راننده پیشرفته داده‌های کمکی، داده‌های خودروهای متصل، و غیره. یک معماری عمومی از استفاده و استقرار تجزیه و تحلیل داده‌های بزرگ در سیستم‌های حمل و نقل هوشمند در شکل ۱ نشان داده شده است . این معماری دارای سه لایه برای سنجش و جمع آوری داده ها، تجزیه و تحلیل داده ها و کاربرد حمل و نقل هوشمند است.
در زمینه علم داده، یادگیری ماشین برای مدل سازی و تجزیه و تحلیل برای استخراج روندها و الگوها از داده ها استفاده می شود. به طور کلی، سه دسته برای الگوریتم های یادگیری ماشین وجود دارد: (۱) الگوریتم های یادگیری نظارت شده. (۲) الگوریتم های یادگیری بدون نظارت. (۳) الگوریتم های یادگیری تقویتی. شبکه‌های عصبی (NN) یک تکنیک یادگیری تحت نظارت محبوب برای طبقه‌بندی و رگرسیون هستند [ ۵ ]. الگوریتم های یادگیری نظارت شده نیاز به استفاده از داده های برچسب دار برای طبقه بندی و رگرسیون دارند. الگوریتم های یادگیری بدون نظارت نیازی به داده های برچسب دار ندارند و برای کاربردهای مختلف حمل و نقل هوشمند، مانند پیش بینی جریان ترافیک [ ۶ ، ۷ ]، ارزیابی مسیر سفر حمل و نقل [ ۸ ] استفاده شده است.]، پیش بینی فضاهای پارک [ ۹ ]، پیش بینی زمان رسیدن اتوبوس [ ۱۰ ] و غیره.
یک روند اخیر در الگوریتم‌های یادگیری ماشین مدرن، ظهور مدل‌های یادگیری عمیق (DL) است. برخی از مدل‌های DL عبارتند از: شبکه عصبی کانولوشن (CNN)، ماشین بولتزمن محدود شده عمیق، شبکه عصبی مکرر، مدل‌های یادگیری تقویتی عمیق، رمزگذارهای خودکار پشته‌ای، و غیره. بررسی یادگیری تقویتی عمیق برای حمل و نقل هوشمند را می‌توان در [ ۱۱ ] یافت. برخی از کاربردها عبارتند از: تشخیص وسیله نقلیه [ ۱۲ ]، نسبت داده های ترافیکی [ ۱۳ ] و پیش بینی تراکم جریان ترافیک [ ۱۴ ، ۱۵ ]]. این مقاله بر تکنیک‌های هوش مصنوعی نوآورانه برای مدل‌سازی و پیش‌بینی ترافیک، مدیریت و کنترل ترافیک، حمل‌ونقل و تحرک، حمل‌ونقل عمومی و سایر کاربردهای مرتبط برای SC تمرکز می‌کند.
انگیزه پشت این مطالعه بررسی تأثیرات پنج نیروی محرک و نوظهور فناوری – اطلاعات جغرافیایی، تجزیه و تحلیل داده های بزرگ، یادگیری ماشینی، یادگیری عمیق یکپارچه و رویکردهای هوش مصنوعی – در زمینه استراتژی های حمل و نقل SC بود. این مطالعه با هدف آشنایی محققان با روندهای اخیر و بینش های مفید در مورد فناوری های نوظهور برای کاربردهای حمل و نقل SC و استفاده از تکنیک های پیشرفته برای رسیدگی به چالش های عظیم صنعت حمل و نقل SC انجام شد. اگرچه روش‌های مختلف اتخاذ هر یک از تکنیک‌های مختلف را برای صنعت حمل‌ونقل در نظر گرفته‌اند، اما هیچ‌یک با استفاده از ترکیبی از رویکردهای مختلف، به چالش‌های عظیم در زمینه استراتژی‌های حمل‌ونقل SC پرداخته‌اند. با توجه به حجم زیادی از داده‌های بلادرنگ که روزانه در نتیجه افزایش سریع و بی‌سابقه مهاجرت شهری تولید می‌شود، ابزارهای پردازش داده‌های مرسوم موجود برای تحقق بخشیدن به اهداف کلیدی اکوسیستم حمل‌ونقل SC ناقص هستند. در نتیجه، این امر چالش های عظیمی را برای بخش حمل و نقل SC به همراه داشته است، از جمله در تراکم ترافیک، مسائل برنامه ریزی مسیر، مشکلات مدیریت ناوگان، مشکلات مدل سازی درخواست پارکینگ، مشکلات پیش بینی کوتاه مدت، و همچنین توسعه استراتژی های کارآمد برای استفاده از زیرساخت های موجود. به حداقل رساندن ترافیک/حادثه و بهبود ایمنی جاده ها. بدین ترتیب، نیاز به پرداختن به این چالش ها با در نظر گرفتن ادغام فناوری داده های بزرگ با سایر فناوری های نوظهور در بخش حمل و نقل و بهره برداری از آنها برای کاربردهای حمل و نقل SC وجود دارد. از این رو، این مقاله نیاز به ابداع یک رویکرد یکپارچه پیشرفته را برای مقابله با چالش‌های عظیم پیش روی صنعت حمل‌ونقل SC، با تمرکز بر استفاده از فناوری‌های نوظهور اطلاعات و داده‌محور (به عنوان پنج مورد) مورد توجه قرار داد. هدایت نیروهای فناورانه در حال ظهور) برای کاربردهای حمل و نقل SC. این مقاله همچنین چندین مورد استفاده را بررسی می‌کند که می‌توانند برای استراتژی‌های حمل و نقل SC مورد استفاده قرار گیرند. با تمرکز بر استفاده از اطلاعات نوظهور و فناوری‌های مبتنی بر داده (که به عنوان پنج نیروی محرک فن‌آوری نوظهور شناخته می‌شود) برای کاربردهای حمل و نقل SC. این مقاله همچنین چندین مورد استفاده را بررسی می‌کند که می‌توانند برای استراتژی‌های حمل و نقل SC مورد استفاده قرار گیرند. با تمرکز بر استفاده از اطلاعات نوظهور و فناوری‌های مبتنی بر داده (که به عنوان پنج نیروی محرک فن‌آوری نوظهور شناخته می‌شود) برای کاربردهای حمل و نقل SC. این مقاله همچنین چندین مورد استفاده را بررسی می‌کند که می‌توانند برای استراتژی‌های حمل و نقل SC مورد استفاده قرار گیرند.
در این مقاله، ما یک بررسی جامع و مطالعات نماینده با تمرکز بر فناوری‌های نوظهور از پنج دیدگاه مبتنی بر اطلاعات و داده‌ها ارائه می‌کنیم: (۱) رویکردهای اطلاعات جغرافیایی. (۲) رویکردهای تحلیل داده. (۳) رویکردهای یادگیری ماشین؛ (۴) رویکردهای یادگیری عمیق یکپارچه. (۵) رویکردهای هوش مصنوعی. ادامه مقاله به شرح زیر است. بخش ۲ روش تحقیق را ارائه می دهد در حالی که بخش ۳ یک نمای کلی از حمل و نقل هوشمند و مقایسه ارائه می دهد. پس از آن بخش ۴ ، بخش ۵ و بخش ۶ دنبال می شودکه در مورد تأثیرات اطلاعات جغرافیایی بر حمل و نقل SC، حمل و نقل مبتنی بر داده، و فناوری کلان داده، و همچنین رویکردهای یادگیری ماشین برای حمل و نقل SC بحث می کند. بخش ۷ روندهای اخیر را با استفاده از یادگیری عمیق یکپارچه به سمت حمل و نقل SC مورد بحث قرار می دهد و بخش ۸ برخی بحث ها را در مورد حمل و نقل تقویت شده توسط سایر تکنیک های هوش مصنوعی (AI) ارائه می دهد. بخش ۹ مقاله را به پایان می رساند.

۲٫ روش تحقیق

یکی از اهداف و مشارکت های اصلی این مقاله، ارائه یک مطالعه جامع از آخرین فنون و رویکردهای حمل و نقل SC، با تمرکز بر فناوری های نوظهور، که به عنوان پنج نیروی محرک فن آوری نامیده می شوند، بود. مرور ادبیات به عنوان یک رویکرد معتبر و یک گام ضروری در ساختار یک زمینه تحقیقاتی در نظر گرفته شده است، و بنابراین بخشی جدایی ناپذیر از پژوهش را تشکیل می دهد [ ۱۶ ]. در نتیجه، این مطالعه یک روش تحقیق چهار مرحله‌ای را اتخاذ می‌کند که در [ ۱۶ ، ۱۷ ] استفاده شده است.] برای جمع آوری و تجزیه و تحلیل ادبیات، یعنی (۱) تعریف واحد تجزیه و تحلیل، (۲) انتخاب زمینه طبقه بندی، (۳) جمع آوری نشریات و ترسیم زمینه، (۴) تجزیه و تحلیل یا ارزیابی مطالب. بنابراین، در چارچوب پارامترهای این هدف، این مطالعه ادبیاتی را ارائه می‌کند که شامل بیش از ۸۶۷ مقاله پژوهشی از مجلات و بیش از ۲۰۳ مرجع استناد شده در پایان است.
ادبیات در دو دسته اصلی ساختار یافته است، یعنی: (۱) مروری بر حمل و نقل و مقایسه شهر هوشمند، و (۲) فناوری های نوظهور برای حمل و نقل SC. شکل ۲ خلاصه ای از دامنه بررسی های این مقاله را نشان می دهد و جدول ۱ خلاصه ای از توصیفگرها و مراجع طبقه بندی را نشان می دهد که حوزه ها، بحث ها و مطالعات را نشان می دهد. مقالات مربوطه با استفاده از Google Scholar، IEEE Explore، و پایگاه داده Scopus از سال ۲۰۱۰ به بعد جستجو شده است، در حالی که سایر مقالات از طریق ارجاع متقابل به دست آمده اند. با این حال، همانطور که در شکل ۳ نشان داده شده است، طیف گسترده ای از انتشارات بین سال های ۲۰۱۷ و ۲۰۲۰ یافت شد.; این ابزار برای نویسندگان بود تا جستجوی خود را به منظور شناسایی هرگونه انتشارات گمشده، از جمله موارد سنتی و جدید مرتبط با کلمات کلیدی، اصلاح کنند. نویسندگان در یافتن انتشارات مرتبط، یک مقاله پژوهشی واحد را نیز به عنوان واحد تحلیل در نظر گرفتند و از مجموعه ای از کلیدواژه ها برای اطمینان از جمع آوری تعداد زیادی از مطالعات استفاده کردند. این مطالعات در دو زمینه اصلی، یعنی: (۱) زمینه مشکل و (۲) زمینه راه حل/روش، برای پوشش کافی هر دو مطالعه در مورد استراتژی های حمل و نقل شهر هوشمند، و همچنین روش های استفاده از فناوری های نوظهور برای حمل و نقل شهری هوشمند، مورد تجزیه و تحلیل قرار گرفته اند. برنامه های کاربردی، به منظور رفع مشکلات.

۳٫ مروری بر حمل و نقل و مقایسه SC

این بخش یک مرور کلی از حمل و نقل SC و مقایسه برخی از ادبیات ارائه می دهد. تلاش‌های تحقیقاتی متعددی برای مطالعه آثار قبلی و تعیین اینکه چگونه فناوری‌های فعال کننده حمل و نقل SC می‌توانند به طور موثر مورد استفاده قرار گیرند، انجام شده است. شهرهای هوشمند (SC) از انواع حسگرها برای جمع آوری داده ها برای انجام تجزیه و تحلیل استفاده می کنند. نویسندگان در [ ۱۸] چندین ویژگی SCها مانند حکمرانی هوشمند، جوامع هوشمند، اقتصاد هوشمند، محیط هوشمند و تحرک هوشمند را مورد بحث قرار داد. ویژگی تحرک هوشمند به ادغام فناوری اطلاعات و ارتباطات و حمل و نقل پایدار اشاره دارد. نقش ITS در SC ها تمرکز اصلی یک SC است. یک سیستم حمل و نقل هوشمند چندین برنامه کاربردی مانند نظارت بر ترافیک را امکان پذیر می کند و شرکت کنندگان در ترافیک را در مورد خطرات و موقعیت های احتمالی آگاه می کند. بحث های زیر مروری بر حمل و نقل SC ارائه می کند که با بررسی فعلی مقایسه شده است.
حمل و نقل هوشمند: سیستم‌های حمل و نقل هوشمند (ITS) از فناوری‌های مختلفی استفاده می‌کنند که از برنامه‌های اصلی مانند سیگنال‌های ترافیکی، سیستم‌های کنترل و نظارت تا برنامه‌های کاربردی مفید مانند هدایت پارکینگ و سیستم‌های اطلاعاتی مبتنی بر تصمیم‌گیری را شامل می‌شود. یک مثال از یک برنامه کاربردی حمل و نقل هوشمند، سیستم هوشیاری هوشمند (IVS) برای خدمات حمل و نقل هوشمند برای SC است که توسط نویسندگان در [ ۱۹ ] پیشنهاد شده است. شکل ۴معماری چارچوب IVS پیشنهادی را نشان می دهد. IVS از اشکال مختلفی از فناوری ICT برای سنجش داده ها، پردازش اطلاعات و ذخیره سازی ابری استفاده می کند که برای اجرای برنامه مفید IVS یکپارچه شده اند. نویسندگان استفاده از یکی از پنج نیروی محرک تکنولوژیک تحت بررسی ما – فناوری کلان داده (شامل IoT، ICT، و فناوری های داده کاوی، که به عنوان سه ستون هر پروژه حمل و نقل SC نامیده می شوند) را برای ITS پیشنهاد کردند. هدف اصلی آنها استفاده از فناوری های کلان داده برای مقابله با مسائل مختلف ITS از جمله ایمنی، امنیت و مدیریت بود. در مقابل، ما ترکیبی از پنج نیروی محرک فن‌آوری را در زمینه استراتژی‌های حمل‌ونقل SC مطالعه کردیم.
معماری سیستم حمل و نقل: این بخش برخی از مطالعات مروری را در مورد معماری های حمل و نقل SC ارائه می دهد. نویسندگان در [ ۲۰ ] مطالعه ای انجام دادند و معماری های مختلف حمل و نقل را برای کاربردهای SC مورد بحث قرار دادند. این معماری ها کاربردهای مختلفی مانند ارتباطات ترافیکی، وسایل نقلیه مشترک، ناوبری و انرژی را مورد توجه قرار دادند. در [ ۲۱ ]، نویسندگان یک معماری حمل و نقل هوشمند پارکینگ ماشین مبتنی بر ابر را برای SC ها پیشنهاد کردند. آنها ابتدا این را در محوطه دانشگاه با استفاده از سه طبقه در معماری ایجاد کردند ( شکل ۵ را ببینید): (۱) Cloud Tier—سرویس های ذخیره سازی و محاسباتی ابری. داده ها شامل پارکینگ ها، ماشین رانده شده، و مکان کاربر است. (۲) ردیف سرورهای وب – اتصال لایه برنامه های کاربردی تلفن همراه و لایه ابر. از استقرار برنامه‌ها پشتیبانی می‌کند و محیطی را برای مدولار کردن برنامه‌ها در یک بسته فراهم می‌کند. و (۳) ردیف برنامه های کاربردی تلفن همراه – درخواست هایی را از سرور وب پارکینگ خودرو ارائه می دهد و پارکینگ های موجود را درخواست می کند. سرور با دنبال کردن مشخصات کاربر، یک پارکینگ ماشین موجود را پیدا می کند و اطلاعات رانندگی برنامه را به کاربر برمی گرداند.
نویسندگان در [ ۲۲ ] یک معماری سیستم حمل و نقل عمومی هوشمند را با استفاده از اتوبوس های هوشمند مبتنی بر GPS، بلیط هوشمند و جمع آوری خودکار کرایه پیشنهاد کردند. معماری سیستم آنها شامل سه ماژول بود: (۱) ماژول فرستنده اتوبوس. (۲) ماژول کنترل پایانه اتوبوس. و (۳) ماژول خدمات مسافری. ماژول فرستنده اتوبوس شامل یک ماژول GPS، یک کامپیوتر تک بردی (رزبری پای) و یک ماژول GSM بود. ماژول خدمات مسافری شامل یک برنامه تلفن هوشمند برای یافتن مکان اتوبوس و زمان رسیدن به مقصد است. نویسندگان در [ ۲۳ ] یک سیستم حمل و نقل SC و چارچوبی برای حاکمیت سیستم ها را با استفاده از طبقه بندی سیستم حمل و نقل زمینی سنگاپور (SLTS) مورد بحث قرار دادند. شکل ۶موجودیت ها و روابط درون SLTS را نشان می دهد. چارچوب حاکمیتی برای سیستم حمل و نقل SC نسل بعدی نشان داده شده است که بدنه حاکم و SLTS را به تصویر می کشد. نویسندگان در [ ۲۴ ] رویکردی به نام ACP (سیستم مصنوعی، آزمایش محاسباتی و اجرای موازی) ارائه کردند و بر روی یک سیستم مدیریت و کنترل حمل و نقل موازی (PTMS) تمرکز کردند. یک معماری جدید برای ساخت نسل جدید سیستم های حمل و نقل هوشمند (ITS) که بسط PTMS است، پیشنهاد شد. شکل ۷معماری حمل و نقل هوشمند پیشنهادی ACP را نشان می دهد. رویکرد آنها از فناوری‌های IoT و محاسبات ابری برای حمل و نقل اجتماعی و سیستم‌های مبتنی بر عامل استفاده می‌کرد. در رویکرد آنها، کنترل ترافیک مبتنی بر عامل از استقلال و سازگاری خود برای مدیریت ماهیت پویا محیط های ترافیکی استفاده می کند. برخلاف روش‌های کنترل مرسوم، که ایستا هستند، عوامل را می‌توان در زمان واقعی بر اساس وضعیت ترافیک اطراف تطبیق داد. عوامل ترافیک به عنوان نرم افزار به عنوان یک سرویس (SaaS) پیاده سازی شده و در داخل شبکه سیار هستند. این برنامه بر روی چارچوب MapReduce پیاده سازی شد.
بحث های فوق به معماری های حمل و نقل SC موجود محدود شده و با پارامترهای مختلف با هدف ایجاد معماری های نرم افزاری قوی و عمومی برای بخش حمل و نقل SC مقایسه می شود. راه‌حل‌های معماری پیشنهادی برای پرداختن به چند موضوع، از جمله پارکینگ، ناوبری، مدیریت انرژی و غیره هدف‌گذاری شده‌اند. در مقایسه با مطالعه ما، بحث‌های فوق‌الذکر یک مطالعه مروری جامع ارائه نمی‌دهند و تنها به راه‌حل‌های معماری محدود می‌شوند. علاوه بر این، مطالعات اخیر نشان می‌دهد که چالش‌های صنعت حمل‌ونقل SC از ارائه و کاربرد صرف راه‌حل‌های معماری پیشی می‌گیرد، بلکه نیازمند برخی راه‌حل‌ها-استراتژی‌های یکپارچه است که در مطالعه حاضر مورد بررسی قرار گرفته‌اند.
نظارت و مدیریت ترافیک — این بخش به بررسی چند کار تحقیقاتی مرتبط با مدیریت و نظارت ترافیک برای SC ها می پردازد. هدف مدیریت ترافیک اطمینان از اثربخشی تقاطع ها، جاده ها و بزرگراه ها است. این سیستم ها اطلاعات مفیدی را در اختیار کاربران جاده قرار می دهند (به عنوان مثال، اطلاعات در زمان واقعی و پیش بینی تراکم ترافیک) و در مورد پیاده سازی سیستم های هوشمند برای کاهش اثرات منفی (مانند تصادفات جاده ای، تراکم ترافیک). اطلاعات مفید در مورد الگوهای ترافیک را می توان با اتصال روشنایی هوشمند و سیگنال ها با سیستم های کنترل ترافیک جمع آوری کرد. نویسندگان در [ ۲۵] یک سیستم ترافیکی هوشمند را برای کاهش زمان انتظار وسایل نقلیه پیشنهاد کرد. سیستم تطبیقی ​​آنها از آشکارسازها برای جمع آوری اطلاعات در مورد وضعیت جاده استفاده می کند که برای محاسبه زمان بهینه سیگنال ترافیک استفاده می شود. نویسندگان در [ ۲۶ ] یک رویکرد برای برنامه ریزی مسیر آگاه از تراکم مکانی-زمانی برای ITS پیشنهاد کردند. آنها فناوری SDN را در ITS تعبیه کردند و یک مدل مبتنی بر شبکه برای تعیین کمیت احتمال تراکم ترافیک برای پیش‌بینی پیشنهاد کردند. شکل ۸ SC فعال شده با SDN و مدل تعبیه شده در مربع شبکه را نشان می دهد. احتمال تراکم ترافیک یک منطقه با میانگین جریان ترافیک در هر منطقه مربع متناسب است.
پیش‌بینی جریان ترافیک مشکل مهمی است که باید برای محیط‌های SC مورد توجه قرار گیرد. وظایف پیش بینی را می توان بر اساس مدت زمان ترافیک پیش بینی شده به سه دسته طبقه بندی کرد: (۱) پیش بینی طولانی مدت ترافیک. (۲) پیش بینی ترافیک میان مدت؛ و (۳) پیش بینی ترافیک کوتاه مدت. نویسندگان در [ ۲۷ ] یک بررسی در این حوزه کاربردی SC ارائه کرده اند. نویسندگان در [ ۲۸] رویکردهای پیش بینی جریان ترافیک را به پنج دسته طبقه بندی می کند: (۱) مدل های تحلیل آماری. (۲) مدل های هوش مصنوعی (AI)؛ (۳) مدل های تئوری غیر خطی. (۴) مدل های شبیه سازی ترافیک. (۵) مدل های پیش بینی ترکیبی. مطالعات فوق به پیش‌بینی و نظارت بر جریان ترافیک محدود می‌شود و بنابراین محدودیت‌هایی با توجه به ابداع راه‌حل‌ها-استراتژی‌های جامع، که نیاز به همکاری پنج نیروی تکنولوژیکی دارد، همانطور که در مطالعه ما برای کاربردهای حمل‌ونقل SC ارائه شده است، دارد. جمع‌بندی تحقیقات آن‌ها تنها جزئی از چندین مکانیسم راه‌حل بررسی شده در مطالعه حاضر است. برخلاف مطالعه ما، مطالعات آنها فاقد یک بررسی جامع از یک رویکرد یکپارچه برای رسیدگی به مسائل مختلف موثر بر صنعت حمل و نقل SC است.
حمل و نقل اجتماعی و جمع سپاری – سیستم های شبکه های اجتماعی را می توان برای توسعه سیستم های حمل و نقل هوشمند مورد استفاده قرار داد. به عنوان مثال، نگهداری و بهبود خدمات حمل و نقل عمومی در SC ها مهم است. با این حال، پیاده سازی ویژگی های جدید و بهبود یافته می تواند پرهزینه باشد. یک رویکرد مبتنی بر اجتماعی می‌تواند برای جمع‌آوری داده‌های ردیابی بلادرنگ با استفاده از سنجش مشارکتی، که به‌عنوان سنجش جمعیت موبایل یا جمع‌سپاری نیز نامیده می‌شود، استفاده شود. در این رویکرد، از دستگاه های تلفن همراه مسافران برای جمع آوری داده ها استفاده می شود. نویسندگان در [ ۲۹ ] یک سرویس اطلاعات حمل و نقل عمومی مبتنی بر crowdsensing را برای برنامه های کاربردی SC (نشان داده شده در شکل ۹ ) پیشنهاد کردند.
رویکرد آنها از یک رابط کاربری اندروید به نام TrafficInfo (نشان داده شده در شکل ۱۰ ) استفاده می‌کند که بر روی یک چارچوب ارتباطی XMPP برای تسهیل توسعه برنامه شهر هوشمند با کمک جمعیت پیاده‌سازی شده است. نویسندگان از XMPP و مدل ارتباطی انتشار/اشتراک عمومی آن در چارچوب برای اجرای تعاملات استفاده کردند. همچنین می‌توان آن را برای استفاده از OpenStreetMap (OSM) پیکربندی کرد [ ۳۰] که یک سرویس نقشه برداری مبتنی بر جمع سپاری است. TrafficInfo سه ویژگی اصلی دارد: (۱) تجسم. (۲) به اشتراک گذاری اطلاعات، و (۳) سنجش. شکل اسکرین شات های TrafficInfo برای تجسم خودرو، فرم بازخورد کاربر و جریان داده های حسگر در TrafficInfo را نشان می دهد. باز هم، این رویکردها به مسائل حیاتی بخش حمل و نقل SC، همانطور که در مطالعه ما مورد بررسی قرار گرفت، که نیاز به یک راه حل یکپارچه با استفاده از پنج فناوری نوظهور که در حال حاضر توسط مطالعه حاضر بررسی می شوند، نمی پردازند.
خدمات تحویل بسته به دلیل رشد سریع خرده فروشان آنلاین تقاضای زیادی دارد. نویسندگان در [ ۳۱ ] یک توزیع بسته در سطح شهر و چارچوبی به نام سیستم حمل و نقل عمومی جمع‌سپاری (CPTS) پیشنهاد کردند. هدف این رویکرد استفاده از ظرفیت بیکاری وسایل نقلیه CPTS است. چهار حالت (انتظار، سواری، انتظار مجدد و تخلیه) در تحویل بسته وجود دارد. طرح تحویل، وضعیت هر بسته را در هر بازه زمانی تعیین می‌کند و زمان بهینه را برای تحویل همه بسته‌ها محاسبه می‌کند. نویسندگان این مشکل را به عنوان یک مسئله NP-hard فرموله کردند و یک راه حل اکتشافی کارآمد با استفاده از تکنیک های ILP پیشنهاد کردند. شکل ۱۱مقایسه ای بین مدل توزیع لجستیک سنتی، که در آن هر شرکت لجستیکی بسته ها را به طور مستقل بین مشتریان خود توزیع می کند و رویکرد پیشنهادی را نشان می دهد. کار آزمایشی آنها با استفاده از شبیه سازی با داده های یک شبکه حمل و نقل اتوبوس واقعی تایید شد.
جوخه برای حمل و نقل پایدار در شهرهای هوشمند – در یک SC، اطمینان از توسعه پایدار حمل و نقل شهری، که مصرف سوخت و همچنین کارایی ترافیک را در نظر می گیرد، مهم است. پلاتونینگ یک برنامه رانندگی مشارکتی است که در آن وسایل نقلیه خودمختار در یک خط به شیوه ای قطار مانند حرکت می کنند [ ۳۲ ]. وسایل نقلیه در خط در یک فاصله ثابت بین خودرو نگهداری می شوند تا مصرف سوخت کاهش یابد و ایمنی جاده به دست آید. نویسندگان در [ ۳۳] یک چارچوب سیستماتیک برای تشکیل جوخه خودرویی پیشنهاد کرد. در رویکرد آنها، ابتدا یک مدل سرعت بهینه برای بهینه سازی مصرف سوخت کل محاسبه می شود. سپس، یک نقطه درج بر اساس یک مدل یادگیری Q مشتق شده و برای وسایل نقلیه در جوخه استفاده می شود. رویکرد آنها همچنین یک مدل تشخیص برخورد برای وسایل نقلیه جدیدی که به جوخه می‌پیوندند طراحی کرد.
حمل و نقل با پهپاد برای شهرهای هوشمند – پهپادها نیز برای ایفای نقش در حمل و نقل هوشمند برای SCها پیشنهاد شده اند. نویسندگان در [ ۳۴ ] پتانسیل پهپادها در حمل و نقل SC را مورد بحث قرار دادند. برخی از نمونه‌هایی از برنامه‌هایی که می‌توانند توسط پهپادها فعال شوند عبارتند از عوامل گزارش تصادف هوایی، دوربین‌های سرعت هوایی، پلیس هوایی، و علائم ترافیک هوایی. شکل ۱۲ یک معماری حمل و نقل هوشمند پهپاد را برای یک عامل گزارش سانحه هوایی نشان می دهد، که در آن یک پهپاد می تواند به محل حادثه پرواز کند و گزارش یا زنگ هشدار (به عنوان مثال، ویدئو) را صادر کند و سپس فرود بیاید و گزارش یا هشدار خود را برای سایر پهپادها ارسال کند.
اشتراک سواری در شهرهای هوشمند – اشتراک گذاری سواری در شهرهای هوشمند مزایایی مانند کاهش تراکم ترافیک، کاهش ردپای کربن و هزینه سفر، امکان حل جزئی برای مشکلات پارکینگ و غیره را فراهم می کند. نویسندگان در [ ۳۵ ] امکان تعیین کمیت یک فرد را مورد بحث قرار دادند. کمک به پایداری و یک رویکرد مشوق متقابل برای تشویق توسعه رفتاری داوطلبانه به سمت راه‌حل‌های تحرک پایدار. آنها همچنین چارچوبی به نام WeDoShare را پیشنهاد کردند که یک چارچوب اشتراک سواری در حمل و نقل برای تحرک پایدار در SCها است. شکل ۱۳نمای مفهومی WeDoShare را در یک سیستم حمل و نقل مبتنی بر اینترنت اشیا نشان می دهد. این کار به مسائل اشتراک سواری و ترویج مشارکت طولانی مدت مالکان وسایل نقلیه تک نفره (SOV) در اشتراک سواری پرداخت.
اشتراک گذاری وسایل نقلیه چند ایستگاهی در شهرهای هوشمند – نویسندگان در [ ۳۶ ] یک معماری سیستم حمل و نقل را برای اشتراک گذاری وسایل نقلیه چند ایستگاهی پیشنهاد کردند. سه جزء در این معماری وجود دارد: (۱) جزء ثبت سفر کاربر. (۲) جزء مدیریت سیستم. (۳) جزء خودرو. مؤلفه ثبت سفر کاربر درخواست های وسایل نقلیه را ثبت می کند که نیاز به ثبت نام دارد. مؤلفه مدیریت سیستم حاوی اطلاعات کاربران، وسایل نقلیه و درخواست‌ها است. داده های وسایل نقلیه و کیوسک های ثبت نام را می توان برای ارائه اطلاعات در مورد رفتار سفر کاربر و عملکرد وسیله نقلیه تجزیه و تحلیل کرد. از فرستنده های رادیویی می توان برای ارتباط با مدیریت سیستم استفاده کرد.
حمل و نقل زباله در شهرهای هوشمند – یک کارکرد مهم در SCها جمع آوری و مدیریت زباله جامد است. نویسندگان در [ ۳۷ ] مطالعه ای را در مورد روش هایی برای حمل و نقل و بازیافت کارآمد زباله مورد بحث قرار دادند. کار آنها راه حل های مبتنی بر اینترنت اشیا برای مدیریت حمل و نقل زباله را در نظر گرفت که شامل دو مورد استفاده بود: (۱) بررسی و جمع آوری داده ها. (۲) سیستم حمل و نقل زباله هوشمند مبتنی بر اینترنت اشیا. نویسندگان شبیه سازی ها را انجام دادند و یک سیستم نمونه اولیه را با استفاده از مطالعه موردی یک منطقه مترو پیاده سازی کردند. سناریوهای شبیه سازی برای: (۱) جمع آوری زباله; (۲) بازیافت زباله. شکل ۱۴شبیه سازی جمع آوری زباله و شبیه سازی بازیافت زباله را نشان می دهد. کار آنها چندین مزیت را برای SCها نشان داد، از جمله کاهش تراکم ترافیک، و در نتیجه صرفه جویی در مصرف سوخت و زمان.
همه کارهای فوق الذکر موضوع را پیش می برند، اما نیاز به بررسی همه جانبه تأثیرات تکنولوژیکی پنج نیروی محرکه و فناوری های نوظهور – (۱) اطلاعات جغرافیایی، (۲) فناوری داده محور و کلان داده، (۳) ماشین را نادیده گرفته یا نادیده گرفته اند. یادگیری، (۴) یادگیری عمیق یکپارچه، و (۵) هوش مصنوعی (AI) در زمینه استراتژی های حمل و نقل SC. چنین مطالعه جامعی با توجه به آشنایی محققان با روندهای اخیر و فناوری های پیشرفته ای که می تواند برای استراتژی های حمل و نقل SC مورد استفاده قرار گیرد، بسیار مهم و حیاتی است. در مقایسه با سایر رویکردها، این مطالعه با هدف بررسی جامع اثرات ترکیبی پنج نیروی محرک فن آوری در زمینه استراتژی های حمل و نقل SC انجام شد. همچنین متذکر می شویم که،

۴٫ تأثیرات اطلاعات جغرافیایی بر حمل و نقل SC

این بخش تأثیر اطلاعات جغرافیایی بر حمل و نقل SC و برخی از کارهای نمایندگی در این زمینه را ارائه می دهد. برخی از مطالعات در مورد استفاده از اطلاعات جغرافیایی و فناوری‌های مکانی در SCها را می‌توان در [ ۳۸ ، ۳۹ ، ۴۰ ] یافت. نویسندگان در [ ۴۱ ] در مورد تبدیل فضاهای شهری سنتی به فضاهای دیجیتال و استفاده از اطلاعات جغرافیایی برای استقرار در SCها بحث کردند. نویسندگان در [ ۴۲ ] چارچوب های SC و اثرات زیست محیطی راه حل های ICT را بررسی کردند. اطلاعات جغرافیایی و فناوری ارتباطات (GeoICT) راه حل هایی را برای پایداری در SC ارائه می دهد. نویسندگان در [ ۴۳] مطالعه ای را ارائه کرد که نقش GeoICT را در توسعه SC ها برجسته کرد. نویسندگان در [ ۳۹ ] رویکردی را برای مشارکت ژئوماتیک به نام GeoSmartCity ارائه کردند. رویکرد آنها از داده هایی مانند مکان، مسیریابی، همبستگی و تعاملات فضایی استفاده می کرد. ابزارهای تجسم اطلاعات بی‌درنگ را بر روی نقشه‌های رنگی که جریان ترافیک را نشان می‌دهند، ارائه می‌کنند.
نویسندگان در [ ۴۴ ] کاربرد GeoDesign در SCها و چگونگی استفاده از برنامه ریزی سه بعدی را برای طراحی پایدار مورد بحث قرار دادند. نویسندگان در [ ۴۵ ] رویکردی برای ادغام مدل سه بعدی در سیستم های اطلاعات جغرافیایی (GIS) پیشنهاد کردند. در این کار، نویسندگان سودمندی یک مدل سه بعدی را مورد بحث قرار دادند که می تواند به عنوان ورودی برای سایر مدل های شهری مانند شبکه های مخابراتی، مدیریت بلایا و برنامه ریزی انرژی های تجدیدپذیر استفاده شود. نویسندگان در [ ۴۶ ] یک رویکرد ۳D-GIS چند مقیاسی را برای ارزیابی و انتشار درآمد خورشیدی مدل‌های شهر دیجیتال پیشنهاد کردند. نویسندگان در [ ۴۷] استفاده از خدمات مبتنی بر مکان (LBS) را با استفاده از دستگاه های تلفن همراه، شبکه ها و ارائه دهندگان خدمات پیشنهاد کرد. مکان کاربران و زمینه های آنها برای LBS مهم است [ ۴۸ ]. برخی از کاربردهای LBS برای SCها عبارتند از: امنیت، مدیریت بلایا و مدیریت نیروی کار سیار.
نویسندگان در [ ۴۹ ، ۵۰ ، ۵۱ ] استفاده از حجم زیادی از داده های مکانی-زمانی و بزرگ را برای SCs پیشنهاد کردند. تجزیه و تحلیل مکان یا تجزیه و تحلیل داده های بزرگ جغرافیایی [ ۵۲ ] شامل استفاده از محاسبات جغرافیایی و تجزیه و تحلیل فضایی برای استخراج دانش جدید است که می تواند در داده های مکانی-زمانی تعبیه شود. نمونه‌هایی از کاربردها را می‌توان در تجزیه و تحلیل داده‌های مکان برچسب‌گذاری‌شده جغرافیایی (مثلا توییتر)، مانند الگوهای فعالیت، تخمین جمعیت، و مدیریت بلایا [ ۵۳ ، ۵۴ ، ۵۵ ، ۵۶ ] یافت. پیشرفت در سنجش از دور (به عنوان مثال، داده های ماهواره ای) همچنین می تواند با ارائه اطلاعات در مورد محیط کمک کند [ ۵۷ ]]. این GeoICT ها از تصاویر ماهواره ای مشتق شده اند و مفهوم زمین دیجیتال و یک نمایش دیجیتال ارجاع داده شده از سیاره را تشکیل می دهند. استفاده از فناوری‌های مکانی می‌تواند در جهت تحلیل و پایش نواحی شهری بر اساس شاخص‌های محیطی مورد استفاده قرار گیرد [ ۵۸ ].
نویسندگان در [ ۵۹ ] رویکردی را برای تحلیل آسیب پذیری ها در سیستم های حمل و نقل شهری از طریق معیارهای شبکه های پیچیده پیشنهاد کردند. معیارهای شبکه پیچیده رویکردی برای مدل‌سازی تعاملات پیچیده بین اشیاء در ابعاد بالا است (به عنوان مثال، مسیرهای حمل‌ونقل و توقف‌ها را می‌توان به صورت نمودار مدل‌سازی کرد). نویسندگان در [ ۶۰ ] برخی از فن آوری های کلیدی در حمل و نقل هوشمند برای SC ها را مورد بحث قرار دادند. شکل ۱۵نمودار ساختاری سیستم حمل و نقل هوشمند را نشان می دهد. این سیستم از فناوری‌های مختلف ICT برای ترکیب تعاملات و ارتباطات بین موجودیت‌های مختلف (به عنوان مثال، افراد، وسایل نقلیه، جاده‌ها) در یک نقشه دیجیتالی استفاده می‌کند. برخی از کاربردها شامل انتخاب مسیر رانندگی بهینه بر اساس اطلاعات ترافیکی و موقعیت مکانی وسایل نقلیه با استفاده از فناوری موقعیت یابی GPS است.
نویسندگان در [ ۶۱ ] رویکردی به نام ELTRO برای مدل اطلاعات جغرافیایی یک سیستم حمل و نقل شناور مغناطیسی پیشنهاد کردند. پیشرفت اخیر در GIS مفهوم محلی سازی و برنامه ریزی همزمان (SLAM) را ارائه می دهد. نویسندگان در [ ۶۲ ] چارچوبی را برای ادغام فناوری های GIS و SLAM برای سیستم های حمل و نقل هوشمند پیشنهاد کردند. کار آنها استفاده از SLAM را برای شبکه های توزیع برق برای پشتیبانی از سیستم های حمل و نقل شهری و شارژ وسایل نقلیه الکتریکی (EVs) پیشنهاد کرد. اجرای آنها از یک SLAM متمرکز مبتنی بر ابر در چارچوب GIS برای اطمینان از تحویل توان پایدار، بر اساس پیش‌بینی بار از طریق محلی‌سازی خودرو استفاده کرد. نویسندگان در [ ۶۳] روش های زمین آماری برای تخمین سرعت حمل و نقل فردی پیشنهاد شده است. رویکرد آنها از تکنیک‌ها و روش‌های رگرسیون وزن‌دار جغرافیایی خانواده کریجینگ استفاده کرده و شرایط واقعی شهری را در نظر گرفته است. کار آزمایشی آنها از داده های واقعی نووسیبیرسک استفاده کرد. نویسندگان در [ ۶۴ ] تجزیه و تحلیل طبقه بندی پراکندگی شهری را با استفاده از پردازش تصویر در GIS پیشنهاد کردند. کار آنها از تصاویر ماهواره ای لانسات برای استخراج ویژگی استفاده می کرد.
نویسندگان در [ ۶۵] رویکردی به نام مدل‌سازی عامل پنهان داده‌های مسیر ترافیک پیشنهاد کرد. آنها یک مدل مولد به نام TraLFM برای استخراج الگوهای تحرک انسانی در مسیرهای ترافیکی پیشنهاد کردند. رویکرد آنها از سه مشاهدات استفاده کرد: (۱) الگوهای تحرک توسط توالی مکان‌ها در مسیرها منعکس می‌شوند. (۲) الگوهای تحرک با افراد متفاوت است. (۳) الگوهای تحرک چرخه ای هستند و در طول زمان تغییر می کنند. نویسندگان آزمایش‌های گسترده‌ای را روی سوابق عبور وسایل نقلیه (VPR) و داده‌های تاکسی انجام دادند. داده های VPR از سیستم نظارت ترافیک در شهر جینان جمع آوری شد. داده های تاکسی مجموعه ای از سفرهای کامل ۴۴۲ تاکسی در شهر پورتو بود. نتایج تجربی آنها نشان داد که رویکرد پیشنهادی TraLFM می‌تواند از پیش‌بینی‌های سایر روش‌های پیشرفته بهتر عمل کند.
نویسندگان در [ ۶۶ ] رویکردی را برای تخمین فاصله تأثیرگذاری ایستگاه‌های اتوبوس با استفاده از داده‌های GPS اتوبوس و ویژگی‌های ایستگاه اتوبوس پیشنهاد کردند. فاصله نفوذ یک ایستگاه اتوبوس، فاصله بین نقاط شروع و پایان منطقه است که در آن ترافیک جاده در نزدیکی آن تحت تأثیر منفی اتوبوس ها قرار می گیرد. هدف آنها تحلیل رفتار ترافیکی اتوبوس‌ها در اطراف ایستگاه‌های اتوبوس و نشان دادن تأثیرات شبکه اطراف بود. هدف کار آنها تعیین اینکه آیا پویایی های رفتاری مختلف ترافیک تحت تأثیر ویژگی های زمینه ای است (به عنوان مثال، تعداد خطوط، مکان های چراغ راهنمایی). شکل ۱۶پیش پردازش داده ها را با تطبیق نقشه نشان می دهد. کار آزمایشی آنها با استفاده از داده‌های ۱۲ مسیر اتوبوس مجزا در شهر استانبول تأیید شد که حاوی داده‌های GPS از بیش از ۵۰۰۰ وسیله نقلیه اتوبوس و ۴۵۰ ایستگاه اتوبوس بود.

۵٫ حمل و نقل داده محور و فناوری داده های بزرگ

داده ها جهان ما را متحول می کنند و شیوه زندگی و تعامل ما با جامعه را تغییر می دهند. این در حال تغییر روش جامعه ما و زیرساخت های آن و نحوه تولید کالاها و ارائه خدمات توسط صنایع است. داده ها به عنوان یک کالای دیجیتال در نظر گرفته می شوند که اگر به درستی مورد استفاده قرار گیرند، می توانند تغییرات اجتماعی قابل توجهی و همچنین توسعه اقتصادی را آزمایش کنند [ ۶۷ ]. با توسعه SC ها، تعداد زیادی از دستگاه های حسگر، دستگاه های ارتباط بی سیم، دستگاه های سخت افزاری، و همچنین برنامه های نرم افزاری با زیرساخت ها و خدمات ادغام شده اند تا داده های مربوط به زندگی روزمره ما را تولید کنند، که برای بهبود توسعه زیرساختی و ارائه خدمات استفاده می شود.
سیستم حمل و نقل به عنوان بخشی جدایی ناپذیر از جامعه و یک عنصر کلیدی در اکوسیستم SC روزانه حجم زیادی از داده ها را تولید می کند. در نتیجه حجم، تنوع و تغییرپذیری داده‌های حمل‌ونقل، انجام کارهای پرمصرف داده مانند یکپارچه‌سازی داده‌ها، تجسم داده‌ها، پرس و جو داده‌ها و تجزیه و تحلیل داده‌ها برای کاربردهای بلادرنگ گسترده، بسیار ضروری است. از پتانسیل داده ها استفاده کنید ابزارهای مرسوم پردازش داده موجود در تحقق مؤثر وظایف فوق برای کاربردهای گسترده در زمان واقعی ناتوان هستند [ ۶۸ ]]. کلان داده در این زمینه، به عنوان فناوری کلیدی پیشنهاد شده است که می تواند به طور موثر چالش های مربوط به داده ها را در صنعت حمل و نقل، به دلیل توانایی آن در به دست آوردن، ذخیره، مدیریت و تجزیه و تحلیل حجم زیادی از داده ها برای استخراج اطلاعات مفید مورد نیاز برای پیاده سازی، برطرف کند. ITS [ ۶۹ ].

۵٫۱٫ جمع آوری داده ها و منابع

پیشرفت‌های فناوری مانند اینترنت اشیا، رسانه‌های اجتماعی و غیره منابعی را گسترش داده است که از طریق آن می‌توان مقادیر عظیمی از داده‌ها را از دستگاه‌ها، وسایل نقلیه، حسگرها و افراد برای استفاده در ITS تولید و جمع‌آوری کرد. بنابراین جمع آوری داده در ITS به کار جمع آوری داده های تولید شده از این منابع با استفاده از کانال های مختلف مناسب اشاره دارد. نویسندگان در [ ۷۰ ، ۷۱] بینشی در مورد منابع و انواع داده های حمل و نقل ارائه می دهد. یکی از منابع جمع آوری داده های حمل و نقل، کارت هوشمند است. بسیاری از سیستم‌های حمل‌ونقل شهری (BRT، ریلی، و غیره) از سیستم‌های جمع‌آوری خودکار کرایه (AFC) استفاده می‌کنند که مسافران باید از کارت‌های هوشمند خود برای پرداخت کرایه استفاده کنند. هنگامی که مسافران از کارت های هوشمند خود استفاده می کنند (لمس می کنند)، خواننده الکترونیکی جزئیات مربوط به زمان سوار شدن، اطلاعات مبدأ-مقصد و غیره را ضبط می کند. شکل ۱۷ برخی از منابع جمع آوری داده ها را برای ITS نشان می دهد. جدول ۲ خلاصه ای از منابع جمع آوری داده های حمل و نقل و کاربردهای آنها را ارائه می دهد.

۵٫۲٫ تجزیه و تحلیل داده ها برای حمل و نقل

تجزیه و تحلیل داده ها فرآیند بازرسی، انتخاب، تبدیل، حاکمیت و نمایش داده ها با هدف کشف اطلاعات مفید و کمک یا تقویت سیستم های تصمیم گیری است. حمل و نقل بخشی جدایی ناپذیر از جامعه معاصر ما است. وسایل رفت و آمد مردم و کالاها را فراهم می کند و توسعه اقتصادی را پیش می برد. با افزایش جمعیت شهری، صنعت حمل و نقل با چالش توسعه استراتژی های موثر و کارآمد برای استفاده از زیرساخت های موجود و کاهش ترافیک مواجه است [ ۸۴ ].]. با ظهور SC و ITS، حسگرها، دستگاه‌های GPS، تلفن‌های هوشمند، سیستم‌های جمع‌آوری خودکار کرایه (AFC) و غیره برای تولید روزانه داده‌ها از مسافران، زیرساخت‌ها و خدمات حمل‌ونقل به کار گرفته شده‌اند. حجم زیادی از داده های تولید شده با مدل های پردازش داده پردازش می شود تا اطلاعات ارزشمندی به دست آید که می تواند توسط دولت ها و شرکت های خصوصی برای انجام تجزیه و تحلیل و نظارت عمیق برای تصمیم گیری آگاهانه برای افزایش کیفیت خدمات خود استفاده شود.
با این حال، اکثر ابزارهای مرسوم برای تجزیه و تحلیل داده ها، مانند پایگاه های داده رابطه ای، در ذخیره و مدیریت چنین داده های بسیار حجیمی دچار کمبود هستند [ ۸۵ ]. اخیراً، تجزیه و تحلیل داده های بزرگ در بسیاری از بخش ها از جمله صنعت حمل و نقل به کار گرفته شده است، زیرا پلتفرم های کلان داده را در بالاترین سطح برای استفاده از تکنیک های یادگیری، استنتاج الگو و بهینه سازی فراهم می کند. داده های بزرگ برخی از ویژگی هایی را ارائه می دهد که به آن برتری رقابتی نسبت به مدل های سنتی می دهد. چندین مطالعه پیشنهاد می‌کنند که استفاده از یک مدل ساده برای داده‌های بسیار پرحجم، نتایج دقیق‌تری نسبت به استفاده از الگوریتم‌های یادگیری پیچیده برای داده‌های کم حجم ایجاد می‌کند [ ۶۸ ]]. همچنین، تجزیه و تحلیل داده‌های بزرگ، پیچیدگی خود مدل‌ها و نحوه حمایت آن‌ها از محققان را برای دستیابی به بینش تازه تعریف می‌کند. کلان داده سرعت و کارایی را در خدمات حمل و نقل نوید می دهد، اگرچه حجم عظیم داده های بلادرنگ در حمل و نقل و به شیوه ای که تجزیه و تحلیل داده های بزرگ وضعیت اجزا در ITS را پیش بینی می کند، چالش های عمده ای را تشکیل می دهد که باید به آنها توجه شود. در این زمینه، چندین مطالعه برای ترکیب تجزیه و تحلیل داده های بزرگ در بخش حمل و نقل انجام شده است.
نویسندگان در [ ۸۷] یک تکنیک تحلیلی برای مدیریت داده های عظیم در مورد شمارش حجم ترافیک و انجام تحلیل تراکم طراحی کرد. این مطالعه با استفاده از داده‌های حجم عظیم ترافیک جمع‌آوری‌شده توسط دستگاه‌های شناسایی فرکانس رادیویی (RFID) در نانجینگ، چین انجام شد. هدف آن‌ها استفاده از نرم‌افزار، رویکردهای تحلیلی و مجازی‌سازی برای داده‌ها برای تعیین ساعات اوج مصرف، ساعات کم بار و مکان‌هایی با حجم ترافیک زیاد و کم بود. نویسندگان سه مجموعه داده برای حرکت وسیله نقلیه، خواننده RFID و نوع وسیله نقلیه به دست آوردند. ویژگی های ثبت شده در داده های حرکت خودرو شامل شماره مجوز، زمان و تاریخ شناسایی شده توسط RFID خوان، کد شناسایی نوع وسیله نقلیه، شماره خط جاده، محل شناسایی خودرو، و کدهای شناسایی خواننده RFID که وسیله نقلیه را شناسایی کرده است.
نویسندگان در [ ۸۸] یک چارچوب تجزیه و تحلیل ترافیک خودرو در زمان واقعی را بر اساس تجزیه و تحلیل داده های بزرگ و دستگاه های اینترنت اشیا پیشنهاد کرد تا پیش بینی هایی را برای سیاست گذاری آینده در حمل و نقل هوشمند ارائه دهد. این مطالعه در چهار مسیر در منطقه ارناکولام در ایالت کرالا در یک دوره اوج بار از ۷ صبح تا ۸:۳۰ صبح و ۴:۰۰ بعد از ظهر تا ۶:۳۰ بعد از ظهر با استفاده از چهار اتوبوس انجام شد. هدف آنها ارائه راهنمایی به مقامات تصمیم‌گیر برای توسعه سیاست‌های حمل‌ونقل، مانند تصمیم‌گیری در مورد نیاز به سپر جاده یا سرعت‌شکن با همبستگی داده‌ها با تجزیه و تحلیل ترافیک روزانه، و در تخصیص بودجه به پروژه‌های زیربنایی در آینده بود. سیستم پیشنهادی از چهار ماژول تشکیل شده است – یک ماژول GPS، یک ماژول اینترنت اشیا برای جمع آوری داده های GPS، یک ماژول سرور (برای دریافت داده ها) و یک ماژول برنامه تلفن همراه. سیستم پیشنهادی همچنین از Hadoop و Apache Spark برای تجزیه و تحلیل داده های تاریخی ذخیره شده و داده های بلادرنگ استفاده می کند. ماژول GPS بر روی خودروها قرار داده شد در حالی که ماژول گیرنده در بخش کنترل قرار داشت و داده های تولید شده در فواصل زمانی مختلف برای شناسایی مسیرهای شلوغ منظم جمع آوری و تجزیه و تحلیل شدند. نتایج توسط ماژول فرستنده به بخش کنترل منتقل شد، که در کنار بخش نرم افزار، تراکم را ارزیابی کرده و یک تحلیل گرافیکی از جریان ترافیک را به عنوان خروجی به کاربران نهایی از طریق یک برنامه تلفن همراه ارائه می‌کند. و داده های تولید شده در فواصل زمانی مختلف برای شناسایی مسیرهای شلوغ منظم جمع آوری و تجزیه و تحلیل شدند. نتایج توسط ماژول فرستنده به بخش کنترل منتقل شد، که در کنار بخش نرم افزار، تراکم را ارزیابی کرده و یک تحلیل گرافیکی از جریان ترافیک را به عنوان خروجی به کاربران نهایی از طریق یک برنامه تلفن همراه ارائه می‌کند. و داده های تولید شده در فواصل زمانی مختلف برای شناسایی مسیرهای شلوغ منظم جمع آوری و تجزیه و تحلیل شدند. نتایج توسط ماژول فرستنده به بخش کنترل منتقل شد، که در کنار بخش نرم افزار، تراکم را ارزیابی کرده و یک تحلیل گرافیکی از جریان ترافیک را به عنوان خروجی به کاربران نهایی از طریق یک برنامه تلفن همراه ارائه می‌کند.
نویسندگان در [ ۸۹] روشی را برای تخمین رفتار مسافران هنگام پیاده‌روی در ایستگاه‌های اتوبوس با استفاده از داده‌های تراکنش جمع‌آوری خودکار کرایه (AFC) که از کارت‌های هوشمند کاربران حمل و نقل سریع اتوبوس (BRT) بین پایانه‌های اتوبوس و راهروها تولید می‌شود، پیشنهاد کرد. این روش از ماتریس های مبدا-مقصد (OD) به عنوان پارامترهای خود برای تخمین استفاده کرد. این مطالعه از داده‌های تراکنش به‌دست‌آمده از سیستم‌های پرداخت AFC، با مکانیسم ورود-خروج یک سیستم BRT در جاکارتا استفاده کرد. داده‌ها برای حذف داده‌های تکراری و تراکنش‌های منفرد، فیلتر کردن تراکنش‌های تکمیل‌شده (ضربه ورود و خروج) و طبقه‌بندی تراکنش‌هایی که در زمان‌های مجاور شنود شده‌اند، از قبل پردازش شدند. اطلاعات استخراج شده و مورد استفاده برای اجرای الگوریتم شامل مهر زمانی تراکنش، شماره سریال کارت هوشمند، وضعیت پرچم (در داخل یا خارج)، ایستگاه اتوبوس، راهروهای فرعی، مرجع راهروها، و توقف ها بود. این مطالعه با توسعه ماتریس‌های OD، ایستگاه فرود کاربر BRT در جاکارتا را در چندین سطح از راهروهای موجود تخمین زد. نتیجه با داده های خروجی AFC به عنوان ایستگاه پرواز معتبر تأیید شد. مقایسه نتایج این روش در سطوح مختلف اعتبار با تخمین ماتریس های OD نشان داد که این روش تا ۹۴ درصد نتایجی را ارائه می دهد.
نویسندگان در [ ۹۰] از مجموعه داده‌های رزرو تاکسی و مسیرهای GPS همراه با مجموعه داده‌های حسگر موبایل برای ساختن سیستمی برای تجزیه و تحلیل خدمات حمل و نقل شهری به نام TRANSense استفاده کرد. برای تحقق عملی چارچوب پیشنهادی، نویسندگان دو کاربرد تحلیلی را نشان دادند: (۱) تحلیلگر خدمات تاکسی (TSA) که مسافران را در صف تاکسی تشخیص می‌دهد و از اطلاعات سفر تاکسی برای شناسایی مکان‌های احتمالی تاکسی با تقاضای بالا و فعال کردن حسگر تلفن همراه استفاده می‌کند. تجزیه و تحلیل مبتنی بر برای مسافران نزدیک برای ارزیابی زمان انتظار خود. (۲) تحلیلگر سوار شدن به مترو (SBA)، که مواردی از عدم سوار شدن مسافران به قطارهای ورودی را شناسایی می کند. این امر با تقریب زمان رسیدن قطارها از الگوهای زمانی خروج مسافران در غرفه های ایستگاه به این امر دست یافت. و متعاقباً از تجزیه و تحلیل مبتنی بر حسگر موبایل از حرکت رفتاری مسافران بر روی سکوها استفاده کرد. آزمایش‌هایی که با مجموعه داده‌های واقعی جمع‌آوری‌شده از بیش از ۲۰۰۰۰ تاکسی و ۱٫۷ میلیون مسافر در سنگاپور انجام شد، نشان داد که TSA مسافرانی را که در صف ایستاده بودند با دقت بیش از ۹۰٪ با سربار انرژی ناچیز و زمان انتظار تخمینی با حاشیه خطای کمتر از ۱۵٪ شناسایی کرد. . از سوی دیگر، SBA موقعیت‌های سوار شدن ناموفق را با دقت بیش از ۹۰ درصد شناسایی کرد.
نویسندگان در [ ۹۱ ] تجزیه و تحلیل داده ها را برای تعیین نقاط داغ شهر بسته به زمان و مکان، با استفاده از مجموعه داده های بزرگ تاکسی شهر شیکاگو در سال ۲۰۱۶ اعمال کردند. نویسندگان تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی را برای کمک به تعیین شرکت‌های تاکسی‌سازی که نیاز به بهبود در خدمات مشتری، به حداکثر رساندن درآمد رانندگان، کسب اطلاعات در مورد سفرها، بررسی میانگین محدوده خروج رانندگان و بارگیری‌های بعدی و کار دارند، ارائه کردند. از الگوهای رفت و آمد بهتر استفاده کنید. در تجزیه و تحلیل توصیفی، نویسندگان داده ها را با استفاده از کتابخانه Python MatPlotLib برای فعال کردن رسم داده ها برای کشف الگوها تجسم کردند. این نمودار حجم سفرهای انجام شده توسط ده شرکت پردرآمد را نشان می دهد.
نویسندگان در [ ۹۲] از داده‌های بزرگ بی‌درنگ به‌دست‌آمده از وزارت حمل‌ونقل فلوریدا (FDOT)، داده‌های آنلاین پخش‌شده از وسایل نقلیه در جاده، و داده‌های جمع‌آوری‌شده از آشکارسازهای خودرو در کنار جاده برای توسعه یک سیستم کلان داده برای افزایش ایمنی جاده، جلوگیری یا به حداقل رساندن استفاده کرد. تصادفات و کاهش ازدحام روش آنها بر اساس تقسیم جاده به بخش هایی با استفاده از زیرساخت های موجود و ویژگی های تصادفات جزئی بود. آنها یک مدل رگرسیون خطی (LR) را برای ارائه دقیق زمان تخمینی رسیدن (ETA) به داده ها اعمال کردند، در حالی که بیز ساده (NB) و جنگل تصادفی توزیع شده (DRF) برای پیش بینی حوادث و تراکم قبل از وقوع استفاده شدند. در یک موقعیت تصادف یا ازدحام، ETA با پیش‌بینی زمان صحیح مورد نیاز برای پاکسازی به‌روزرسانی می‌شود. برای ساختن سیستم پیشنهادی سریع، دقیق و قابل اعتماد، نویسندگان معماری لامبدا را بر اساس توانایی آن در ارائه مقیاس پذیری، سرعت و تحمل خطا در چارچوب خود ادغام کردند. آنها اطمینان دادند که مجموعه ای از ویژگی های مربوطه برای افزایش کارایی، دقت و سرعت مدل پیشنهادی انتخاب شده است.
با استفاده از داده های حمل و نقل در مقیاس شهر (اتوبوس، مترو، و غیره)، نویسندگان در [ ۹۳ ] یک چارچوب تحلیلی برای شناسایی گردشگران و درک ترجیحات آنها به نام TourSense ایجاد کردند. آنها ابتدا یک الگوریتم یادگیری تکراری مبتنی بر نمودار را برای شناسایی گردشگران از مسافران عمومی ارائه کردند و یک مدل تحلیلی برای ترجیحات گردشگران برای یادگیری و پیش‌بینی سفرهای بعدی گردشگران طراحی کردند. آزمایش‌هایی که روی مجموعه داده‌های واقعی جمع‌آوری شده از بیش از ۵٫۱ میلیون مسافر و ۴۶۲ میلیون سفر آنها انجام شد، نشان داد که چارچوب پیشنهادی بسیار مؤثر بود. در [ ۹۴]، نویسندگان یک سیستم اثبات مفهوم طراحی کردند که برنامه اتوبوس ها و مکان های اتوبوس در زمان واقعی را برای شهر براشوف، رومانی تجزیه و تحلیل می کند. هدف آنها توسعه سیستمی برای بازسازی حمل و نقل عمومی در شهر و افزایش جذابیت شهر بود. این سیستم بر فراز چارچوب CityPulse ساخته شده است که از بسیاری از راه‌حل‌های شهر هوشمند با استفاده از تجزیه و تحلیل داده‌ها، داده‌های IoT بلادرنگ، سیستم‌های توزیع‌شده، جریان‌های داده رسانه‌های اجتماعی و غیره پشتیبانی می‌کند.
نویسندگان در [ ۹۵] یک روش تحلیل داده مبتنی بر MATLAB برای مدل‌سازی تقاضا و برنامه‌ریزی مسیر برای یک سیستم حمل‌ونقل اتوبوس، با استفاده از داده‌های جمع‌آوری‌شده از ماشین‌های بلیط الکترونیکی (ETM) پیشنهاد کرد. نویسندگان از داده های ETM تولید شده از تراکنش های روزانه فروش بلیط که توسط شرکت حمل و نقل جاده ای در ایالت کرالا (KSRTC) در شش ایستگاه اتوبوس در شهر تریواندروم بین سال های ۲۰۱۰ و ۲۰۱۳ ایجاد شده است، استفاده کردند. مجموعه داده بسیار عظیمی که توسط ETM به طور متوسط ​​حدود یک میلیون امتیاز از تراکنش های ماهانه مسافران برآورد می شود. نویسندگان بر ممیزی و گردآوری مجموعه داده برای تعیین تقاضای مسافران، عملکرد اپراتورها و اثربخشی خدمات اپراتورها تمرکز کردند. با ابزار MATLAB، مجموعه داده را می توان برای تعیین ماتریس مبدا-مقصد (OD) مسافران اتوبوس جستجو کرد، که به مدل سازی تقاضاها کمک می کند. در تصمیم گیری، و در تدوین سیاست ها برای پیش طراحی آینده سیستم حمل و نقل. به همین ترتیب، با استفاده از ابزار تحلیلی می توان حجم پیوند شبکه حمل و نقل را تعیین کرد و همچنین اطلاعاتی در مورد سوار شدن و پیاده شدن مسافران در ایستگاه های اتوبوس از مجموعه داده ETM به دست آورد.
نویسندگان در [ ۸۵ ] یک رویکرد تحلیلی داده ادغام شده با Hadoop را برای افزایش کارایی عملیاتی شرکت های حمل و نقل و لجستیک طراحی کردند. نویسندگان داده‌های مربوط به سرعت، سوخت، شتاب، شناسه راننده، تاریخ، مختصات مکان GPS و زمان را از حسگرهای خودرو و دستگاه‌های GPS جمع‌آوری کردند که سپس به سرور خوشه‌ای Hadoop منتقل شدند. این داده‌های خام توسط صدها وسیله نقلیه موتوری در هر دو ثانیه در بسته‌هایی به یک سیستم HDFS ارسال می‌شد. این ترابایت داده‌های خام به صورت هفتگی یا ماهانه با استفاده از روش تحلیلی تجزیه و تحلیل می‌شوند تا شرکت‌های حمل‌ونقل را قادر به نظارت بر رفتار رانندگی رانندگان، تعیین میزان مصرف سوخت و ارزیابی خطرات متحمل شده توسط رانندگان کنند. این به کاهش هزینه و افزایش بهره وری کمک می کند.
نویسندگان در [ ۹۷] یک تکنیک برنامه‌ریزی مسیر مؤثر به نام SubBus برای اتوبوس‌های رفت‌وآمد مشترک در مترو با استفاده از داده‌های تلفن همراه با منبع جمعیت برای پیش‌بینی جریان رفت‌وآمد در ایستگاه‌های اتوبوس و برای برنامه‌ریزی مؤثر مسیرها پیشنهاد کرد. ابتدا، نویسندگان رفتارهای سفر ساکنان را برای تعیین پنج ویژگی پیش‌بینی‌کننده که شامل جریان، مکان، زمان، هفته و اتوبوس می‌شد، تجزیه و تحلیل کردند و از آنها برای پیش‌بینی نیازهای سفر برای اتوبوس‌های مشترک با استفاده از مدل یادگیری ماشین استفاده کردند. با استفاده از ویژگی‌های عملیاتی اتوبوس‌های مشترک، نویسندگان یک الگوریتم برنامه‌نویسی پویا برای ایجاد بهترین مسیر پویا با مقصدهای ثابت برای چندین اتوبوس در حال اجرا طراحی کردند. بنابراین نویسندگان الگوریتم برنامه‌نویسی پویا را همراه با پنج ویژگی پیش‌بینی‌کننده در رویکرد برنامه‌ریزی مسیر پویا اتوبوس مشترک (SubBus) برای برنامه‌ریزی مسیرهای قابل اجرا با استفاده از نیازهای مسافرتی در حال تغییر ترکیب کردند. ارزیابی SubBus نشان داد که از سایر روش ها بهتر عمل می کند.
نویسندگان در [ ۹۸] یک مدل شبیه‌سازی حمل‌ونقل مبتنی بر داده ترکیبی را پیشنهاد کرد که می‌تواند پارامترهایی را ارزیابی و تجسم کند که عملکرد شبکه را اندازه‌گیری می‌کند تا پاسخ عملیاتی به سناریوهای شهر هوشمند در دنیای واقعی را افزایش دهد. مدل ترافیک شامل ادغام تقاطع های داده های از پیش تعیین شده و تقاطع های داده محور در زمان واقعی است و یک گذرگاه ترافیکی را به تصویر می کشد که تا حدی با دستگاه های هوشمند تهیه شده است که مجموعه داده های با سرعت بالا و حجم بالا با طول عمر کوتاه را ضبط می کند. این مدل هفده تقاطع متوالی را در یک گذرگاه تقلید کرده است که در آن حجم خودرو و کنترل سیگنال در دو تقاطع توسط داده‌های شبیه‌سازی بلادرنگ از حسگرهای میدانی هدایت می‌شوند، در حالی که سایر تقاطع‌ها توسط داده‌های از پیش تعیین شده در مدل کالیبره شده کنترل می‌شوند. این مطالعه از اسکریپت‌های مختلف پایتون و PERL برای واکشی مداوم داده‌ها از حسگرهای درون زمینه برای پر کردن پایگاه داده استفاده کرد. به دلیل حجم زیاد، سرعت و تنوع گسترده جریان داده ها، معماری از تجزیه و تحلیل داده ها برای استخراج ویژگی های مفید استفاده کرد. نتیجه شبیه‌سازی با مدل ترکیبی پیشنهادی در مقایسه با مدل‌هایی که از مقادیر از پیش تعیین‌شده استفاده می‌کنند، اثربخشی قوی را در کار با حجم بالای داده نشان داد. مدل پیشنهادی همچنین به اندازه کافی به مقادیر متغیر داده های ورودی بلادرنگ پاسخ داد. نتیجه شبیه‌سازی با مدل ترکیبی پیشنهادی در مقایسه با مدل‌هایی که از مقادیر از پیش تعیین‌شده استفاده می‌کنند، اثربخشی قوی را در کار با حجم بالای داده نشان داد. مدل پیشنهادی همچنین به اندازه کافی به مقادیر متغیر داده های ورودی بلادرنگ پاسخ داد. نتیجه شبیه‌سازی با مدل ترکیبی پیشنهادی در مقایسه با مدل‌هایی که از مقادیر از پیش تعیین‌شده استفاده می‌کنند، اثربخشی قوی را در کار با حجم بالای داده نشان داد. مدل پیشنهادی همچنین به اندازه کافی به مقادیر متغیر داده های ورودی بلادرنگ پاسخ داد.
نویسندگان در [ ۹۹ ] یک الگوریتم مبتنی بر نمودار برای کاهش فشار بر سیستم حمل و نقل شاتل دانشگاه نبراسکا اوماها (UNO) طراحی کردند. این سیستم از داده‌های مربوط به زمان، تعداد دانش‌آموزان مورد انتظار برای استفاده از شاتل و هزینه سوخت برای بهینه‌سازی مسیر به منظور کاهش فشار کاربر و به حداقل رساندن تأثیر کربن شبکه حمل‌ونقل استفاده کرد. اجرای مدل در مقایسه با یک مدل مسیریابی موجود نشان داد که به طور متوسط ​​۱٫۲ دقیقه در هر اجرای شاتل صرفه جویی شده است. برای ۲۵۷ بار شاتل در روز، مدل پیشنهادی ۳۰۸٫۴ دقیقه در روز و ۱۵۴۲ دقیقه در هفته صرفه جویی کرد. این در نهایت در دراز مدت با توجه به انتشار CO ۲ ، مصرف سوخت و هزینه نتیجه داد.
نویسندگان در [ ۱۰۰] یک رویکرد آگاه از ترافیک برای بارگذاری داده ها از برنامه های کاربردی ITS با قابلیت داده های بزرگ با تمرکز بر کشف و انتخاب دروازه ها پیشنهاد کرد. هدف آنها ارائه ارتباط قابل اعتماد با تاخیر کم برای بارگذاری داده ها و در عین حال کاهش هزینه های سربار شبکه ناشی از کشف دروازه بود. برای دستیابی به این هدف، نویسندگان یک الگوریتم تبلیغات دروازه تطبیقی ​​را طراحی کردند که با استفاده از گزارش های شبکه و ترافیک در محیط دروازه، فرکانس و ناحیه تبلیغات را به صورت پویا مدیریت می کرد. سیستم پیشنهادی با استفاده از دامنه شبیه‌سازی عملی با توجه به سربار دسترسی دروازه و نسبت موفقیت بارگذاری داده مورد ارزیابی قرار گرفت. نتایج بهبود قابل توجهی را در زمینه اجازه دادن به ITS مبتنی بر داده های ترافیکی بزرگ نشان داد. با استفاده از مجموعه داده های کمیسیون تاکسی و لیموزین شهر نیویورک، نویسندگان در [ ۱۰۱] سیستمی را برای تجزیه و تحلیل زمان اجرا و عملکرد پیش بینی چندین الگوریتم یادگیری ماشین در یک خوشه Spark طراحی کرد. آن‌ها دریافتند که افزایش اندازه مجموعه داده‌ها پیشرفت ناچیزی در دقت طبقه‌بندی آن‌ها دارد و استفاده از روش‌های پیچیده درختی کمک چندانی به بهبود نتایج تولید شده توسط الگوریتم‌های ساده‌تر کرد.

۵٫۳٫ فناوری داده های بزرگ و حمل و نقل

کلان داده ترکیبی از تکنیک های تحلیلی پیشرفته (مانند یادگیری ماشینی و تشخیص الگو) را با مجموعه عظیمی از ساختار یافته و غیرساختار یافته توصیف می کند که اندازه آن به شدت و به طور تصاعدی افزایش می یابد و داده های بسیار پیچیده برای کشف الگوهای مفید، درک حقایق، روندها و روابط پیچیده. که در داده ها به منظور بهبود تصمیم گیری و بهینه سازی فرآیند وجود دارد [ ۱۰۲]. فناوری‌های کلان داده به چارچوب‌های نرم‌افزاری اطلاق می‌شوند که استخراج، پردازش و تجزیه و تحلیل سریع و کارآمد داده‌ها را از مجموعه داده‌های بسیار پیچیده و گسترده به شیوه‌ای که ابزارهای مدیریت داده‌های مرسوم هرگز نمی‌توانند با آن مقابله کنند، امکان‌پذیر می‌سازد. داده های بزرگ در صنعت حمل و نقل برای حل بسیاری از چالش های مبتنی بر داده های مرسوم به کار گرفته شده اند و برنامه ها، خدمات و فرصت های جدیدی را فعال کرده اند [ ۶۸ ].

۵٫۳٫۱٫ چارچوب های فناوری داده های بزرگ

برخی از پلتفرم‌های کلان داده برای تحقیق در حمل و نقل SC به‌شدت مورد استفاده قرار گرفته‌اند. این بخش فرعی برخی از چارچوب‌های فناوری کلان داده را برای پردازش داده‌های بزرگ بررسی می‌کند. این به ویژه برخی از پلتفرم های تکنولوژیکی پرکاربرد (یعنی چارچوب های نرم افزاری) را برای پردازش حجم بسیار زیادی از داده ها و موارد استفاده از آنها توصیف می کند.
Apache Hadoop: Hadoop فناوری است که نیازهای داده های بزرگ را برآورده می کند زیرا مقیاس پذیر است و به عنوان نرم افزاری برای پردازش داده های بزرگ طراحی شده است. Hadoop متداول ترین چارچوب نرم افزار منبع باز، توزیع شده و مقیاس پذیر برای ذخیره و پردازش مجموعه داده های بسیار حجیم است. این یک پلت فرم کلی فرآیند کلان داده را ارائه می دهد که اجرای عملیات های تحلیلی داده های متنوع را امکان پذیر می کند. قابلیت Hadoop برای مدیریت پردازش های توزیع شده، آن را برای تجزیه و تحلیل داده های تولید شده در ITS (به عنوان مثال، کارت هوشمند، رسانه های اجتماعی، سنسورهای مختلف، داده های GPS و غیره) بسیار مناسب می کند. در ابتدا برای استفاده در حوزه هوش تجاری طراحی شده بود، اما استفاده از آن به حوزه های مختلف شهری که از برنامه های کاربردی داده های بزرگ استفاده می کنند گسترش یافته است [ ۱۰۴ ]]. Hadoop توزیع بار پردازش را بین گره های خوشه امکان پذیر می کند که قدرت پردازش را بهبود می بخشد. تعداد گره‌ها در یک خوشه بسته به نیاز می‌تواند افزایش یا کاهش یابد و می‌توانند خوشه‌های همگن را با استفاده از دسته‌های مختلف ماشین‌ها برای پردازش داده‌های بدون ساختار، به جای استفاده از یک ابر رایانه پرهزینه، تشکیل دهند [ ۱۰۵ ]. یکی از مزیت های اصلی Hadoop این است که استفاده از آن ارزان است، زیرا یک چارچوب متن باز است.
چارچوب Hadoop از سه لایه اصلی تشکیل شده است. اولین لایه سیستم فایل توزیع شده با Hadoop (HDFS) است که از معماری master-slave برای ذخیره، پردازش و تجزیه و تحلیل مجموعه داده های عظیم برای استخراج بینش مرتبط از داده ها استفاده می کند. HDFS فایل های بزرگ را تقسیم می کند و آنها را در بلوک های استاندارد قرار می دهد و بلوک ها را در خوشه بزرگ ذخیره می کند. در لایه دوم MapReduce قرار دارد که دارای چهار عنصر اصلی (ورودی، نقشه‌بردار، کاهنده و خروجی) است. عملیات آن شامل تقسیم کار بزرگ به کارهای کوچکتر و اجرای مناسب آنهاست. در لایه سوم Yet Another Resource Negotiator (YARN) قرار دارد که مدیر منابع مسئول تخصیص درخواست های منبع (CPU، حافظه) خوشه Hadoop به وظایف مختلف است.۱۰۶ ].
Apache Spark: Spark یک فریم ورک توزیع شده عمومی و پرکاربرد است که با استفاده از یک خوشه بزرگ در حافظه از ماشین ها برای مدیریت بهتر پردازش داده های بزرگ پیاده سازی شده است. برخلاف Apache Hadoop که یک سیستم مبتنی بر دیسک است که برای کارایی ورودی/خروجی توسعه یافته است، Spark از افزایش ظرفیت حافظه اصلی ماشین‌هایی که خوشه را تشکیل می‌دهند برای دستیابی به عملکرد بهتر بهره می‌برد [ ۱۰۷ ]. اجازه بارگذاری داده های برنامه کاربر در خوشه را می دهد و به طور مکرر آن را پرس و جو می کند. Spark برای استقرار روش ها و برنامه های یادگیری ماشین بسیار مناسب است. نویسندگان در [ ۱۰۸] روشی برای تجزیه و تحلیل داده های حمل و نقل با استفاده از Hadoop همراه با Spark برای پردازش داده های حمل و نقل در زمان واقعی طراحی کرد. معماری سیستم از چهار لایه مجزا تشکیل شده است: لایه جمع آوری و اکتساب داده، لایه شبکه، لایه پردازش داده و لایه کاربردی. اولی از روش‌هایی استفاده می‌کند که از حسگرها برای جمع‌آوری داده‌ها استفاده می‌کنند و سپس داده‌های جمع‌آوری‌شده با استفاده از تکنیک‌های فیلتر داده‌ها برای حذف نویز و اطلاعات ناخواسته، در معرض تمیز کردن و تبدیل قرار می‌گیرند. در لایه پردازش، داده‌های دریافتی از لایه جمع‌آوری داده‌ها با استفاده از تکنیک نرمال‌سازی Min-Max بیشتر پیش پردازش و عادی می‌شوند. این تکنیک توسط اکوسیستم هادوپ برای پردازش کارآمد داده ها استفاده شد [ ۱۰۹]، زیرا داده ها از منابع مختلف (مانند جاده، پارکینگ) جمع آوری شده است. معماری پیشنهادی ماژول هایی را برای پردازش داده های آفلاین و آنلاین فراهم می کند. از اکوسیستم Hadoop برای پردازش داده های آفلاین استفاده شد، در حالی که Spark همراه با اکوسیستم Hadoop برای پردازش داده های آنلاین استفاده شد. MapReduce of Hadoop برای مقابله با داده های بزرگ استفاده شد. برای بهینه‌سازی قدرت پردازش MapReduce، یک الگوریتم زمان‌بندی برای تقسیم کار در سرور Hadoop و تنظیم تطبیقی ​​کار در اکوسیستم Hadoop با استفاده از نیاز حافظه و استفاده از CPU برای انتقال یک کار از یک گره به گره دیگر گنجانده شد.
دو اشکال در اکوسیستم Hadoop مشاهده شد – گره‌های با عملکرد بالا اغلب به حالت بی‌کار تغییر می‌کنند در حالی که گره‌های با عملکرد پایین حالت فعال را حفظ می‌کنند و همیشه مشغول می‌مانند. برای مقابله با این مشکلات، سیستم یک بار متعادل کننده را برای نظارت و تعادل بار در گره های Hadoop و Spark تعبیه کرد. پس از پردازش داده ها، نتیجه (خروجی) با استفاده از HDFS ذخیره شد. HDFS پردازش کارآمد و سریع داده های خروجی توسط ماژول تصمیم را امکان پذیر می کند. سیستم پیشنهادی HBASE را به منظور ارائه دسترسی سریع و بلادرنگ و ذخیره بهینه داده‌های خروجی گنجانده است. داده‌های خروجی از اکوسیستم Hadoop به لایه کاربردی منتقل می‌شود و در آنجا برای تصمیم‌گیری آگاهانه استفاده می‌شود. این کار نشان می‌دهد که چگونه فن‌آوری‌های کلان داده طراحی و پیاده‌سازی سیستم‌های کلان داده را ممکن می‌سازد.
کتابخانه پایتون: اخیرا پایتون به عنوان یک پلتفرم تجزیه و تحلیل داده ها مورد استفاده قرار گرفته است. PyStack به کتابخانه‌هایی مجهز است که از تجزیه و تحلیل داده‌ها پشتیبانی می‌کنند، اما بسیاری از این کتابخانه‌ها برای اجرا بر روی یک هسته CPU و مدیریت داده‌هایی با اندازه‌های مشابه با حافظه اصلی پیاده‌سازی شده‌اند. در نتیجه پایتون در پردازش کلان داده ها موثر نیست. از سوی دیگر، می توان از PySpark برای اجرای کلان داده با استفاده از Spark در خوشه ای از ماشین ها استفاده کرد. در حال حاضر، Spark متداول ترین موتور اجرای همه جانبه توزیع شده در حافظه است که استفاده از طیف وسیعی از کتابخانه های کلیدی (مانند SparkSQL، MLlib و غیره) را امکان پذیر می کند.
۵٫۳٫۲٫ معماری داده های بزرگ
این بخش به بررسی برخی از معماری های کلان داده که توسط محققان مختلف در این حوزه ارائه شده است می پردازد. نویسندگان در [ ۷۰ ] یک معماری سه لایه برای انجام تجزیه و تحلیل داده های بزرگ در ITS را همانطور که در شکل ۱۸ نشان داده شده است، پیشنهاد کردند.. معماری پیشنهادی آنها دارای سه لایه است: (۱) لایه جمع آوری داده. (۲) لایه تجزیه و تحلیل داده ها. (۳) لایه برنامه. لایه جمع آوری داده ها، لایه های بالایی را با منابع داده متنوع تامین می کند. لایه تجزیه و تحلیل داده ها داده ها را از لایه قبلی جمع آوری داده دریافت می کند و سپس از تکنیک های مختلف یادگیری ماشینی و تجزیه و تحلیل استفاده می کند. لایه کاربردی از نتایج پردازش داده ها از لایه تجزیه و تحلیل داده برای سناریوهای مختلف حمل و نقل SC (به عنوان مثال، کنترل سیگنال ترافیک، پیش بینی جریان ترافیک، و نجات اضطراری ترافیک) استفاده می کند.
نویسندگان در [ ۱۰۸ ] یک معماری چهار لایه را برای تجزیه و تحلیل کلان داده ها و ارائه سیستمی ارائه کردند که می تواند داده های حمل و نقل بلادرنگ را مدیریت کند. شکل ۱۹معماری پیشنهادی آنها را نشان می دهد. معماری دارای چهار لایه است: (۱) لایه جمع آوری داده ها (۲). لایه ارتباط داده؛ (۳) لایه پردازش داده. (۴) لایه برنامه داده. سیستم پیشنهادی آنها داده ها را از RFID های مختلف نصب شده در مکان های مختلف در یک SC جمع آوری می کند. RFIDها برای شناسایی وسایل نقلیه مخرب با استفاده از شماره ثبت، مدل خودرو و غیره برنامه ریزی شده اند. لایه شبکه از یک معماری SDN برای پردازش و انتقال داده ها به لایه بعدی تشکیل شده است. لایه پردازش داده از الگوریتم های مختلف یادگیری ماشین برای تجزیه و تحلیل موثر داده ها با استفاده از پلت فرم Hadoop استفاده می کند. لایه برنامه داده ها را بین کاربران توزیع می کند.
نویسندگان در [ ۱۱۱ ] یک پلت فرم تجزیه و تحلیل داده های بزرگ را برای مدیریت هوشمند حمل و نقل شهری پیشنهاد کردند ( شکل ۲۰ ). پلتفرم آنها بر داشبورد مدیریت شهری متمرکز است، که یک برنامه تحلیلی حمل و نقل عمومی است که در بالای پلت فرم تحقیقات علمی کلان داده های اروپا و برزیل از طریق برنامه های کاربردی ابر محور (EUBra-BIGSEA) توسعه یافته است. داشبورد مدیریت شهری روندهای آماری در مورد استفاده از اتوبوس را ارائه می دهد. این معماری شامل چندین سرویس مانند PRIVAaaS (PRIVAcy as a Service)، DQaaS (Data Quality as a Service) و EMaaS (Entity Matching as a Service) است.
۵٫۳٫۳٫ کارهای تحقیقاتی روی داده های بزرگ برای حمل و نقل
محققان از داده های بزرگ برای حل چالش ها برای بهبود سیستم حمل و نقل برای SC ها استفاده کرده اند. برخی از حوزه‌های مشکل‌ساز که با استفاده از داده‌های بزرگ تا حد زیادی به آنها کمک می‌شود شامل برنامه‌ریزی حمل‌ونقل، ایمنی جاده، محیط زیست، مدیریت ترافیک، هوانوردی، وسایل نقلیه متصل و خودمختار (CAVs)، حمل و نقل و تدارکات، مقرون‌به‌صرفه، راه‌آهن و مسائل مربوط به داده‌ها است. [ ۱۰۲ ]. چالش‌های اصلی مرتبط با برنامه‌ریزی عبارتند از: عملیات ترافیکی بین رسانه‌ای، تحرک در صورت تقاضا، تغییر در زیرساخت‌ها برای قرار دادن CAV، تهیه بلیط و غیره.
با استفاده از داده‌های ترافیک شانگهای در کنار داده‌های مسیر تاکسی و مترو، نویسندگان [ ۱۱۳ ] یک استراتژی برنامه‌ریزی حمل‌ونقل حمل و نقل بین تاکسی و مترو طراحی کردند. آزمایش‌ها نشان داد که این استراتژی با استفاده از ترافیک شهری واقعی، زمان سفر بسیار به موقع و محدودی را ارائه می‌دهد و در هزینه و زمان سفر صرفه‌جویی می‌کند. در نتیجه، می‌تواند فشار وارده بر شبکه‌های جاده‌ای شهرها را کاهش دهد، مصرف انرژی عمومی جامعه را به حداقل برساند و دامنه سیستم‌های حمل‌ونقل عمومی را گسترش دهد. نویسندگان در [ ۱۱۴] از موقعیت یابی خودرو و داده های کارت هوشمند برای تجزیه و تحلیل فرآیندهای برنامه ریزی و عملیاتی دو مورد واقعی از سوئد و هلند استفاده کرد. پردازش و بینش مرتبط به‌دست‌آمده از داده‌ها، تصمیم‌گیری خوب را امکان‌پذیر کرد و سیستم حمل‌ونقل عمومی را تقویت کرد.
برای افزایش استفاده کارآمد از زیرساخت های راه، نیاز به مدیریت پویا ترافیک وجود دارد. کاربردهای کلان داده در حوزه‌های اصلی مدیریت ترافیک، مانند پیشگیری از ازدحام و برنامه‌ریزی مسیر، پیش‌بینی کوتاه‌مدت، سیستم‌های اطلاعات سفر فردی، مدل‌سازی درخواست پارکینگ و مدیریت ناوگان، برای ارائه بینش در زمان واقعی مورد استفاده قرار گرفته‌اند. نویسندگان در [ ۱۱۵] یک طرح گراف محور برای تجزیه و تحلیل داده های بزرگ ترافیک و شبکه های وسایل نقلیه، مانند مهرهای زمانی، مکان های جغرافیایی، و شدت ترافیک (سرعت و تعداد وسایل نقلیه) ایجاد شده از حسگرهای اینترنت اشیاء نصب شده در جاده ها و وسایل نقلیه برای فعال کردن کاربران جاده و مقامات مدیریت ترافیک پیشنهاد کرد. برای تصمیم گیری هوشمند حمل و نقل این معماری از ابزار Graph به همراه سرورهای پردازش موازی برای تحقق کارایی زمان واقعی استفاده می کرد. پیاده سازی سیستم از ابزار Spark و Graph نصب شده بر روی گره های موازی Hadoop برای ایجاد و پردازش نمودارها تقریباً در زمان واقعی استفاده می کند.
نویسندگان در [ ۱۱۶ ] یک روش داده بزرگ سه لایه برای مدیریت حمل و نقل اتوبوس هوشمند طراحی کردند. این مطالعه با داده های دنیای واقعی به دست آمده از تقریباً ۲۰۰۰ اتوبوس در یک دوره هفت ماهه از یک شبکه اتوبوس گسترده شامل حدود ۳۰۰ مسیر که تقریباً ۵۰۰۰ ایستگاه اتوبوس در شهر فورتالزا، برزیل را در بر می گیرد، انجام شد. دستگاه‌های ردیابی GPS بر روی اتوبوس‌ها نصب شدند تا مختصات طول و عرض جغرافیایی را هر ۱۵ تا ۳۰ ثانیه ارسال کنند. داده‌های تراکنش از دستگاه‌های جمع‌آوری خودکار کرایه (AFC) در تمام ایستگاه‌های اتوبوس نیز جمع‌آوری شد. سیگنال GPS بزرگ و داده‌های AFC با استفاده از MapReduce برای محاسبه زمان سفر اتوبوس و تعیین مکان سوار شدن مسافران در لایه اول پردازش شدند. نویسندگان در [ ۱۱۷] نقش تجزیه و تحلیل داده های بزرگ برای سیستم های حمل و نقل هوشمند را مورد بحث قرار داد. نویسندگان در [ ۲۴ ] یک سرویس پیش‌بینی جریان ترافیک را بر اساس محاسبات ابری و تجزیه و تحلیل داده‌های بزرگ پیشنهاد کردند و یک پیش‌بینی جریان ترافیک را بر اساس چارچوب MapReduce انجام دادند که شامل سه مرحله است: (۱) انتخاب مدل. (۲) تخمین پارامتر. (۳) ترکیب مدل. در [ ۱۱۸ ]، نویسندگان از داده های بزرگ تولید شده از یک سیستم تشخیص وسیله نقلیه مایکروویو (MVDS) نصب شده در یک شبکه بزرگراه در اورلاندو برای طراحی یک استراتژی پویا برای نظارت بر ترافیک و ارزیابی همزمان عملکرد و ایمنی در زمان واقعی استفاده کردند. مطالعه آنها تأیید کرد که ازدحام به طور قابل توجهی بر احتمال تصادف تأثیر می گذارد. نویسندگان در [ ۹۲] از ابزارهای H2O و WEKA برای تجزیه و تحلیل پنج طبقه‌بندی کننده در مجموعه داده‌های بزرگ تصادفات ترافیکی استفاده کرد. تجزیه و تحلیل آنها اثربخشی را در پیش بینی تصادفات قبل از وقوع نشان داد و اینکه جریان ترافیک و تصمیمات ایمنی به شدت تحت تأثیر رفتار رانندگان است.
نویسندگان در [ ۱۲۰ ] یک پلتفرم کلان داده را طراحی کردند تا نشان دهند چگونه داده های بزرگ می توانند به استقرار وسایل نقلیه سبز در مقیاس بزرگ انگیزه دهند. آنها از دو مجموعه داده متشکل از ۴٫۵ میلیون سفر استفاده کردند و رویدادهای پارک ۲۸۰۰۰ وسیله نقلیه سوخت معمولی را ثبت کردند که برای مدت بیش از یک ماه تحت نظارت بودند. نتیجه تجزیه و تحلیل آنها پتانسیل کلان داده را برای ارزیابی سیاست نسبت به آلایندگی کم و استقرار وسایل نقلیه سبز نشان داد. نویسندگان در [ ۱۲۱] تجزیه و تحلیلی را برای بررسی محدوده رانندگی و عوامل مؤثر بر میزان مصرف انرژی خودروهای الکتریکی کاملاً با باتری (BEV) با استفاده از الگوهای دنیای واقعی انجام داد و دریافت که متغیرهای آب و هوا و الگوی رانندگی بر برد رانندگی BEVها در محدوده واقعی تأثیر می‌گذارند. جهان نویسندگان در [ ۱۲۲ ] روشی را برای اندازه گیری داده های جریان انتشار کربن از ترافیک تورهای خودران از سال ۲۰۱۴ پیشنهاد کردند و ارتباط فضایی آن را با مکان های جذاب بر اساس تکنیک های داده کاوی ارزیابی کردند.
سیستم‌های حمل‌ونقل ریلی در نتیجه افزایش توجه و پذیرش تجزیه و تحلیل داده‌های بزرگ در سال‌های اخیر از تحول اساسی برخوردار شده‌اند [ ۱۲۳ ]]. این به دلیل توانایی آن‌ها در تولید و پردازش حجم عظیمی از داده‌ها است که شامل سرعت و مکان قطار در زمان واقعی، زمان حرکت و رسیدن در ایستگاه‌های خاص و اطلاعات OD مسافر است. تجزیه و تحلیل داده های بزرگ می تواند اپراتورهای سیستم حمل و نقل ریلی را قادر سازد تا تصمیمات آگاهانه ای در مورد کنترل قطار بگیرند و کارایی عملیات را بهبود بخشند. حوزه‌هایی که انتظار می‌رود داده‌های بزرگ تأثیر مثبتی بر سیستم حمل‌ونقل ریلی داشته باشد شامل مدیریت اطلاعات (به عنوان مثال، اطلاعات مسافران، تهیه بلیط، ردیابی)، کنترل قطار (سیستم‌های ارتباطی، اتوماسیون، و غیره)، انرژی (منبع برق هوشمند، اندازه‌گیری هوشمند و غیره) است. زیرساخت (وضعیت مسیر، سیستم های سیگنال، تجزیه و تحلیل نظارت و غیره)، و تعمیر و نگهداری پیش بینی (ایمنی، زمان بندی مجدد در زمان واقعی). نویسندگان در [ ۱۲۴ ، ۱۲۵] یک روش تجزیه و تحلیل کلان داده را پیشنهاد کرد که داده های بزرگ ریلی را تجزیه و تحلیل می کند و یک نمای کلی از یک منطقه انتخابی شبکه راه آهن را نمایش می دهد. این اپراتورها را قادر می سازد تا عملیات را مطالعه کرده و تصمیمات آگاهانه بگیرند. نویسندگان در [ ۱۲۶ ] تجزیه و تحلیل داده های بزرگ را برای بهینه سازی کوتاه ترین راهبرد کرایه حمل و نقل ریلی پکن اعمال کردند. سپس از تجزیه و تحلیل داده های بزرگ برای پردازش داده های اولیه ورود و خروج مسافران از ایستگاه ها برای به دست آوردن توزیع زمان واقعی سفر از هر مبدأ تا مقصد استفاده شد. نتیجه تجزیه و تحلیل به دست آمده توسط روش پیشنهادی اپراتورها را قادر می سازد تا کرایه واقعی قابل پرداخت توسط مسافران برای هر سفر را تعیین کنند.
نویسندگان در [ ۱۲۷ ] مدلی را برای تحلیل شکست آبشاری شبکه های حمل و نقل راه آهن شهری وزن دار (URTN) پیشنهاد کردند. این مدل زمان وقفه عملیات تخمینی ایستگاه (EOITS) را برای تشخیص شدت اختلال سیستم اتخاذ کرد. نویسندگان در [ ۱۲۸ ] تجزیه و تحلیل داده های بزرگ را برای تعیین جریان مسافران در متروی شنژن با استفاده از داده های کارت هوشمند اعمال کردند. نتیجه تجزیه و تحلیل، اشتقاق سیاست هایی برای کاهش تراکم شهری و بهینه سازی ترافیک شبکه را امکان پذیر کرد. در [ ۱۲۹ ]، نویسندگان یک چارچوب تجسم داده های بزرگ را برای تجزیه و تحلیل جریان مسافر پیشنهاد کردند، در حالی که در [ ۱۳۰ ]]، نویسندگان رویکردی را برای طبقه بندی کلان داده و حمل و نقل در شبکه های ریلی پیشنهاد کردند. آنها چارچوب جدیدی را برای سیستم های نظارت بر وضعیت راه آهن مبتنی بر داده های آینده (RCM) ارائه کردند. شکل ۲۱معماری پیشنهادی برای حمل و نقل طبقه بندی شده داده های حسگر در مقیاس بزرگ در شبکه های ریلی را نشان می دهد. معماری از دو بخش اصلی (تحلیل داده و انتقال داده) تشکیل شده است. نویسندگان دو روش را برای انجام طبقه‌بندی بر روی داده‌ها پیشنهاد کردند که عبارتند از روش‌های مبتنی بر تحلیل سیگنال (SA) و رویکردهای مبتنی بر یادگیری ماشین (ML). برای تبدیل سیگنال از دامنه زمان به دامنه فرکانس، تبدیل فوریه گسسته (DFT) برای تبدیل زمان به فرکانس استفاده می شود. ماشین بردار پشتیبانی یک کلاس (SVM) برای طبقه بندی انتخاب شده است. عملکرد طبقه بندی کننده با استفاده از داده های تجربی واقعی ارزیابی شد. کار آنها عملکرد خوبی را در مجموعه داده های مختلف تحت شرایط عملیاتی مختلف نشان داد.
در دستیابی به صنعت هوانوردی هوشمند، داده های بزرگ به عنوان یک عنصر کلیدی در نظر گرفته می شود. نویسندگان در [ ۱۰۲ ] چالش های بخش هوانوردی را به سه نوع دسته بندی کردند: (۱) عملیات و مدیریت حمل و نقل هوایی (کاهش تاخیر، مقاومت در برابر آب و هوا، بهینه سازی طرح پرواز). (۲) امنیت و ایمنی (نظارت بر روی هواپیما، حریم خصوصی، عملیات فضای هوایی در هر شرایط جوی، انعطاف پذیری در برابر حملات سایبری). (۳) ادغام فن آوری های جدید (استقرار هواپیماهای بدون سرنشین برای لجستیک هوایی). داده های بزرگ برای رفع برخی از این چالش ها به کار گرفته شده است. نویسندگان در [ ۱۳۲] یک مدل تحلیلی ترکیبی برای مدیریت لجستیک محموله هوایی پیشنهاد کرد. مدل آنها یک خوشه و مدل های انجمنی را برای تجزیه و تحلیل خود ترکیب کرد و برای ایجاد استراتژی عملیاتی، نظریه انتشار نوآورانه را همراه با نظریه وابستگی به منبع در نتیجه تجزیه و تحلیل گنجاند. ارزیابی استراتژی آنها برای بهبود لجستیک محموله موثر بود.
نویسندگان در [ ۱۳۳ ] یک چارچوب تحلیلی سیاست برای اتصال هوایی در هند پیشنهاد کردند و در مورد اینکه چگونه استفاده از داده های بزرگ می تواند به بهبود کارایی عملیاتی کمک کند، بحث کردند. یک روش تحلیلی کلان داده برای بهینه‌سازی سودآوری مسیر خطوط هوایی توسط نویسندگان در [ ۱۳۴ ] ارائه شد، در حالی که نویسندگان در [ ۱۳۵ ] یک داده بزرگ هواپیمای غیرنظامی را برای هوانوردی غیرنظامی برای تسهیل تصمیم‌گیری‌های توسعه پیشنهاد کردند. نویسندگان در [ ۱۳۶ ] یک چارچوب امنیتی بزرگ مبتنی بر داده را برای حفظ حریم خصوصی و محافظت از داده ها پیشنهاد کردند.

۶٫ رویکردهای یادگیری ماشین برای حمل و نقل SC

یادگیری ماشینی با توجه به توانایی آن برای بهره برداری از قدرت داده هایی که به طور فزاینده ای در دسترس مدیران و محققان حمل و نقل SC قرار گرفته است، راه خوشی را برای حمل و نقل SC ارائه می دهد. با حجم بالای داده های تولید شده توسط منابع داده حمل و نقل SC (به عنوان مثال، حسگرها، کارت های هوشمند، ویدئوها و غیره) که نمی توان آنها را به صورت جداگانه بررسی کرد، لازم است سیستمی داشته باشیم که بتواند به تنهایی بر اساس موارد قبلی یاد بگیرد و بهینه سازی کند. تجربه. تغییرات عملیاتی در زمینه برنامه های کاربردی حمل و نقل SC نیازمند یک تکنیک یادگیری عمومی، پویا و مداوم است. بنابراین، برای افزایش کارایی، بررسی پتانسیل های یادگیری ماشین در توسعه خدمات فردی در حمل و نقل SC بسیار مهم است. تکنیک‌های یادگیری ماشین به‌دلیل بهبود الگوریتم‌ها، بهبود روش‌های جمع‌آوری داده‌ها، بهبود شبکه‌های ارتباطی، واحدهای حسگر/IO جدید و علاقه به شخصی‌سازی در پاسخ به فعالیت کاربر، به سرعت در حال تکامل هستند. هدف اصلی یادگیری ماشینی تفسیر موثر داده‌های جدید و پیش‌بینی‌هایی فراتر از نمونه آموزشی، مشابه داده‌های بلادرنگ است. به طور کلی، روش‌های مبتنی بر یادگیری ماشینی می‌توانند تحلیل‌های توصیفی (وضعیت فعلی یک سیستم)، پیش‌بینی‌کننده (پیش‌بینی وضعیت و ارزش‌های آینده یک سیستم) یا تجویزی (توصیه اقدامات برای حفظ یا بهبود عملکرد سیستم) ارائه دهند. محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ بهبود شبکه های ارتباطی، واحدهای حسگر/IO جدید و علاقه به شخصی سازی خود در پاسخ به فعالیت کاربر. هدف اصلی یادگیری ماشینی تفسیر موثر داده‌های جدید و پیش‌بینی‌هایی فراتر از نمونه آموزشی، مشابه داده‌های بلادرنگ است. به طور کلی، روش‌های مبتنی بر یادگیری ماشینی می‌توانند تحلیل‌های توصیفی (وضعیت فعلی یک سیستم)، پیش‌بینی‌کننده (پیش‌بینی وضعیت و ارزش‌های آینده یک سیستم) یا تجویزی (توصیه اقدامات برای حفظ یا بهبود عملکرد سیستم) ارائه دهند. محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ بهبود شبکه های ارتباطی، واحدهای حسگر/IO جدید و علاقه به شخصی سازی خود در پاسخ به فعالیت کاربر. هدف اصلی یادگیری ماشینی تفسیر موثر داده‌های جدید و پیش‌بینی‌هایی فراتر از نمونه آموزشی، مشابه داده‌های بلادرنگ است. به طور کلی، روش‌های مبتنی بر یادگیری ماشینی می‌توانند تحلیل‌های توصیفی (وضعیت فعلی یک سیستم)، پیش‌بینی‌کننده (پیش‌بینی وضعیت و ارزش‌های آینده یک سیستم) یا تجویزی (توصیه اقدامات برای حفظ یا بهبود عملکرد سیستم) ارائه دهند. محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ هدف اصلی یادگیری ماشینی تفسیر موثر داده‌های جدید و پیش‌بینی‌هایی فراتر از نمونه آموزشی، مشابه داده‌های بلادرنگ است. به طور کلی، روش‌های مبتنی بر یادگیری ماشینی می‌توانند تحلیل‌های توصیفی (وضعیت فعلی یک سیستم)، پیش‌بینی‌کننده (پیش‌بینی وضعیت و ارزش‌های آینده یک سیستم) یا تجویزی (توصیه اقدامات برای حفظ یا بهبود عملکرد سیستم) ارائه دهند. محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ هدف اصلی یادگیری ماشینی تفسیر موثر داده‌های جدید و پیش‌بینی‌هایی فراتر از نمونه آموزشی، مشابه داده‌های بلادرنگ است. به طور کلی، روش‌های مبتنی بر یادگیری ماشینی می‌توانند تحلیل‌های توصیفی (وضعیت فعلی یک سیستم)، پیش‌بینی‌کننده (پیش‌بینی وضعیت و ارزش‌های آینده یک سیستم) یا تجویزی (توصیه اقدامات برای حفظ یا بهبود عملکرد سیستم) ارائه دهند. محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [ محققان تکنیک ها و رویکردهای یادگیری ماشینی را برای رسیدگی به مشکلات دنیای واقعی برای حمل و نقل SC پیشنهاد کرده اند. نویسندگان در [۱۳۷ ] مطالعه ای در مورد حمل و نقل هوشمند با استفاده از یادگیری ماشین ارائه کرد. مطالعه آنها یادگیری ماشین را در تحقیق و صنعت بررسی کرد و بر رویکردهای مدیریت ترافیک برای تجزیه و تحلیل تشخیص و پیش‌بینی متمرکز شد. در دهه‌های گذشته، تعداد قابل توجهی از مطالعات مبتنی بر یادگیری ماشینی در ادبیات پدیدار شده‌اند، به ویژه با استفاده متنوع از روش‌های یادگیری ماشینی متعدد برای بررسی انواع چالش‌ها در حمل و نقل SC. در این بخش، تکنیک‌های یادگیری ماشین برای کاربردهای حمل و نقل در SCها را مورد بحث قرار می‌دهیم. برای به حداقل رساندن حجم نوشتار، برخی از برنامه های کاربردی حمل و نقل منتخب در سه حوزه حیاتی ارائه شده اند – حمل و نقل و تحرک انسان برای SCs. جریان ترافیک و پیش بینی تراکم؛ مسیریابی، برنامه ریزی و توصیه مسیر.

۶٫۱٫ حمل و نقل و تحرک انسان برای SCs

داده های تحرک انسانی برای تجزیه و تحلیل یک شهر استفاده شده است و برای پویایی، برنامه ریزی و توسعه شهری مفید است. مطالعات کنونی استخراج ساختارهای اجتماعی شهرها از داده‌های تحرک انسانی را پیشنهاد می‌کنند. نویسندگان در [ ۱۳۸ ] رویکردی را پیشنهاد کردند که از روش های خوشه بندی شبکه با استفاده از انسجام جغرافیایی و نظم از خوشه های استخراج شده استفاده می کند. شکل ۲۲ خوشه بندی شبکه پیشنهادی را برای ساختارهای جامعه نشان می دهد. نتایج تجربی آنها نشان داد که روابط عملکردی بین نواحی شهر بهترین اطلاعات پیش‌بینی را در مورد ساختارهای اجتماعی شهرها ارائه می‌دهد.

۶٫۲٫ پیش بینی جریان و تراکم ترافیک

رویکردهای مختلفی برای پیش بینی پارامترهای ترافیک پیشنهاد شده است. نویسندگان در [ ۱۳۹ ] رویکردی را برای پیش‌بینی تأخیر پرواز با استفاده از مدل یادگیری ماشینی (ML) و مدل شبکه عصبی پیچشی (CNN) بر روی عملکرد به‌موقع خطوط هوایی (AOTP) و مجموعه داده‌های اقلیم‌شناسی محلی کنترل‌شده با کیفیت پیشنهاد کردند. مدل ML بهترین نتیجه پیش بینی ۸۹٫۰۷٪ را به دست آورد در حالی که مدل CNN با دقت پیش بینی ۸۹٫۳۲٪ به نتیجه کمی بهتر دست یافت. نویسندگان در [ ۱۴۰] مدلی را برای پیش‌بینی حجم ترافیک کوتاه‌مدت در سیستم‌های حمل‌ونقل پیشنهاد کرد و یک مدل ترکیبی جدید (رگرسیون فرآیند گاوسی بر اساس نظریه یادگیری آماری و نظریه بیزی) برای پیش‌بینی حجم جریان مسافر ارائه کرد. رویکرد آنها عواملی مانند زمانی، فضای مبدا-مقصد، فراوانی و خود شباهت و دیدگاه‌های توزیع احتمالی تاریخی را در نظر گرفت. نتایج تجربی آنها حتی زمانی که فواصل زمانی برای پیش‌بینی جریان ترافیک افزایش یافته بود، عملکرد خوبی را نشان داد. در [ ۱۴۱ ]، نویسندگان رویکرد ماشین بردار پشتیبانی آنلاین برای رگرسیون (OL-SVMR) را برای پیش‌بینی ترافیک کوتاه‌مدت در شرایط معمولی و غیر معمول پیشنهاد کردند. نتایج تجربی آنها عملکرد خوبی را با رویکرد پیشنهادی نشان داد. در [ ۱۴۲]، نویسندگان چارچوبی را اعمال کردند که از طبقه‌بندی کننده آبشار Haar و یادگیری نظارت شده (الگوریتم‌های یادگیری AdaBoost) برای شناسایی جهت‌های جریان ترافیک و استخراج پارامترهای جریان ترافیک استفاده می‌کرد. نویسندگان در [ ۱۴۳ ] از سیستم های ردیابی GPS در حمل و نقل عمومی برای تجزیه و تحلیل و پیش بینی جریان مسافر در زمان واقعی استفاده کردند، در حالی که نویسندگان در [ ۱۴۴ ] یک رویکرد پیش بینی جریان ترافیک کوتاه مدت را پیشنهاد کردند که از موجک ها و یک ماشین یادگیری شدید (ELM) استفاده می کند. ). یک رویکرد پیش‌بینی ERS-ELM (ماشین یادگیری شدید متوالی در زمان واقعی مجموعه) در [ ۱۴۵ ] برای اوج ترافیک بزرگراه و حالت‌های غیر ثابت پیشنهاد شد. نتایج تجربی دقت پیش‌بینی بالایی ERS-ELM را با زمان تمرین بهینه نشان داد.
نویسندگان در [ ۱۴۶ ] رویکردی را برای تخمین تقاضای کاربر در شبکه حمل و نقل عمومی ارائه کردند که در ماتریس مبدا-مقصد (ODM) از اتوبوس ها مشخص شده است. نویسندگان مدل خود را با استفاده از داده های شهر کیتو تأیید کردند. نویسندگان در [ ۱۴۷] یک مدل پیش‌بینی ترکیبی برای پیش‌بینی کوتاه‌مدت جریان مسافر پیشنهاد کرد. رویکرد آنها از ترکیب تبدیل موجک (WT) و یک ماشین یادگیری شدید هسته (KELM) استفاده کرد. نویسندگان مدل خود را با استفاده از داده های شهر پکن تأیید کردند. نتایج تجربی آنها نشان داد که رویکرد WT-KELM می‌تواند اطلاعات دقیقی را برای نظارت و هشدار اولیه حمل و نقل ریلی شهری ارائه دهد. مطالعه ای بر روی الگوریتم های یادگیری ماشین برای سیستم های حمل و نقل سبز و آگاه از زمینه در [ ۱۴۸ ] ارائه شد. هدف، توصیه بهترین مسیرهای حمل و نقل برای وسایل مختلف حمل و نقل (قطار، مترو و اتوبوس) برای رسیدن به مقصد بر اساس برخی پارامترهای کاربر بود. نویسندگان در [ ۱۴۹] تجزیه و تحلیل مقایسه ای از چهار شبکه عصبی را انجام داد – دو مدل یادگیری ماشین مبتنی بر شبکه های عصبی پس انتشار (BPNN) و دو مدل یادگیری عمیق در شبکه های عصبی بازگشتی (RNN). نتایج تجربی آن‌ها نشان داد که مدل‌های پیاده‌سازی شده بر روی BPNN در مقایسه با مدل‌های RNN عملکرد بالایی از خود نشان دادند.
علاوه بر این، رویکردهای سنتی مانند حسگرها و دستگاه‌های ترافیک، داده‌های اینترنتی از شبکه‌های اجتماعی (به عنوان مثال، توییتر) به منابع جدیدی برای پیش‌بینی جریان ترافیک تبدیل شده‌اند. نویسندگان در [ ۱۵۰ ] چارچوبی را پیشنهاد کردند که داده‌ها را از منابع ناهمگن، از جمله داده‌های شبکه‌های اجتماعی، برای تشخیص جریان‌ها یا الگوهای ترافیک بازیابی و استفاده می‌کند. شکل ۲۳ چارچوب پیشنهادی را نشان می دهد. برنامه های آنها از داده های منابع مختلف مانند استخراج موجودیت ها در توییت ها، طبقه بندی رویدادها و طبقه بندی وضعیت های ترافیک از منابع تصویر استفاده می کند. سایر کارهای تحقیقاتی در مورد تجزیه و تحلیل از منابع ناهمگن یا چندوجهی مانند متن، تصویر، ویدئو و گفتار را می توان در [ ۱۵۱ , ۱۵۲ , ۱۵۳].
نویسندگان در [ ۱۵۴ ] یک مدل مبتنی بر شبکه عصبی برای پیش بینی حمل و نقل عمومی با استفاده از ماتریس تراکم ترافیک (همانطور که در شکل ۲۴ نشان داده شده است ) پیشنهاد کردند. هدف ارائه راه‌حل‌هایی برای زمان رسیدن اتوبوس در ایستگاه‌های اتوبوس با در نظر گرفتن شرایط ترافیک محلی بود. شرایط ترافیک بر حسب یک ماتریس تراکم ترافیک نشان داده شد. آموزش شبکه با استفاده از نزول گرادیان تصادفی (SGD) انجام شد. در [ ۱۵۵ ]، نویسندگان یک پیش‌بینی حمل‌ونقل عمومی در زمان واقعی با الگوریتم‌های یادگیری ماشین، از جمله رگرسیون خطی حداقل مربعات بهینه (OLS) و رگرسیون بردار پشتیبان (SVR) پیشنهاد کردند. کار آنها بر روی شبیه ساز SUMO (شبیه سازی تحرک شهری) اعتبارسنجی شد [ ۱۵۶]. نتایج تجربی آنها نشان داد که رویکرد پیشنهادی می‌تواند از سایر رویکردها بهتر عمل کند و میانگین خطای پیش‌بینی مطلق را کاهش دهد.

۶٫۳٫ مسیریابی، برنامه ریزی و توصیه مسیر

همچنین می‌توان از یادگیری ماشینی برای کمک به کاربران در برنامه‌ریزی سفر و مسیرهای خود استفاده کرد. برای بهبود کارایی استفاده از خدمات حمل و نقل عمومی، نویسندگان در [ ۱۵۷ ] یک مدل مسیریابی اتوبوس را پیشنهاد کردند که جفت های منطقه را با مسیرهای اتوبوس معیوب شناسایی و بهینه می کند. نویسندگان الگوهای تحرک انسانی را در میان مناطق با استفاده از ردیابی تاکسی و تراکنش های اتوبوس ایجاد کردند. نتایج تجربی آنها از داده های دنیای واقعی جمع آوری شده در شهر پکن استفاده کرد که شامل ۱۹ میلیون سفر تاکسی و ۱۰ میلیون سفر با اتوبوس بود. در [ ۱۵۸]، نویسندگان یک راه حل ترکیبی برای تشخیص حالت سفر در زمان واقعی و پیش بینی هدف سفر پیشنهاد کردند، که استفاده از یک الگوریتم پیش پردازش واحد (با استفاده از ردیابی موقعیت به دست آمده از طریق حسگرهای گوشی هوشمند) را برای هر دو مشکل در نظر گرفت. نتایج تجربی دقت ۸۸٪ برای تشخیص حالت سفر و ۸۱٪ برای پیش بینی هدف سفر را نشان داد. در [ ۱۵۹ ]، نویسندگان یک رویکرد جدید برای جمع آوری داده های ناشناس حمل و نقل عمومی پیشنهاد کردند.

۷٫ یادگیری عمیق یکپارچه نسبت به حمل و نقل SC

مدل های یادگیری عمیق از ساختار چند لایه سیستم عصبی انسان الهام گرفته شده اند. نویسندگان در [ ۱۶۰ ] نقش مدل های یادگیری عمیق را در ITS بررسی کردند و انواع مختلف مدل های یادگیری عمیق را در زمینه ITS برای اکوسیستم های SC برجسته کردند. این بخش برخی از مطالعات نماینده را برای استفاده از یادگیری عمیق برای حمل و نقل SC ارائه می دهد.

۷٫۱٫ مسیریابی و برنامه ریزی

یک رویکرد اولویت بندی شده گاوسی برای استقرار مسیرهای اضافی برای حمل و نقل در [ ۱۶۱ ] با استفاده از استنتاج جریان مسافر مبتنی بر شبکه عصبی پیشنهاد شد. نتایج تجربی آنها بهبودی از ۷ تا ۲۴ درصد را نسبت به روش‌های موجود ثبت کرد. از نظر تکنیک‌های مبتنی بر مسیر، نویسندگان در [ ۱۶۲ ، ۱۶۳ ، ۱۶۴ ] پیش‌بینی زمان سفر را به ترتیب در مسیرهای رو به جلو و معکوس بر اساس شبکه‌های باور عمیق (DBN)، مبتنی بر LSTM و مدل‌های سفر عمیق مطالعه کردند. . نویسندگان در [ ۱۶۳ ] مکانیزم توجهی را برای جمع‌آوری زمینه از جاسازی‌های مسیر محلی ساخته شده توسط یک شبکه LSTM (حافظه کوتاه مدت طولانی) پیشنهاد کردند، در حالی که نویسندگان در [ ۱۶۶ ]] یک رویکرد تخمین زمان سفر برای بهینه‌سازی سیستم‌های تاکسی-کارپول پیشنهاد کرد. نویسندگان در [ ۱۶۷ ] یک سیستم توصیه‌کننده حمل و نقل چندوجهی را با استفاده از یادگیری عمیق و مدل‌های درختی پیشنهاد کردند، که روش گروه میانگین وزنی CNN و GBDT (درخت‌های تصمیم تقویت‌شده با گرادیان) را ترکیب می‌کرد. به منظور افزایش ویژگی‌های طبقه‌بندی برای پیش‌بینی ترجیح حالت سفر در یادگیری عمیق، نویسندگان در [ ۱۶۸ ] یک معماری شبکه عصبی عمیق (DNN) با تعبیه‌های موجودیت پیشنهاد کردند ( شکل ۲۵ را ببینید).). معماری DNN از چهار لایه (لایه تعبیه شده، لایه پیوسته، لایه کاملاً متصل و لایه خروجی) تشکیل شده است و می تواند نمایش های برداری داده های طبقه بندی را به طور موثر یاد بگیرد. نتایج آزمایش‌های آن‌ها که بر روی مجموعه داده سفر لندن انجام شد، نشان داد که رویکرد آن‌ها با تکنیک جاسازی موجودیت، بهتر از سایر مدل‌های شبکه عصبی و مدل‌های مبتنی بر درخت عمل می‌کند.

۷٫۲٫ پیش بینی جریان و تراکم ترافیک

در سال های اخیر، پیش بینی جریان ترافیک برای جلوگیری و به حداقل رساندن تراکم ترافیک در SC ها مورد توجه گسترده قرار گرفته است. پیش‌بینی ترافیک مستلزم پیش‌بینی شرایط ترافیکی مانند حجم و سرعت ترافیک است. نویسندگان در [ ۱۶۹ ] یک مدل VGRAN (شبکه های عصبی توجه بازگشتی گراف متغیر) را پیشنهاد کردند، با استفاده از یک چارچوب بیزی برای پیش بینی ترافیک آگاه از عدم قطعیت، با هدف مدل سازی ساختار توپولوژی شبکه های حسگر جاده و همبستگی های فضایی بین حسگرها برای پیش بینی ترافیک آینده. شرایط شکل ۲۶معماری مدل VGRAN پیشنهادی را نشان می دهد. کار آزمایشی آنها از دو مجموعه داده ترافیک دنیای واقعی استفاده کرد: METR (مجموعه داده جمع آوری شده از شهرستان لس آنجلس). و PEMS (مجموعه داده های جمع آوری شده از منطقه خلیج در کالیفرنیا). نتایج نشان داد که مدل پیشنهادی از دیگر مدل‌های پیشرفته پیش‌بینی سرعت ترافیک بهتر عمل می‌کند. نویسندگان در [ ۱۷۰ ] رویکردی را پیشنهاد کردند که جریان ترافیک را بر روی ساختارهای گراف مانند با استفاده از یک لایه پیچشی انتشار جدید مدل می کند.
نویسندگان در [ ۱۷۱ ] یک رویکرد یادگیری عمیق و تعبیه شده (DELA) را پیشنهاد کردند که می تواند از اطلاعات ترافیکی دقیق، ساختار مسیر و شرایط آب و هوایی بیاموزد. معماری پیشنهادی آنها شامل یک جزء تعبیه شده (که برای گرفتن اطلاعات ویژگی های طبقه بندی و شناسایی ویژگی های مرتبط استفاده می شود)، یک مولفه CNN (برای یادگیری داده های جریان ترافیک دو بعدی) و یک جزء LSTM (برای حفظ حافظه تاریخی استفاده می شود). داده ها). شکل ۲۷ فرآیند تحلیلی را نشان می دهد که دارای دو مرحله است: (۱) پیش پردازش داده. (۲) تجزیه و تحلیل داده ها بر اساس رویکردهای یادگیری عمیق و تعبیه شده. نتایج تجربی آنها نشان داد که روش پیشنهادی می‌تواند از نظر دقت پیش‌بینی از روش‌های موجود بهتر عمل کند.
نویسندگان در [ ۱۷۲ ] مشکل پیش‌بینی جریان ورودی و خروجی ترافیک در یک شهر را در نظر گرفتند و یک رویکرد مبتنی بر یادگیری عمیق به نام ST-ResNet را برای پیش‌بینی جمعی جریان ورودی و خروجی پیشنهاد کردند. ازدحام جمعیت در هر منطقه از یک شهر. یک شهر به یک شبکه دو بعدی گسسته می شود و جریان ترافیک به عنوان یک شبکه سه بعدی متراکم نشان داده می شود. کار آنها شبکه‌های باقیمانده مکانی-زمانی عمیق را برای پیش‌بینی ایجاد کرد. نویسندگان در [ ۱۷۳] یک مدل یادگیری عمیق جدید به نام ST-3DNet (شبکه عصبی کانولوشن سه بعدی فضایی-زمانی عمیق) برای پیش‌بینی داده‌های شطرنجی ترافیک پیشنهاد کرد. این مدل از پیچیدگی های سه بعدی برای ثبت همبستگی داده های ترافیکی در ابعاد مکانی و زمانی استفاده می کند. این شامل دو جزء اصلی برای توصیف دو نوع ویژگی زمانی داده های ترافیک است. ST-3DNet از پیچیدگی‌ها و بلوک‌های سه بعدی برای مدل‌سازی دو نوع الگو استفاده می‌کند و سپس آن‌ها را به روشی وزن‌دار برای پیش‌بینی نهایی با هم جمع می‌کند. نتایج تجربی آنها نشان داد که ST-3DNet از خطوط پایه پیشرفته برتری دارد.
در [ ۱۷۴ ]، نویسندگان یک مدل پیش‌بینی جریان ترافیک کوتاه‌مدت را پیشنهاد کردند که تجزیه و تحلیل مکانی – زمانی را با یک واحد بازگشتی دروازه‌ای (GRU) ترکیب می‌کرد. GRU نوعی شبکه عصبی بازگشتی (RNN) است و گونه‌ای از شبکه LSTM است. در حالی که اثر را حفظ می کند و ساختار را ساده تر می کند، عملکرد پیش بینی RNN را حفظ می کند و افزایش قابل توجهی در سرعت دارد. GRU ساده‌تر است و تنها دارای دو گیت (دروازه به‌روزرسانی و گیت بازنشانی) است، در حالی که یک شبکه LSTM دارای سه عملکرد دروازه (دروازه ورودی، دروازه فراموشی و گیت خروجی) است. شکل ۲۸ روند کلی پیش بینی را نشان می دهد. آزمایشات آنها مدل پیشنهادی را با مدل CNN مقایسه کرد و نتایج نشان داد که روش پیشنهادی هم از نظر دقت و هم از نظر پایداری بهتر عمل می کند.
نویسندگان در [ ۱۷۵ ] یک مدل مجموعه ای (EM) بر اساس LSTM، DAE (رمزگذار خودکار عمیق)، و CNN برای پیش بینی ترافیک کوتاه مدت پیشنهاد کردند. کار آنها ویژگی های مکانی و زمانی شرایط ترافیک را در نظر گرفته است. آنها مدل‌های EM خود را بر روی داده‌های ترافیکی از دو شهر (کالیفرنیا و لندن) ارزیابی کردند و آنها را با برخی از مدل‌های پیش‌بینی معروف موجود مقایسه کردند. نتایج تجربی آنها نشان داد که EM می تواند از نظر دقت پیش بینی به عملکرد بهتری دست یابد.
دروازه های هوشمند عوارض (ITG) شهرهای مجاور را از طریق بزرگراه های هوشمند به هم متصل می کند. بنابراین، آنها همچنین زیرساخت مهمی در SCها هستند. جمع‌آوری الکترونیکی عوارض (ETC) از محدودیت‌های شبکه رنج می‌برد، مانند استفاده بهینه از مسیر، صف‌های طولانی طولانی وسایل نقلیه هوشمند متصل (CSV)، طرح‌های ثابت قیمت عوارض برای همه CSV، زمان انتظار بالاتر، تاخیرهای متغیر، تراکم ترافیک در ورودی‌های عوارض، و مکانیزم های پرداخت پیچیده نویسندگان در [ ۱۷۶ ] DwaRa را پیشنهاد کردند که یک طرح قیمت گذاری عوارض پویا مبتنی بر یادگیری عمیق برای ITS است. مدل سیستم DwaRa در شکل ۲۹ نشان داده شده است. در DwaRa، ترافیک آینده بر اساس صف‌های مارکوف پیش‌بینی می‌شود تا ازدحام در خطوط مختلف در ITGها متعادل شود. سپس رویکردی به نام مدل SI-LSTM (حافظه بلند مدت-کوتاه‌مدت القای فضایی) برای پیش‌بینی ترافیک فعلی و آب و هوا استفاده می‌شود. برای پیش بینی سری های زمانی ترافیک که در زمان واقعی به روز می شوند، LSTM یک انتخاب ترجیحی است.

۷٫۳٫ جریان مسافر در حمل و نقل عمومی و شهر

نویسندگان در [ ۱۷۷ ] یک مدل خوشه‌بندی K-means دو مرحله‌ای را برای ثبت روند تغییرات جریان مسافر و ویژگی‌های حجم سواری پیشنهاد کردند. آنها یک مدل ارزیابی قابلیت پیش‌بینی را برای توصیه یک فاصله زمانی معقول برای جمع‌آوری جریان‌های مسافر ایجاد کردند. سپس، یک رویکرد LSTM به نام مدل CB-LSTM، برای انجام پیش‌بینی کوتاه‌مدت جریان مسافر، بر اساس نتایج خوشه‌بندی فوق و فاصله زمانی دانه‌بندی توصیه‌شده، پیشنهاد شد. شکل ۳۰ چارچوبی از مدل آنها را نشان می دهد. نتایج تجربی آنها نشان داد که رویکرد پیشنهادی عملکرد پیش‌بینی‌کننده خوبی برای جریان مسافر کوتاه‌مدت در یک شبکه ارائه می‌دهد.
نویسندگان در [ ۱۷۸ ] یادگیری عمیق (DL) و ماشین های بردار پشتیبان (SVM) را ترکیب کردند و یک مدل DL-SVM برای پیش بینی جریان مسافر حمل و نقل ریلی شهری (URT) پیشنهاد کردند. شبکه باور عمیق (DBN) برای اولین بار برای استخراج ویژگی ها و تغییرات ذاتی داده های جریان مسافر استفاده شد. سپس مدل رگرسیون SVM برای پیش‌بینی جریان مسافر ایجاد شد. نتایج تجربی آنها نشان داد که DL-SVM در دقت و پایداری از سایر مدل ها بهتر عمل می کند. پیش‌بینی جریان مسافران ایستگاه مترو برای پیش‌بینی حجم مسافران آینده مهم است. نویسندگان در [ ۱۷۹] یک پیش‌بینی حرکت گردش مسافران مترو مبتنی بر شبکه عصبی مبتنی بر RNN را پیشنهاد کرد. رویکرد آنها می تواند به اطلاع رسانی هشدارهای ایمنی و تخلیه جریان مسافر کمک کند. سری زمانی حجم مسافران با داده های آب و هوا ترکیب شد تا چندین توالی نظارت شده، با توجه به مقادیر مختلف گام زمانی ایجاد شود. دو ویژگی مصنوعی به عنوان ورودی برای تسریع همگرایی اضافه شد. آنها در آزمایشات خود از داده های کارت های ترافیک شانگهای استفاده کردند. نتایج تجربی آنها نشان داد که شبکه GRU، با گام زمانی ۱٫۵ ساعت بهترین عملکرد را برای پیش‌بینی چرخش جریان ترافیک درازمدت ارائه می‌دهد. برای پیش بینی نورد کوتاه مدت، GRU با گام زمانی ۴۵ دقیقه بهترین نتیجه را به دست آورد.
در سیستم حمل و نقل ریلی، به دلیل ماهیت تصادفی تقاضای مبدأ و مقصد مسافران پویا کوتاه مدت (ماتریس OD)، پیش‌بینی دقیق توزیع سفرهای مسافر به صورت مکانی-زمانی یک چالش است. نویسندگان در [ ۱۸۰ ] از یک ماتریس مبدا-مقصد به عنوان ورودی به یک مدل مبتنی بر CNN برای پیش‌بینی جریان ورودی و خروجی گره‌ها در شبکه متروی پکن استفاده کردند. نویسندگان در [ ۱۸۱] یک داده ترکیبی چند منبعی را با یک روش یادگیری عمیق برای بهبود پیش‌بینی صحت ماتریس مبدا پویا و تقاضای مقصد (OD) پیشنهاد کرد. داده‌های چند منبعی، مانند داده‌های کارت هوشمند، داده‌های آب و هوا، و داده‌های تلفن همراه بر اساس عوامل تأثیرگذار به صورت کمی تجزیه و تحلیل شدند. و ۳۱ ویژگی به عنوان ورودی مدل انتخاب شدند. نویسندگان در [ ۱۸۲ ] همچنین روشی را پیشنهاد کردند که از LSTM برای یادگیری الگوهای تحرک و پیش‌بینی داده‌های ترافیکی مبتنی بر شمارش بین گره‌ها در شبکه‌های مترو و اتوبوس استفاده می‌کند.

۸٫ حمل و نقل با هوش مصنوعی (AI) و تکنیک های دیگر

هوش مصنوعی به عنوان نیروی محرکه فناوری های جدید و انتقال سریع حمل و نقل هوشمند از سیستم های عمدتاً کاربردی به زیرساخت های واقعاً هوشمند و هوشمند در حال ظهور است. این بخش مروری بر کاربردهای تکنیک‌های هوش مصنوعی، مانند الگوریتم‌های تکاملی و هوش ازدحامی در صنعت حمل‌ونقل ارائه می‌کند. از آنجایی که جمعیت مردم در شهرهای بزرگ به طور فزاینده ای افزایش می یابد، بنابراین چالش های حرکتی جدید ایجاد می شود، لازم است سیستم حمل و نقل برای مقابله موثر با چالش ها به تکامل خود ادامه دهد. با ظهور ITS، که امکان تولید انبوه داده های بسیار حجیم را فراهم می کند، تکنیک های مختلف هوش مصنوعی توسط ITS برای ارائه خدمات جدید گنجانده شده است. این خدمات معمولاً به مدیریت حجم قابل توجهی از داده های تولید شده توسط دستگاه های حسگر نیاز دارند.۱۸۳ ].
تکنیک های هوش مصنوعی مختلف در چندین زمینه در ITS استفاده شده است، مانند پیش بینی و کنترل ترافیک، که در آن سیستم ها با هدف به حداقل رساندن تراکم ترافیک، کنترل سیگنال ترافیک، پیش بینی حجم ترافیک، و غیره توسعه یافته اند. نویسندگان در [ ۱۸۴ ]] یک سیستم کنترل چراغ راهنمایی هوشمند پویا (DITLCS) بر اساس استنتاج فازی و یادگیری تقویتی عمیق پیشنهاد کرد. DITLCS پیشنهادی اطلاعات ترافیک بلادرنگ را به عنوان ورودی می‌پذیرد و مدت زمان چراغ راهنمایی را به صورت پویا تنظیم می‌کند. سیستم پیشنهادی در سه حالت (عادلانه، اولویت‌دار و حالت اضطراری) عمل می‌کند که در آن وسایل نقلیه بر اساس اولویت عملیاتی دسته‌بندی می‌شوند. نتایج شبیه‌سازی کارایی سیستم پیشنهادی را در مقایسه با الگوریتم‌های اخیر بر روی چندین پارامتر عملکرد اثبات می‌کند.
نویسندگان در [ ۱۸۵ ] یک سیستم کنترل ترافیک هوشمند را برای عبور وسایل نقلیه در تقاطع ها با استفاده از یک شبکه عصبی پس انتشار (BP) پیشنهاد کردند. بر اساس مدل، شبکه ارتباطی شبکه کنترل کننده (CAN) با استفاده از الگوریتم دینامیکی اولین مهلت اولیه (EDF) بهبود یافته است. این سیستم از طریق شبیه سازی آزمایش شد و بسیار موثر بود. نویسندگان در [ ۱۸۶] رویکردی به نام BRBES (سیستم خبره مبتنی بر قوانین اعتقادی) برای کنترل علائم ترافیکی در تقاطع جاده ها پیشنهاد کرد. این پیشنهاد از پایه قاعده باور (BRB) استفاده می‌کند، که به عنوان طرح بازنمایی دانش عمل می‌کند، در حالی که استدلال شواهد به عنوان موتور استنتاج عمل می‌کند. نتایج تجربی آنها نشان داد که رویکرد پیشنهادی در مقایسه با سیستم‌های موجود قابلیت اطمینان بهتری را ارائه می‌دهد.
تکنیک‌های هوش مصنوعی همچنین در زمینه سیستم‌های کنترل خودرو برای بهبود رانندگی خودکار، کاهش مصرف سوخت و انرژی، بهبود سیستم‌های ترمز پیشرفته و غیره به کار گرفته شده‌اند. نویسندگان در [ ۱۸۷ ]] یک روش کنترل هوشمند یک طرفه و غیرمتمرکز مبتنی بر FLC برای جوخه‌زنی وسایل نقلیه پیشنهاد کرد. عملکرد کنترل‌کننده با ترکیب FLC با استفاده از GA و مشتق متناسب-انتگرال (PID) و با انطباق FLC با استفاده از شبکه‌های عصبی برای تشکیل کنترل‌کننده‌های فازی x-tuned برای کنترل وسایل نقلیه پیرو برای دستیابی به اهدافشان تنظیم شد. ارزیابی عملکرد هر یک از کنترل‌کننده‌ها با استفاده از شبیه‌سازی‌ها، در مورد همگرایی خطای فاصله و ردیابی سرعت مطلوب، نشان داد که همه کنترل‌کننده‌ها در میان محدودیت‌های خاصی به وظایف خود دست یافته‌اند.
نویسندگان در [ ۱۸۸ ] یک استراتژی کنترل توان را با استفاده از یک الگوریتم ژنتیک (GA) با یک کنترل کننده منطق فازی (FLC) برای کنترل موثر انتقال نیرو در وسایل نقلیه الکتریکی پیشنهاد کردند. نتایج شبیه سازی نشان داد که روش پیشنهادی موثر و برتر است. با استفاده از GA، نویسندگان در [ ۱۸۹ ] یک چارچوب شبیه سازی برای شارژ سیستم کنترل طراحی کردند. این چارچوب برای شبیه‌سازی سه سناریو استفاده شد و نتایج نشان داد که بسته به هدف پارکینگ‌های مختلف، می‌تواند سود را به حداکثر برساند یا زمان شارژ را کاهش دهد.
زیرساخت های حمل و نقل شهری به شدت بر کیفیت خدمات حمل و نقل تأثیر می گذارد. اجرای یک زیرساخت بهینه، احتمال افزایش قابل توجه بهبود خدمات حمل و نقل را امکان پذیر می کند [ ۱۹۰ ]. نویسندگان در [ ۱۹۱ ] یک الگوریتم تکاملی و یک اپراتور ژنتیک را برای بهینه سازی مسئله طراحی شبکه حمل و نقل (TNDP) اعمال کردند. نویسندگان خاطرنشان کردند که افزایش استفاده از وسایل نقلیه شخصی به شدت به تراکم ترافیک، تصادفات و آلودگی کمک می کند. آنها استدلال کردند که داشتن یک شبکه اتوبوس عمومی پایدار، کارآمد و کم هزینه، شهروندان را از استفاده از وسایل نقلیه شخصی منصرف می کند. نتایج شبیه‌سازی پیشنهاد آنها اثربخشی آن را در پرداختن به چالش‌های SC نشان داد. با استفاده از یک شبکه عصبی فازی در حال تکامل (EFNN)، نویسندگان در [۱۹۲ ] با استفاده از داده‌های سرعت سفر ۲ دقیقه‌ای به‌دست‌آمده از حسگرهای مایکروویو ترافیک از راه دور در شهر پکن، سرعت سفر را چندین مرحله پیش‌بینی کرد و از یک سیستم تاکاگی-سوگنو برای تکمیل استنتاج فازی استفاده کرد. عملکرد پیش‌بینی مدل پیشنهادی با شش مدل سنتی مورد ارزیابی و مقایسه قرار گرفت. EFNN به دلیل توانایی یادگیری قوی، عملکرد بهتری نسبت به مدل های سنتی دارد. نویسندگان در [ ۱۹۳] با پیشنهاد یک استراتژی خوشه‌بندی ترکیبی برای شناسایی وضعیت جریان ترافیک، با هدف بهبود دقت وضعیت‌های جریان ترافیک انجام شد. نویسندگان از سه شاخص برای ارزیابی (جریان، سرعت، و اشغال) برای همجوشی استفاده کردند. وزن شاخص ارزیابی بهینه به الگوریتم خوشه‌بندی (میانگین c فازی) برای تحقق شناسایی وضعیت جریان ترافیک بر اساس خوشه‌بندی ترکیبی چند پارامتری معرفی شد. این فرآیند در شکل ۳۱ نشان داده شده است .
نویسندگان در [ ۱۹۴ ] یک رویکرد منطق فازی ابتکاری را برای تشخیص و پیش‌بینی تأخیر حالت‌های حمل‌ونقل عمومی پیشنهاد و توسعه دادند. نویسندگان از تجزیه و تحلیل پیش‌بینی‌کننده استفاده کردند و انواع دانش از داده‌های ناهمگن، از جمله داده‌های حمل‌ونقل و داده‌های آب‌وهوا را ترکیب کردند. داده‌ها بر اساس منطق فازی طبقه‌بندی شدند و برای پیش‌بینی تاخیرهای حمل و نقل از رگرسیون تصادفی جنگل استفاده شد. در کارهای آزمایشی از داده های حمل و نقل از شهر تورنتو استفاده شد. نویسندگان در [ ۱۹۵ ] یک شبکه عصبی ترکیبی RBF (تابع پایه شعاعی) و سیستم فازی را برای پیش‌بینی کوتاه‌مدت سرعت جاده پیشنهاد کردند. کار آنها سیستم منطق فازی را با شبکه عصبی RBF ترکیب کرد. نویسندگان در [ ۱۹۶] یک مدل شبکه عصبی فازی (FNM) برای پیش‌بینی جریان ترافیک در شبکه‌های خیابانی شهری پیشنهاد کرد. نویسندگان در [ ۱۸۴ ] یک کنترل چراغ راهنمایی مبتنی بر یادگیری مبتنی بر تقویت عمیق مبتنی بر استنتاج فازی را پیشنهاد کردند. نویسندگان در [ ۱۹۸ ] یک مدل مشکل مسیریابی وسیله نقلیه با چندین پنجره فازی برای جریان ترافیک متغیر با زمان پیشنهاد کردند. عملکرد مدل آنها از طریق شبیه‌سازی تایید شد و با الگوریتم‌های بهینه‌سازی کلونی مورچه‌ها (ACO) مقایسه شد. جریان مسافر مبنای برنامه ریزی عملیات اتوبوس است. نویسندگان در [ ۱۹۹] تجزیه و تحلیل تحلیل مشخصه سفر اتوبوس را پیشنهاد کرد و خواستار پیش‌بینی مبتنی بر GA-NARX (الگوریتم ژنتیک بهینه‌سازی مدل شبکه عصبی NARX) شد. کار آنها الگوریتم ژنتیک را با مدل شبکه عصبی ترکیب کرد. GA-NARX برای پیش‌بینی توسعه داده شد تا داده‌های اساسی برای زمان‌بندی و مدیریت مدیریت عملیات اتوبوس در زمان واقعی ارائه کند.
برخی از محققان هستند که روی GA برای حمل و نقل هوشمند نیز کار کردند. نویسندگان در [ ۲۰۰ ] یک پلت فرم برای مدیریت حمل و نقل عمومی شامل برنامه ریزی و زمان بندی بهینه اتوبوس ها پیشنهاد کردند. رویکرد آنها جستجوی محلی تکراری (ILS) و الگوریتم ژنتیک (GA) را در نظر گرفت که روش‌های شناخته شده در برنامه‌ریزی و زمان‌بندی هستند. نویسندگان در [ ۲۰۱ ] یک مدل پیش بینی جریان ترافیک را بر اساس یک شبکه عصبی موجک پیشنهاد کردند و به نتایج پیش بینی خوبی دست یافتند. شناسایی ویژگی های تصادفات جاده ای شهری حائز اهمیت است. نویسندگان در [ ۲۰۲] یک تشخیص ویژگی تصادفات جاده ای شهری را بر اساس GA-XGBoost پیشنهاد کرد. این مدل با داده‌های تصادفات رانندگی در یک شهر زیر استانی در چین آزمایش شد. نتایج تجربی آنها عملکرد پیش‌بینی خوبی از مدل را برای شناسایی مؤثر ویژگی‌های تصادفات جاده‌ای شهری نشان داد.
تکنیک‌های بهینه‌سازی ازدحام ذرات (PSO) رفتارهای اجتماعی طبیعت مانند گله پرندگان و پرورش ماهی را شبیه‌سازی می‌کنند. علاوه بر این، یک الگوریتم PSO چند فازی برای رسیدگی به مشکلات بهینه‌سازی ترکیبی زمان‌بندی در حمل‌ونقل ریلی بار مناسب است. برای این منظور، نویسندگان در [ ۲۰۳ ، ۲۰۴ ] یک PSO با رفتار کوانتومی چند هدفه بهبودیافته به نام IMOQPSO و IMOMPPSO (PSO چند فازی چند هدفه بهبود یافته) برای طراحی مسیریابی حمل و نقل ریلی و کاربردهای عملی آنها پیشنهاد کردند. علاوه بر هوش ازدحام، بهینه سازی کلونی مورچه ها (ACO) نیز می تواند برای بهینه سازی مسیر استفاده شود. نویسندگان در [ ۲۰۵] یک بهینه سازی مسیر را برای توزیع آخرین مایل لجستیک تجارت الکترونیک روستایی بر اساس ACO بهبود یافته پیشنهاد کرد. نتایج تجربی آنها نشان داد که ACO بهبود یافته روی مجموعه داده های آزمایشی موثر بود.

۹٫ نتیجه گیری

به دلیل حجم زیادی از داده‌های بلادرنگ که روزانه در نتیجه افزایش سریع مهاجرت شهری تولید می‌شود، ابزارهای پردازش داده‌های مرسوم موجود برای تحقق بخشیدن به اهداف کلیدی اکوسیستم حمل‌ونقل SC ناقص هستند. در نتیجه، این امر چالش های عظیمی را برای بخش حمل و نقل SC از جمله تراکم ترافیک، مشکلات مدیریت ناوگان/برنامه ریزی مسیر و همچنین توسعه استراتژی های موثر و کارآمد برای استفاده از زیرساخت های موجود و به حداقل رساندن ترافیک به همراه داشته است. برای پرداختن به این چالش‌ها، ما تکنیک‌های پیشرفته را برای کاربردهای حمل‌ونقل SC با تمرکز بر فناوری‌های نوظهور از چندین دیدگاه مبتنی بر اطلاعات و داده‌ها مطالعه کرده‌ایم. این مقاله بررسی جامعی از حوزه تحقیقاتی سیستم های حمل و نقل هوشمند و فناوری های نوظهور ارائه کرده است. این مقاله شامل بحث های اصلی در مورد تأثیرات اطلاعات جغرافیایی بر حمل و نقل SC، حمل و نقل مبتنی بر داده، فناوری داده های بزرگ، رویکردهای یادگیری ماشین برای حمل و نقل SC، و روندهای اخیر با استفاده از یادگیری عمیق یکپارچه به سمت حمل و نقل SC است. یافته‌های تحقیق در این مقاله نظرسنجی، بینش‌های مفیدی را به محققان ارائه می‌دهد که نشان می‌دهد رویکردهای داده‌محور را می‌توان برای شهرهای هوشمند و معماری حمل‌ونقل استفاده کرد. ما همچنین امیدواریم که این مطالعه محققان را با روندهای اخیر و فناوری های نوظهور برای کاربردهای حمل و نقل SC آشنا کند، و همچنین بینش مفیدی را در مورد چگونگی استفاده بیشتر از این فناوری ها برای استراتژی های حمل و نقل SC ارائه دهد. در اصل،
محدودیت اصلی این مطالعه عدم اجرای عملی هر یک از موارد استفاده بررسی شده است. از این رو، کار آینده ما برخی از ملاحظات عملی و اجرای هر یک از موارد استفاده را ارائه خواهد کرد. به عنوان مثال، ما قصد داریم این رویکردها را برای اجرای یک سیستم حمل و نقل زباله SC کارآمدتر ترکیب کنیم.

منابع

  1. باتی، م. Axhausen، KW; جیانوتی، اف. پوزدنوخوف، ا. بذانی، ع. واچوویچ، ام. اوزونیس، جی. پرتغالی، ی. شهرهای هوشمند آینده. یورو فیزیک J. Spéc. بالا. ۲۰۱۲ ، ۲۱۴ ، ۴۸۱-۵۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. Ang، L.-M. سنگ، KP; Zungeru، AM; Ijemaru، G. سیستم‌های داده حسگر بزرگ برای شهرهای هوشمند. IEEE Internet Things J. ۲۰۱۷ , ۴ , ۱۲۵۹–۱۲۷۱٫ [ Google Scholar ] [ CrossRef ]
  3. Abdalla, R. Introduction to Geospatial Information and Communication Technology (GeoICT) ; Springer: سنگاپور، ۲۰۱۶٫ [ Google Scholar ]
  4. واینبرگ، سی. آیا الفبا قصد ساختن یک شهر را دارد؟ اطلاعات _ ۵ آوریل ۲۰۱۶٫ در دسترس آنلاین: https://www.theinformation.com/articles/is-alphabet-going-to-build-a-city (در ۳۰ نوامبر ۲۰۲۱ قابل دسترسی است).
  5. محری، م. رستمی زاده، ع. Talwalkar، A. مبانی یادگیری ماشین ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۸٫ [ Google Scholar ]
  6. سان، اچ. لیو، اچ. شیائو، اچ. او، RR; Ran, B. استفاده از مدل رگرسیون خطی محلی برای پیش بینی ترافیک کوتاه مدت. ترانسپ Res. ضبط J. Transp. Res. هیئت ۲۰۰۳ ، ۱۸۳۶ ، ۱۴۳-۱۵۰٫ [ Google Scholar ] [ CrossRef ]
  7. ولاهوجانی، ای. Karlaftis، MG; Golias، JC شبکه های عصبی بهینه شده و فرا بهینه شده برای پیش بینی جریان ترافیک کوتاه مدت: یک رویکرد ژنتیکی. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۰۵ ، ۱۳ ، ۲۱۱-۲۳۴٫ [ Google Scholar ] [ CrossRef ]
  8. زنينا، ن. Borisov، A. تجزیه و تحلیل رگرسیون برای ارزیابی نسل سفر حمل و نقل. Inf. تکنولوژی مدیریت علمی ۲۰۱۳ ، ۱۶ ، ۸۹-۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. زو، ایکس. گوا، جی. هوانگ، دبلیو. Yu, F. پیش بینی کوتاه مدت فضاهای پارک باقیمانده در سیستم های هدایت پارکینگ. در مجموعه مقالات جلسه سالانه هیئت تحقیقات حمل و نقل، واشنگتن، دی سی، ایالات متحده آمریکا، ۱۰-۱۴ ژانویه ۲۰۱۶٫ شماره ۱۶-۵۰۶۰٫ [ Google Scholar ]
  10. بین، ی. ژونگژن، ی. Baozhen، Y. پیش‌بینی زمان رسیدن اتوبوس با استفاده از ماشین‌های بردار پشتیبانی. جی. اینتل. ترانسپ سیستم ۲۰۰۶ ، ۱۰ ، ۱۵۱-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
  11. حیدری، ع. یلماز، ی. یادگیری تقویتی عمیق برای سیستم های حمل و نقل هوشمند: یک بررسی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۰ ، ۲۳ ، ۱۱-۳۲٫ [ Google Scholar ] [ CrossRef ]
  12. چن، تی. رفتن به عمق بیشتر با شبکه عصبی کانولوشن برای حمل و نقل هوشمند . موسسه پلی‌تکنیک ورسستر: ورسستر، MA، ایالات متحده آمریکا، ۲۰۱۵٫ [ Google Scholar ]
  13. دوان، ی. Lv، Y.; کانگ، دبلیو. ژائو، ی. رویکرد مبتنی بر یادگیری عمیق برای انتساب داده های ترافیکی. در مجموعه مقالات هفدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC)، چینگدائو، چین، ۸ تا ۱۱ اکتبر ۲۰۱۴٫ ص ۹۱۲-۹۱۷٫ [ Google Scholar ]
  14. پولسون، NG; Sokolov، VO یادگیری عمیق برای پیش‌بینی کوتاه‌مدت جریان ترافیک. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۷ ، ۷۹ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. هوانگ، دبلیو. هونگ، اچ. لی، ام. هو، دبلیو. آهنگ، جی. Xie, K. معماری عمیق برای پیش بینی جریان ترافیک. در مجموعه مقالات کنفرانس بین المللی داده کاوی و کاربردهای پیشرفته، هانگژو، چین، ۱۴ تا ۱۶ دسامبر ۲۰۱۳٫ Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; صص ۱۶۵-۱۷۶٫ [ Google Scholar ]
  16. Srivastava، SK Green مدیریت زنجیره تامین: بررسی ادبیات پیشرفته. بین المللی جی. مناگ. Rev. ۲۰۰۷ , ۹ , ۵۳-۸۰٫ [ Google Scholar ] [ CrossRef ]
  17. اسماعیلیان، ب. وانگ، بی. لوئیس، ک. دوارته، اف. راتی، سی. بهداد، س. آینده مدیریت پسماند در شهرهای هوشمند و پایدار: بررسی و مقاله مفهومی. مدیریت زباله ۲۰۱۸ ، ۸۱ ، ۱۷۷-۱۹۵٫ [ Google Scholar ] [ CrossRef ]
  18. گووادا، اس اس. Spruijt، W. مفهوم و چارچوب شهر هوشمند راجرز، تی. در اقتصاد هوشمند در شهرهای هوشمند ; Springer: سنگاپور، ۲۰۱۷; ص ۱۸۷-۱۹۸٫ [ Google Scholar ]
  19. کومار، آر. گوئل، اس. شارما، وی. گارگ، ال. سرینیواسان، ک. Julka، N. یک سیستم چندوجهی Vigilare برای خدمات حمل و نقل هوشمند در شهرهای هوشمند. IEEE Internet Things Mag. ۲۰۲۰ ، ۳ ، ۷۶-۸۰٫ [ Google Scholar ] [ CrossRef ]
  20. پارمار، پ. Champaneria, T. مطالعه و مقایسه معماری سیستم حمل و نقل برای شهر هوشمند. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۷ I-SMAC (IoT در اجتماعی، موبایل، تجزیه و تحلیل و ابر) (I-SMAC)، پالادام، هند، ۱۰–۱۱ فوریه ۲۰۱۷؛ صص ۶۷۵-۶۸۰٫ [ Google Scholar ]
  21. جی، ز. گانچف، آی. اودروما، ام. Zhang, X. خدمات پارکینگ هوشمند خودرو مبتنی بر ابر برای شهرهای هوشمند. در مجموعه مقالات سی و یکمین مجمع عمومی و سمپوزیوم علمی URSI 2014 (URSI GASS)، پکن، چین، ۱۶ تا ۲۳ اوت ۲۰۱۴٫ صص ۱-۴٫ [ Google Scholar ]
  22. واکولا، دی. Raviteja، B. حمل و نقل عمومی هوشمند برای شهرهای هوشمند. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۷ سیستم های هوشمند پایدار (ICISS)، Thirupur، هند، ۱۲-۱۳ دسامبر ۲۰۱۷؛ IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ]
  23. لی، OL; تای، RI; بیش از حد، ST; Gorod، A. سیستم حمل و نقل شهر هوشمند چارچوب حاکمیت سیستم ها: مطالعه موردی سنگاپور. در مجموعه مقالات چهاردهمین کنفرانس سالانه سیستم مهندسی سیستم ها (SoSE)، انکوریج، AK، ایالات متحده آمریکا، ۱۹ تا ۲۲ مه ۲۰۱۹؛ صص ۳۷-۴۲٫ [ Google Scholar ]
  24. زو، اف. لی، ز. چن، اس. Xiong، G. سیستم مدیریت و کنترل حمل و نقل موازی و کاربردهای آن در ساخت شهرهای هوشمند. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۶ ، ۱۷ ، ۱۵۷۶-۱۵۸۵٫ [ Google Scholar ] [ CrossRef ]
  25. مالک، ف. شاه، م. خطک، سیستم حمل و نقل هوشمند HA: جنبه مهم مدیریت اضطراری در شهرهای هوشمند. در مجموعه مقالات بیست و چهارمین کنفرانس بین‌المللی اتوماسیون و محاسبات (ICAC) ۲۰۱۸، نیوکاسل آپون تاین، بریتانیا، ۶ تا ۷ سپتامبر ۲۰۱۸؛ صص ۱-۶٫ [ Google Scholar ]
  26. لین، سی. آویزان شدن.؛ دو، ج. خو، تی. شو، ال. Lv, Z. برنامه‌ریزی مسیر آگاه از تراکم مکانی به سمت سیستم‌های حمل‌ونقل هوشمند در شهر هوشمند اینترنت اشیاء نرم‌افزاری. IEEE Internet Things J. ۲۰۲۰ , ۷ , ۸۰۱۲–۸۰۲۴٫ [ Google Scholar ] [ CrossRef ]
  27. چن، ایکس. چن، آر. مروری بر روش‌های پیش‌بینی ترافیک برای سیستم حمل‌ونقل هوشمند در شهرهای هوشمند. در مجموعه مقالات دوازدهمین کنگره بین المللی ۲۰۱۹ در مورد پردازش تصویر و سیگنال، مهندسی پزشکی و انفورماتیک (CISP-BMEI)، سوژو، چین، ۱۹ تا ۲۱ اکتبر ۲۰۱۹؛ صص ۱-۵٫ [ Google Scholar ]
  28. آکونزو، دی. زو، ی. زی، بی. Baratoff، G. رویکرد سازگار با زمینه برای تشخیص خودرو در شرایط مختلف روشنایی. در مجموعه مقالات کنفرانس سیستم های حمل و نقل هوشمند IEEE 2007، Bellevue، WA، ایالات متحده، ۳۰ سپتامبر تا ۳ اکتبر ۲۰۰۷٫ صص ۶۵۴-۶۶۰٫ [ Google Scholar ]
  29. فرکس، ک. Fehér، G. بنزور، آ. Sidlo, C. خدمات اطلاعات حمل و نقل عمومی مبتنی بر جمعیت در شهرهای هوشمند. IEEE Commun. Mag. ۲۰۱۵ ، ۵۳ ، ۱۵۸-۱۶۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی توسط کاربر. محاسبات فراگیر IEEE ۲۰۰۸ ، ۷ ، ۱۲-۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. چنگ، جی. گوا، دی. شی، ج. Qin, Y. توزیع بسته در سطح شهر هوشمند با استفاده از سیستم‌های حمل‌ونقل عمومی جمع‌سپاری. IEEE Internet Things J. ۲۰۱۹ ، ۶ ، ۷۵۸۴–۷۵۹۴٫ [ Google Scholar ] [ CrossRef ]
  32. برگنهم، سی. شلادور، اس. کولینگ، ای. انگلوند، سی. تسوگاوا، اس. مروری بر سیستم های جوخه سازی. در مجموعه مقالات نوزدهمین کنگره جهانی ITS، وین، اتریش، ۲۲ تا ۲۶ اکتبر ۲۰۱۲٫ [ Google Scholar ]
  33. چن، سی. ژانگ، ی. خسروی، محمدرضا; پی، ق. وان، اس. الگوریتم جوخه سازی هوشمند برای سیستم های حمل و نقل پایدار در شهرهای هوشمند. IEEE Sens. J. ۲۰۲۰ , ۲۱ , ۱۵۴۳۷–۱۵۴۴۷٫ [ Google Scholar ] [ CrossRef ]
  34. منوار، اچ. گوونچ، آی. آکایا، ک. Uluagac، AS; کادری، ع. Tuncer، A. سیستم های حمل و نقل هوشمند مجهز به پهپاد برای شهر هوشمند: برنامه ها و چالش ها. IEEE Commun. Mag. ۲۰۱۷ ، ۵۵ ، ۲۲-۲۸٫ [ Google Scholar ] [ CrossRef ]
  35. Tripathy، AK; Tripathy، PK; موهاپاترا، AG; ری، NK; Mohanty، SP WeDoShare: یک چارچوب اشتراک گذاری در حمل و نقل، سیستم فیزیکی-سایبری حمل و نقل برای تحرک پایدار در شهرهای هوشمند. مصرف IEEE الکترون. Mag. ۲۰۲۰ ، ۹ ، ۴۱-۴۸٫ [ Google Scholar ] [ CrossRef ]
  36. بارت، ام. تاد، ام. معماری سیستم حمل و نقل هوشمند برای یک سیستم خودروی مشترک چند ایستگاهی. در مجموعه مقالات سیستم های حمل و نقل هوشمند IEEE 2000، دیربورن، MI، ایالات متحده آمریکا، ۶ اوت ۲۰۰۲; ص ۲۴۰-۲۴۵٫ [ Google Scholar ]
  37. محمود، من. زبیری، حمل و نقل و بازیافت زباله کارآمد JA: فناوری‌های فعال برای شهرهای هوشمند با استفاده از اینترنت اشیا. IEEE Electr. Mag. ۲۰۱۹ ، ۷ ، ۳۳-۴۳٫ [ Google Scholar ] [ CrossRef ]
  38. دانیل، اس. دوران، MA geoSmartCity: سهم ژئوماتیک در شهر هوشمند. در مجموعه مقالات چهاردهمین کنفرانس بین المللی سالانه تحقیقات دولت دیجیتال، نیویورک، نیویورک، ایالات متحده آمریکا، ۱۷ تا ۲۰ ژوئن ۲۰۱۳٫ صص ۶۵-۷۱٫ [ Google Scholar ]
  39. دوران، م.-ع. دانیل، اس. ژئوماتیک و شهر هوشمند: کمک عرضی به توسعه شهر هوشمند. Inf. Polity ۲۰۱۴ , ۱۹ , ۵۷-۷۲٫ [ Google Scholar ] [ CrossRef ]
  40. روشه، اس. علم اطلاعات جغرافیایی I: چرا یک شهر هوشمند باید از نظر فضایی فعال شود؟ Prog. هوم Geogr. ۲۰۱۴ ، ۳۸ ، ۷۰۳-۷۱۱٫ [ Google Scholar ] [ CrossRef ]
  41. ناهیدزمان، ک.م. آلدوسری، ساختار شهر در حال گذار: گفتمان مفهومی در مورد تأثیر فناوری اطلاعات و ارتباطات (ICT). در توسعه اجتماعی و صنایع فناوری پیشرفته: استراتژی ها و کاربردها ; IGI Global: Hershey, PA, USA, 2012; ص ۱۸۷-۱۹۹٫ [ Google Scholar ]
  42. آهوننیمی، اچ. هوویلا، ا. پینتو-سپا، آی. Airaksinen, M. تفاوت بین شهرهای پایدار و هوشمند چیست؟ شهرها ۲۰۱۷ ، ۶۰ ، ۲۳۴-۲۴۵٫ [ Google Scholar ] [ CrossRef ]
  43. Aina, YA دستیابی به شهرهای پایدار هوشمند با پشتیبانی GeoICT: شهرهای هوشمند در حال توسعه عربستان سعودی. شهرها ۲۰۱۷ ، ۷۱ ، ۴۹-۵۸٫ [ Google Scholar ] [ CrossRef ]
  44. ابوخاطر، ع. Walker, D. هوشمندتر کردن رشد هوشمند با GeoDesign. مجله Directions ، ۲۰ ژوئیه ۲۰۱۰٫ [ Google Scholar ]
  45. لیو، تی. ژائو، دی. Pan، M. رویکردی به ترکیب مدل سه بعدی در سیستم های GIS و کاربرد آن در ECDIS آینده. محاسبه کنید. Geosci. ۲۰۱۶ ، ۸۹ ، ۱۲-۲۰٫ [ Google Scholar ] [ CrossRef ]
  46. برمر، ام. مایر، ا. ویچمن، وی. اشمیتنر، ک. روتزینگر، ام. رویکرد سه بعدی-GIS چند مقیاسی جدید برای ارزیابی و انتشار درآمد خورشیدی مدل‌های شهر دیجیتال. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۶ ، ۵۷ ، ۱۴۴-۱۵۴٫ [ Google Scholar ] [ CrossRef ]
  47. اشتاینیگر، اس. نیون، ام. ادواردز، آ. Lenz, B. Foundations of LBS, CartouCHe-Cartography آموزش عالی سوئیس. Obtido Em ۲۰۰۸ ، ۲۰ ، ۲۰۱۰٫ [ Google Scholar ]
  48. جیانگ، بی. Yao, X. خدمات مبتنی بر مکان و GIS در چشم انداز. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۶ ، ۳۰ ، ۷۱۲-۷۲۵٫ [ Google Scholar ] [ CrossRef ]
  49. باتی، ام. داده های بزرگ، شهرهای هوشمند و برنامه ریزی شهری. دیالوگ هوم. Geogr. ۲۰۱۳ ، ۳ ، ۲۷۴-۲۷۹٫ [ Google Scholar ] [ CrossRef ]
  50. چاوهان، اس. آگاروال، ن. کار، AK پرداختن به چالش های کلان داده در شهرهای هوشمند: مروری بر ادبیات سیستماتیک. اطلاعات ۲۰۱۶ ، ۱۸ ، ۷۳–۹۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. لی، دی. کائو، جی. Yao, Y. داده های بزرگ در شهرهای هوشمند. علمی چین Inf. علمی ۲۰۱۵ ، ۵۸ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
  52. لی، اس. دراگیسویچ، اس. آنتون، اف. سستر، ام. زمستان، اس. چولتکین، ا. پتیت، سی. جیانگ، بی. هاورث، جی. استین، ا. و همکاران نظریه و روش های مدیریت داده های بزرگ جغرافیایی: بررسی و چالش های تحقیق ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ ، ۱۱۵ ، ۱۱۹-۱۳۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. عدنان، م. لیک، ا. Longley, P. تحلیل جغرافیایی محاسباتی فعالیت توییتر در شهرهای مختلف جهان. ژئو اسپات. Inf. علمی ۲۰۱۴ ، ۱۷ ، ۱۴۵-۱۵۲٫ [ Google Scholar ] [ CrossRef ]
  54. دی آلبوکرک، جی پی; هرفورت، بی. برنینگ، آ. Zipf، A. یک رویکرد جغرافیایی برای ترکیب رسانه های اجتماعی و داده های معتبر به منظور شناسایی اطلاعات مفید برای مدیریت بلایا. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۶۶۷-۶۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. هاولکا، بی. سیتکو، آی. بینات، ای. سوبولفسکی، اس. کازاکوپولوس، پ. Ratti, C. توئیتر را به عنوان نماینده الگوهای تحرک جهانی در موقعیت جغرافیایی قرار داد. کارتوگر. Geogr. Inf. علمی ۲۰۱۴ ، ۴۱ ، ۲۶۰-۲۷۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  56. یانگ، دبلیو. مو، ال. Shen, Y. اثر آب و هوا و فصلی بر خلق افسرده در میان کاربران توییتر. Appl. Geogr. ۲۰۱۵ ، ۶۳ ، ۱۸۴-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
  57. آینا، YA کاربردهای فن‌آوری‌های مکانی برای شاغلین: چشم‌انداز نوظهور آموزش جغرافیایی. در انفورماتیک نوظهور – مفاهیم و کاربردهای نوآورانه ؛ InTech: Rijeka، کرواسی، ۲۰۱۲; صص ۱-۲۰٫ [ Google Scholar ]
  58. جکسون، دی. سیمپسون ، آر شهرهای داده: اتصال آینده های جهانی برای برنامه ریزی زیست محیطی ؛ DCity: Newton، NSW، استرالیا، ۲۰۱۳٫ [ Google Scholar ]
  59. پرتنس، AA; مینی، RA; Marques-Neto، تجزیه و تحلیل آسیب پذیری HT سیستم حمل و نقل شهری در زمینه شهرهای هوشمند. در مجموعه مقالات کنفرانس بین المللی شهرهای هوشمند IEEE 2020، Piscataway، NJ، ایالات متحده، ۲۸ سپتامبر تا ۱ اکتبر ۲۰۲۰؛ صص ۱-۸٫ [ Google Scholar ]
  60. تانگ، ال. تحقیق در مورد کاربرد فناوری های کلیدی در ساخت شهرهای هوشمند مبتنی بر حمل و نقل هوشمند. در مجموعه مقالات کنفرانس IEEE 2020 در زمینه ارتباطات، اپتیک و علوم کامپیوتر (TOCS)، شنیانگ، چین، ۱۱ تا ۱۳ دسامبر ۲۰۲۰؛ ص ۱۸۹-۱۹۴٫ [ Google Scholar ]
  61. Htay، TZ; کومپوف، وی جی؛ Glushenkov، VA ایجاد یک مدل اطلاعات جغرافیایی تعاملی از سیستم حمل و نقل شناور مغناطیسی چند منظوره ELTRO در نایپیدو، جمهوری میانمار. در مجموعه مقالات سومین کنفرانس بین المللی جوانان ۲۰۲۱ در رادیو الکترونیک، برق و مهندسی برق (REEPE)، مسکو، روسیه، ۱۲ تا ۱۴ مارس ۲۰۲۱؛ صص ۱-۵٫ [ Google Scholar ]
  62. قوش، ک. Musti، KS ادغام SLAM با GIS برای مدل سازی سیستم حمل و نقل شهری پایدار: چشم انداز شهر هوشمند. در مجموعه مقالات دوازدهمین کنفرانس بین المللی ۲۰۲۰ در زمینه هوش محاسباتی و شبکه های ارتباطی (CICN)، بهمتال، هند، ۲۵ تا ۲۶ سپتامبر ۲۰۲۰؛ ص ۲۶۱-۲۶۷٫ [ Google Scholar ]
  63. تیموفیف، وی اس. Teselkina، KV; Veselova، AS توسعه و تحقیق مدل‌های سرعت حمل‌ونقل با استفاده از روش‌های تحلیل داده‌های آماری جغرافیایی. در مجموعه مقالات چهاردهم کنفرانس بین المللی علمی-فنی ۲۰۱۸ در مورد مسائل واقعی مهندسی ابزار الکترونیک (APEIE)، نووسیبیرسک، روسیه، ۲ تا ۶ اکتبر ۲۰۱۸؛ صص ۳۱۵-۳۱۹٫ [ Google Scholar ]
  64. شانموگاسوندارام، ر. Santhiyakumari، N. تجزیه و تحلیل طبقه بندی پراکندگی شهری با استفاده از تکنیک پردازش تصویر در سیستم اطلاعات جغرافیایی. در مجموعه مقالات کنفرانس ۲۰۱۸ دستگاه‌های نوظهور و سیستم‌های هوشمند (ICEDSS)، Tiruchengode، هند، ۲ تا ۳ مارس ۲۰۱۸؛ صص ۱۹۲-۱۹۶٫ [ Google Scholar ]
  65. چن، ام. یو، ایکس. Liu، Y. TraLFM: مدل‌سازی عامل پنهان داده‌های مسیر ترافیک. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۴۶۲۴–۴۶۳۴٫ [ Google Scholar ] [ CrossRef ]
  66. گوکاسر، ط. سیتینل، ی. Baydogan، MG برآورد فاصله نفوذ ایستگاه‌های اتوبوس با استفاده از داده‌های GPS اتوبوس و ویژگی‌های ایستگاه اتوبوس. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۴۶۳۵–۴۶۴۲٫ [ Google Scholar ] [ CrossRef ]
  67. قاسمقایی، م. کالیک، جی. ارزیابی تاثیر کلان داده بر عملکرد نوآوری شرکت: کلان داده ها همیشه داده های بهتری نیستند. اتوبوس جی. Res. ۲۰۲۰ ، ۱۰۸ ، ۱۴۷-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
  68. توره باستیدا، هوش مصنوعی؛ دل سر، جی. لانا، آی. ایلاردیا، م. بیلبائو، MN; Campos-Cordobés، S. داده های بزرگ برای حمل و نقل و تحرک: پیشرفت ها، روندها و چالش های اخیر. IET Intel. ترانسپ سیستم ۲۰۱۸ ، ۱۲ ، ۷۴۲-۷۵۵٫ [ Google Scholar ] [ CrossRef ]
  69. کفاش، س. نگوین، AT; Zhu, J. الگوریتم‌ها و کاربردهای کلان داده در سیستم حمل و نقل هوشمند: بررسی و تجزیه و تحلیل کتاب‌سنجی. بین المللی J. Prod. اقتصاد ۲۰۲۱ ، ۲۳۱ ، ۱۰۷۸۶۸٫ [ Google Scholar ] [ CrossRef ]
  70. زو، ال. یو، FR; وانگ، ی. نینگ، بی. تانگ، تی. تجزیه و تحلیل داده های بزرگ در سیستم های حمل و نقل هوشمند: یک نظرسنجی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۸۳-۳۹۸٫ [ Google Scholar ] [ CrossRef ]
  71. محمد، س. عرب نیا، منابع انسانی؛ Qu، X. ژانگ، دی. کیم، تی. ژائو، جی. IEEE دسترسی به بخش ویژه سرمقاله: فناوری داده های بزرگ و کاربردها در حمل و نقل هوشمند. IEEE Access ۲۰۲۰ ، ۸ ، ۲۰۱۳۳۱–۲۰۱۳۴۴٫ [ Google Scholar ] [ CrossRef ]
  72. کیم، ک. گوتسا، س. دیمیترییویک، بی. لی، جی. اسپاسوویچ، ال. میرزا، و. سینگ، جی. ارزیابی عملکرد تجزیه و تحلیل ویدئویی برای تشخیص حوادث ترافیکی و جمع آوری تعداد وسایل نقلیه. در پیشرفت های اخیر در جستجوی هوشمند تصویر و بازیابی ویدئو ؛ Springer: Cham, Switzerland, 2017; صص ۲۱۳-۲۳۱٫ [ Google Scholar ]
  73. وانگ، ایکس. ژائو، اس. Dong, L. تحقیق و کاربرد تجسم ترافیک بر اساس داده های بزرگ GPS خودرو. در مجموعه مقالات دومین کنفرانس بین المللی حمل و نقل هوشمند، سنگاپور، ۲۵ نوامبر ۲۰۱۶; صص ۲۹۳-۳۰۲٫ [ Google Scholar ]
  74. شوکلا، SN; Champaneria، TA بررسی روش های مختلف جمع آوری داده ها برای حوزه حمل و نقل هوشمند شهر هوشمند. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد i-Smac (Iot در شبکه اجتماعی، موبایل، تجزیه و تحلیل و ابر) (I-Smac)، پالادام، هند، ۱۰–۱۱ فوریه ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۶۸۱-۶۸۵٫ [ Google Scholar ]
  75. ون، اس. گائو، ی. ژانگ، دی. یانگ، جی. لی، کیو. یک سیستم جمع‌آوری داده کارآمد برای تعداد زیادی از پایانه‌های خودروهای مختلف. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۰ ، ۱-۶٫ [ Google Scholar ] [ CrossRef ]
  76. چن، سی. لوان، تی. گوان، ایکس. لو، ن. Liu, Y. حمل و نقل خودروی متصل: تجزیه و تحلیل داده ها و شبکه های وابسته به ترافیک. IEEE Veh. تکنولوژی Mag. ۲۰۱۷ ، ۱۲ ، ۴۲-۵۴٫ [ Google Scholar ] [ CrossRef ]
  77. لام، AY; جیمز، جی کیو; هو، ی. Li, VO پارکینگ خودروی خودمختار هماهنگ برای خدمات وسیله نقلیه به شبکه: فرمول‌بندی و الگوریتم توزیع شده. IEEE Trans. Smart Grid ۲۰۱۸ , ۹ , ۴۳۵۶–۴۳۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  78. کنتراس-کاستیلو، جی. زدالی، س. Ibañez، JA حل چالش های شبکه موردی وسایل نقلیه با راه حل های کلان داده. IET Netw. ۲۰۱۶ ، ۵ ، ۸۱-۸۴٫ [ Google Scholar ] [ CrossRef ]
  79. ژنگ، ایکس. چن، دبلیو. وانگ، پی. شن، دی. چن، اس. وانگ، ایکس. ژانگ، Q. یانگ، ال. داده های بزرگ برای حمل و نقل اجتماعی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۵ ، ۱۷ ، ۶۲۰-۶۳۰٫ [ Google Scholar ] [ CrossRef ]
  80. مونیکا، بی. Lavanya، K. تجزیه و تحلیل داده های رسانه های اجتماعی برای سیستم های حمل و نقل هوشمند. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در مورد روندهای نوظهور در فناوری اطلاعات و مهندسی (ic-ETITE)، ولور، هند، ۲۴ تا ۲۵ فوریه ۲۰۲۰؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۱-۸٫ [ Google Scholar ]
  81. قهرمانی، م. ژو، ام. Hon, CT تجزیه و تحلیل داده های تلفن همراه: یک کاوش فضایی به سمت تشخیص نقطه هات. IEEE Trans. خودکار علمی مهندس ۲۰۱۹ ، ۱۶ ، ۳۵۱-۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  82. کوتریل، سی دی; دریبل، اس. استفاده از داده های بزرگ برای توسعه شاخص های پایداری حمل و نقل. J. فناوری شهری. ۲۰۱۵ ، ۲۲ ، ۴۵-۶۴٫ [ Google Scholar ] [ CrossRef ]
  83. زو، ال. یو، FR; نینگ، بی. تانگ، تی. طراحی دست‌ساز چندلایه در شبکه‌های بی‌سیم فعال MIMO برای سیستم‌های کنترل قطار مبتنی بر ارتباطات (CBTC). IEEE J. Sel. مناطق کمون. ۲۰۱۲ ، ۳۰ ، ۷۱۹-۷۲۸٫ [ Google Scholar ] [ CrossRef ]
  84. بیوک آقایی، ر.پ. کو، WT; Fong، S. تجزیه و تحلیل داده های بزرگ برای حمل و نقل: مشکلات و چشم اندازهای کاربرد آن در چین. در مجموعه مقالات سمپوزیوم منطقه ۱۰ IEEE 2016 (TENSYMP)، بالی، اندونزی، ۹ تا ۱۱ مه ۲۰۱۶؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۱۷۳-۱۷۸٫ [ Google Scholar ]
  85. عید، AB; حلیمه، مگابایت; علیمی، AM تجزیه و تحلیل داده های بزرگ برای لجستیک و حمل و نقل. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE در سال ۲۰۱۵ در زمینه لجستیک و حمل و نقل پیشرفته (ICALT)، والنسین، فرانسه، ۲۰-۲۲ مه ۲۰۱۵؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۳۱۱-۳۱۶٫ [ Google Scholar ]
  86. داونپورت، تی. بارت، پی. Bean, R. How’big data’s متفاوت است. MIT اسلون منگ. Rev. ۲۰۱۲ , ۵۴ , ۴۳٫ [ Google Scholar ]
  87. Wemegah, TD; زو، اس. چالش های بزرگ داده در حمل و نقل: مطالعه موردی تعداد حجم ترافیک از داده های عظیم شناسایی فرکانس رادیویی (RFID). در مجموعه مقالات کنفرانس بین المللی IEEE 2017 درباره مرزها و پیشرفت در علم داده (FADS)، شیان، چین، ۲۳ تا ۲۵ اکتبر ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۵۸-۶۳٫ [ Google Scholar ]
  88. رامش، ر. دیویا، جی. Dorairangaswamy، MA; Unnikrishnan، KN; جوزف، ا. ویجایاکومار، آ. مانی، الف. تجزیه و تحلیل ترافیک خودرو در زمان واقعی با استفاده از پردازش داده های بزرگ و دستگاه های مبتنی بر اینترنت اشیا برای پیش بینی سیاست های آینده در حمل و نقل هوشمند. در مجموعه مقالات کنفرانس بین المللی IEEE 2019 در مورد سیستم های ارتباطی و الکترونیکی (ICCES)، کویمباتور، هند، ۱۷ تا ۱۹ ژوئیه ۲۰۱۹؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۹؛ ص ۱۴۸۲-۱۴۸۸٫ [ Google Scholar ]
  89. سیاریف، م. Adji، TB تجزیه و تحلیل داده های بزرگ: برآورد مقصد برای کاربران حمل و نقل عمومی اتوبوس (BRT) در جاکارتا. در مجموعه مقالات کنفرانس بین المللی هوش مصنوعی و فناوری اطلاعات IEEE 2019 (ICAIIT)، یوگیاکارتا، اندونزی، ۱۳ تا ۱۵ مارس ۲۰۱۹؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۹؛ ص ۲۰۹-۲۱۴٫ [ Google Scholar ]
  90. لو، ی. میسره، ع. Wu, H. سنجش تلفن هوشمند با داده‌های حمل‌ونقل ملاقات می‌کند: یک چارچوب مشترک برای تجزیه و تحلیل خدمات حمل و نقل. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۷ ، ۱۷ ، ۹۴۵-۹۶۰٫ [ Google Scholar ] [ CrossRef ]
  91. Trueblood، F. رودریگز، دی. هرناندز، جی. سالومون، م. سوندارجان، س. پیروز، ام. رمزگشایی حمل و نقل با استفاده از تجزیه و تحلیل داده های بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE 2019 در علوم محاسباتی و هوش محاسباتی (CSCI)، لاس وگاس، NV، ایالات متحده آمریکا، ۵ تا ۷ دسامبر ۲۰۱۹؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۹؛ ص ۱۲۸۱-۱۲۸۶٫ [ Google Scholar ]
  92. النجاده، اچ. محقوب، اول. سیستم پیش بینی و هشدار ازدحام و تصادفات در VANET با استفاده از تحلیل داده های بزرگ برای سیستم های حمل و نقل هوشمند. در مجموعه مقالات مجموعه سمپوزیوم IEEE 2016 در زمینه هوش محاسباتی (SSCI)، آتن، یونان، ۶ تا ۹ دسامبر ۲۰۱۶؛ IEEE: Piscataway, NJ, USA, 2016; صص ۱-۸٫ [ Google Scholar ]
  93. لو، ی. وو، اچ. لیو، ایکس. Chen, P. TourSense: چارچوبی برای شناسایی گردشگران و تجزیه و تحلیل با استفاده از داده های حمل و نقل. IEEE Trans. بدانید. مهندسی داده ۲۰۱۹ ، ۳۱ ، ۲۴۰۷–۲۴۲۲٫ [ Google Scholar ] [ CrossRef ]
  94. پویو، دی. بیشوف، اس. سربانسکو، بی. نچیفور، اس. پریرا، جی. Schreiner, H. برنامه ریز سفر حمل و نقل عمومی که توسط تجزیه و تحلیل داده های اینترنت اشیا فعال شده است. در مجموعه مقالات بیستمین کنفرانس IEEE 2017 در مورد نوآوری ها در ابرها، اینترنت و شبکه ها (ICIN)، پاریس، فرانسه، ۷ تا ۹ مارس ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۳۵۵-۳۵۹٫ [ Google Scholar ]
  95. سیریل، آ. جورج، وی. Mulangi، تجزیه و تحلیل داده های ماشین بلیط الکترونیکی RH برای برنامه ریزی حمل و نقل عمومی اتوبوس. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد انرژی، ارتباطات، تجزیه و تحلیل داده ها و محاسبات نرم (ICECDS)، چنای، هند، ۱ تا ۲ اوت ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۳۹۱۷–۳۹۲۲٫ [ Google Scholar ]
  96. کوون، او. لی، ن. Shin، B. مدیریت کیفیت داده، تجربه استفاده از داده و قصد اکتساب تجزیه و تحلیل داده های بزرگ. بین المللی J. Inf. مدیریت ۲۰۱۴ ، ۳۴ ، ۳۸۷-۳۹۴٫ [ Google Scholar ]
  97. کنگ، ایکس. لی، ام. تانگ، تی. تیان، ک. موریرا-ماتیاس، ال. Xia, F. برنامه ریزی مسیر اتوبوس شاتل مترو بر اساس تجزیه و تحلیل داده های حمل و نقل. IEEE Trans. خودکار علمی مهندس ۲۰۱۸ ، ۱۵ ، ۱۵۰۷-۱۵۲۰٫ [ Google Scholar ] [ CrossRef ]
  98. ساروژ، ا. روی، اس. گین، ا. هانتر، م. فوجیموتو، R. شبیه سازی حمل و نقل مبتنی بر داده در زمان واقعی شهر هوشمند. در مجموعه مقالات کنفرانس شبیه سازی زمستانی IEEE 2018 (WSC)، گوتنبرگ، سوئد، ۹ تا ۱۲ دسامبر ۲۰۱۸؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۸۵۷-۸۶۸٫ [ Google Scholar ]
  99. نلسون، کیو. اشتفنس مایر، دی. Pawaskar، S. یک رویکرد ساده برای سیستم های حمل و نقل پایدار در شهرهای هوشمند: یک مدل نظریه گراف. در مجموعه مقالات کنفرانس IEEE 2018 در زمینه فناوری‌های پایداری (SusTech)، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، ۱۱ تا ۱۳ نوامبر ۲۰۱۸؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۱-۵٫ [ Google Scholar ]
  100. درویش، تی اس; باکار، کالیفرنیا؛ کایوارتیا، او. Lloret, J. TRADING: بارگیری داده های آگاه از ترافیک برای سیستم حمل و نقل هوشمند با قابلیت داده های بزرگ. IEEE Trans. وه تکنولوژی ۲۰۲۰ ، ۶۹ ، ۶۸۶۹-۶۸۷۹٫ [ Google Scholar ] [ CrossRef ]
  101. هوارد، ای جی; لی، تی. ماهار، س. اینتروادو، پی. Woodbridge، DMK چارچوب تجزیه و تحلیل داده های توزیع شده برای حمل و نقل هوشمند. در مجموعه مقالات بیستمین کنفرانس بین المللی IEEE 2018 در محاسبات و ارتباطات با عملکرد بالا؛ شانزدهمین کنفرانس بین المللی IEEE در شهر هوشمند؛ چهارمین کنفرانس بین المللی IEEE در علم و سیستم های داده (HPCC/SmartCity/DSS)، اکستر، بریتانیا، ۲۸ تا ۳۰ ژوئن ۲۰۱۸؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۱۳۷۴–۱۳۸۰٫ [ Google Scholar ]
  102. کاترکازاس، سی. آنتونیو، سی. وازکز، NS; تروکیدیس، آی. Arampatzis، S. داده های بزرگ و چالش های حمل و نقل در حال ظهور: یافته های پروژه noesis. در مجموعه مقالات ششمین کنفرانس بین المللی IEEE 2019 در مورد مدل ها و فناوری ها برای سیستم های حمل و نقل هوشمند (MT-ITS)، کراکوف، لهستان، ۵ تا ۷ ژوئن ۲۰۱۹؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۹؛ صفحات ۱-۹٫ [ Google Scholar ]
  103. دمیرکان، ح. Delen, D. استفاده از قابلیت های سیستم های پشتیبانی تصمیم گیری سرویس گرا: قرار دادن تجزیه و تحلیل و داده های بزرگ در ابر. تصمیم می گیرد. سیستم پشتیبانی ۲۰۱۳ ، ۵۵ ، ۴۱۲-۴۲۱٫ [ Google Scholar ] [ CrossRef ]
  104. Bibri، SE اینترنت اشیا برای شهرهای پایدار هوشمند آینده: یک چارچوب تحلیلی برای کاربردهای کلان داده مبتنی بر حسگر برای پایداری محیطی. حفظ کنید. جامعه شهرها ۲۰۱۸ ، ۳۸ ، ۲۳۰-۲۵۳٫ [ Google Scholar ] [ CrossRef ]
  105. سینگ، جی. Singla، V. داده های بزرگ: ابزارها و فناوری ها در داده های بزرگ. بین المللی جی. کامپیوتر. برنامه ۲۰۱۵ ، ۱۱۲ ، ۶-۱۰٫ [ Google Scholar ]
  106. عالم، م.م. تورگو، ال. بیفت، الف. بررسی سیستم‌های تحلیل داده‌های مکانی-زمانی. arXiv ۲۰۲۱ ، arXiv:2103.09883. [ Google Scholar ] [ CrossRef ]
  107. عالم، م.م. ری، اس. بهاوسار، VC مطالعه عملکرد سیستم‌های داده فضایی بزرگ. در مجموعه مقالات هفتمین کارگاه بین المللی ACM SIGSPATIAL در تجزیه و تحلیل برای داده های بزرگ جغرافیایی، سیاتل، WA، ایالات متحده، ۶ نوامبر ۲۰۱۸؛ صفحات ۱-۹٫ [ Google Scholar ]
  108. جان، بی. فرمان، ح. خان، م. طلحه، م. دین، IU طراحی سیستم حمل و نقل هوشمند: رویکرد اینترنت اشیا و کلان داده. IEEE Wirel. اشتراک. ۲۰۱۹ ، ۲۶ ، ۷۳–۷۹٫ [ Google Scholar ] [ CrossRef ]
  109. آزروئال، او. Fabre, R. پردازش کلان داده با آپاچی هادوپ در عصر چالش برانگیز کنونی COVID-19. Big Data Cogn. محاسبه کنید. ۲۰۲۱ ، ۵ ، ۱۲٫ [ Google Scholar ] [ CrossRef ]
  110. گالیرز، RD; نیول، اس. شانکس، جی. تاپی، ح. داده‌سازی و تأثیرات انسانی، سازمانی و اجتماعی آن. جی. استراتژی. Inf. سیستم ۲۰۱۷ ، ۲۶ ، ۱۸۵-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
  111. فیوره، اس. الیا، دی. پیرس، CE; Mestre، DG; کاپیلو، سی. ویتالی، م. آندراد، ن. براز، تی. لزی، دی. مورائس، آر. و همکاران یک پلت فرم یکپارچه تجزیه و تحلیل داده های بزرگ و سریع برای مدیریت هوشمند حمل و نقل شهری. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۱۷۶۵۲–۱۱۷۶۷۷٫ [ Google Scholar ] [ CrossRef ]
  112. وانگ، ی. کونگ، ال. بیرد، TA تجزیه و تحلیل داده های بزرگ: درک قابلیت ها و مزایای بالقوه آن برای سازمان های مراقبت های بهداشتی. تکنولوژی پیش بینی. Soc. تغییر ۲۰۱۸ ، ۱۲۶ ، ۳-۱۳٫ [ Google Scholar ]
  113. گوا، ی. وانگ، اس. ژنگ، ال. Lu, M. برنامه ریزی ترانزیت-حمل و نقل مبتنی بر داده های مسیر. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE در سال ۲۰۱۷ درباره ابرهای پیشرفته و داده های بزرگ (CBD)، شانگهای، چین، ۱۳ تا ۱۶ اوت ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۳۸۰-۳۸۴٫ [ Google Scholar ]
  114. ون اورت، ن. Cats, O. بهبود تصمیم‌گیری، برنامه‌ریزی و عملیات حمل‌ونقل عمومی با استفاده از داده‌های بزرگ: مواردی از سوئد و هلند. در مجموعه مقالات ۲۰۱۵ هجدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند، گران کاناریا، اسپانیا، ۱۵-۱۸ سپتامبر ۲۰۱۵٫ IEEE: Piscataway, NJ, USA, 2015; صص ۱۹-۲۴٫ [ Google Scholar ]
  115. راتور، MM; احمد، ع. پل، آ. Jeon, G. حمل و نقل هوشمند گراف محور کارآمد با استفاده از اینترنت اشیا داده های بزرگ تولید می کند. در مجموعه مقالات یازدهمین کنفرانس بین المللی IEEE در سال ۲۰۱۵ در زمینه فناوری تصویر سیگنال و سیستم های مبتنی بر اینترنت (SITIS)، بانکوک، تایلند، ۲۳ تا ۲۷ نوامبر ۲۰۱۵٫ IEEE: Piscataway, NJ, USA, 2015; صص ۵۱۲-۵۱۹٫ [ Google Scholar ]
  116. وانگ، ی. رام، اس. کوریم، اف. دانتاس، ای. Sabóia, LA یک رویکرد کلان داده برای مدیریت هوشمند حمل و نقل در شبکه اتوبوسرانی. در مجموعه مقالات کنفرانس بین المللی شهرهای هوشمند IEEE 2016 (ISC2)، ترنتو، ایتالیا، ۱۲ تا ۱۵ سپتامبر ۲۰۱۶؛ IEEE: Piscataway, NJ, USA, 2016; صص ۱-۶٫ [ Google Scholar ]
  117. شوکلا، س. بالاچاندران، ک. Sumitha، VS چارچوبی برای حمل و نقل هوشمند با استفاده از داده های بزرگ. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۶ ICT در صنعت تجارت و دولت، ایندور، هند، ۱۸ تا ۱۹ نوامبر ۲۰۱۶؛ صص ۱-۳٫ [ Google Scholar ]
  118. شی، س. Abdel-Aty, M. کاربردهای کلان داده در عملیات ترافیکی بلادرنگ و نظارت بر ایمنی و بهبود در بزرگراه های شهری. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۵ ، ۵۸ ، ۳۸۰-۳۹۴٫ [ Google Scholar ] [ CrossRef ]
  119. مارشال، آ. موک، اس. شاکلی، آر. چگونه سازمان های پیشرو از داده های بزرگ و تجزیه و تحلیل برای نوآوری استفاده می کنند. رهبر استراتژی. ۲۰۱۵ ، ۴۳ ، ۳۲-۳۹٫ [ Google Scholar ] [ CrossRef ]
  120. دی جنارو، ام. پافومی، ای. مارتینی، جی. داده های بزرگ برای حمایت از سیاست های حمل و نقل جاده ای کم کربن در اروپا: کاربردها، چالش ها و فرصت ها. کلان داده Res. ۲۰۱۶ ، ۶ ، ۱۱-۲۵٫ [ Google Scholar ] [ CrossRef ]
  121. Fetene، GM; کاپلان، اس. Mabit، SL; جنسن، AF; Prato، CG استفاده از داده های بزرگ برای تخمین مصرف انرژی و برد رانندگی خودروهای الکتریکی. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۱۷ ، ۵۴ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  122. هوانگ، ز. کائو، اف. جین، سی. یو، ز. هوانگ، آر. جریان انتشار کربن از تورهای خودران و رابطه فضایی آن با نقاط دیدنی – یک روش کلان داده مرتبط با ترافیک. جی. پاک. تولید ۲۰۱۷ ، ۱۴۲ ، ۹۴۶-۹۵۵٫ [ Google Scholar ] [ CrossRef ]
  123. لند، ا. بووس، ا. پلات، آ. تجزیه و تحلیل داده ها در حمل و نقل ریلی: کاربردها و اثرات برای پایداری. مهندس IEEE مدیریت Rev. ۲۰۲۰ , ۴۸ , ۸۵–۹۱٫ [ Google Scholar ] [ CrossRef ]
  124. دیمانچه، وی. گوپیل، ا. فیلیپات، ا. ریرا، بی. شهری، ع. گابریل، جی. تجسم داده های عملیاتی راه آهن عظیم. ابزاری برای RATP Operating Expert. IFAC-PapersOnLine ۲۰۱۷ ، ۵۰ ، ۱۵۸۴۱–۱۵۸۴۶٫ [ Google Scholar ] [ CrossRef ]
  125. ژانگ، جی. لین، جی. ژانگ، ی. ژو، ک. نان، جی. لی، بی. پلت فرم عملیات هوشمند و نگهداری مبتنی بر داده های بزرگ. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE 2020 در زمینه مهندسی حمل و نقل هوشمند (ICITE)، پکن، چین، ۱۱ تا ۱۳ سپتامبر ۲۰۲۰؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ ص ۲۴۹-۲۵۳٫ [ Google Scholar ]
  126. گائو، اچ. لیو، اس. کائو، جی. ژائو، پی. ژانگ، جی. Zhang، P. تجزیه و تحلیل کلان داده کرایه حمل و نقل ریلی شهری پکن بر اساس جریان مسافر. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۸۰۰۴۹–۸۰۰۶۲٫ [ Google Scholar ] [ CrossRef ]
  127. لیو، بی. زو، جی. لی، ایکس. Sun، R. ارزیابی آسیب پذیری شبکه حمل و نقل ریلی شهری بر اساس تحلیل رفتار سفر. دسترسی IEEE ۲۰۲۰ ، ۹ ، ۱۴۰۷–۱۴۱۹٫ [ Google Scholar ] [ CrossRef ]
  128. وانگ، ی. ژانگ، دبلیو. ژانگ، اف. یین، ال. ژانگ، جی. تیان، سی. جیانگ، دبلیو. تجزیه و تحلیل جریان مسافران مترو بر اساس داده های کارت هوشمند. در مجموعه مقالات ششمین کنفرانس بین المللی IEEE 2020 در محاسبات و ارتباطات کلان داده ها (BIGCOM)، Deqing، چین، ۲۴ تا ۲۵ ژوئیه ۲۰۲۰؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ ص ۱۹۸-۲۰۲٫ [ Google Scholar ]
  129. ژیوان، اچ. لیانگ، ز. رویهوا، ایکس. Feng, Z. کاربرد تجسم داده های بزرگ در تجزیه و تحلیل جریان مسافر شبکه مترو شانگهای. در مجموعه مقالات دومین کنفرانس بین المللی IEEE 2017 در زمینه مهندسی حمل و نقل هوشمند (ICITE)، سنگاپور، ۱ تا ۳ سپتامبر ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ ص ۱۸۴-۱۸۸٫ [ Google Scholar ]
  130. ساکی، م. ابوالحسن، م. لیپمن، جی. یک رویکرد جدید برای طبقه بندی کلان داده و حمل و نقل در شبکه های ریلی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۱ ، ۱۲۳۹-۱۲۴۹٫ [ Google Scholar ] [ CrossRef ]
  131. Saboo, AR; کومار، وی. پارک، I. استفاده از داده های بزرگ برای مدل سازی اثرات متغیر زمان برای تخصیص منابع بازاریابی. Mis Q. ۲۰۱۶ , ۴۰ , ۹۱۱–۹۳۹٫ [ Google Scholar ] [ CrossRef ]
  132. وو، پی جی؛ Yang, CK تجزیه و تحلیل داده های بزرگ بدون ساختار برای مدیریت لجستیک محموله هوایی. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در عملیات خدمات و لجستیک و انفورماتیک (SOLI)، سنگاپور، ۳۱ ژوئیه تا ۲ اوت ۲۰۱۸؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۲۷۴-۲۷۸٫ [ Google Scholar ]
  133. Sankaranarayanan، HB; نکته، سفر چند وجهی RS در هند: یک رویکرد کلان داده برای تجزیه و تحلیل سیاست. در مجموعه مقالات هفتمین کنفرانس بین المللی IEEE در سال ۲۰۱۷ در مورد رایانش ابری، علم داده و مهندسی-تقابل، نویدا، هند، ۱۲ تا ۱۳ ژانویه ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ ص ۲۴۳-۲۴۸٫ [ Google Scholar ]
  134. کاستوری، ای. دیوی، اس پی؛ Kiran، SV; Manivannan، S. تجزیه و تحلیل سودآوری مسیر هواپیمایی و بهینه سازی با استفاده از مجموعه داده های هوانوردی تجزیه و تحلیل داده های بزرگ تحت تکنیک های اکتشافی. Procedia Comput. علمی ۲۰۱۶ ، ۸۷ ، ۸۶-۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  135. لی، اس. یانگ، ی. یانگ، ال. سو، اچ. ژانگ، جی. پلت فرم داده های بزرگ هواپیمای وانگ، جی. در مجموعه مقالات یازدهمین کنفرانس بین المللی IEEE در سال ۲۰۱۷ در محاسبات معنایی (ICSC)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۳۰ ژانویه تا ۱ فوریه ۲۰۱۷؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۷؛ صص ۳۲۸-۳۳۳٫ [ Google Scholar ]
  136. ژیجون، دبلیو. Caiyun، W. امنیت به عنوان یک سرویس در داده های بزرگ هوانوردی غیرنظامی. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در کامپیوتر و ارتباطات (ICCC)، چنگدو، چین، ۱۰-۱۱ اکتبر ۲۰۱۵٫ ص ۲۴۰-۲۴۴٫ [ Google Scholar ]
  137. السرحین، NO; کلایب، اف. مگابله، الف. سیستم های حمل و نقل و کنترل هوشمند با استفاده از تکنیک های داده کاوی و یادگیری ماشین: یک مطالعه جامع. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۴۹۸۳۰–۴۹۸۵۷٫ [ Google Scholar ] [ CrossRef ]
  138. Maeda، TN; موری، جی. هایاشی، آی. ساکیموتو، تی. Sakata, I. بررسی مقایسه ای روش های خوشه بندی شبکه برای استخراج ساختارهای اجتماعی یک شهر از داده های کارت هوشمند حمل و نقل عمومی. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۵۳۳۷۷–۵۳۳۹۱٫ [ Google Scholar ] [ CrossRef ]
  139. جیانگ، ی. لیو، ی. لیو، دی. Song, H. کاربرد یادگیری ماشینی در داده های بزرگ هوانوردی برای پیش بینی تاخیر پرواز. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در مورد محاسبات قابل اعتماد، خودمختار و ایمن، کنفرانس بین المللی هوش فراگیر و محاسبات، کنفرانس بین المللی رایانش ابری و داده های بزرگ، کنفرانس بین المللی کنگره علوم و فناوری سایبری (DASC/PiCom/CBDCom/CyberSciTech) ، کلگری، AB، کانادا، ۱۷ تا ۲۲ اوت ۲۰۲۰؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۶۶۵-۶۷۲٫ [ Google Scholar ]
  140. دیائو، ز. ژانگ، دی. وانگ، ایکس. زی، ک. او هست.؛ لو، ایکس. Li، Y. یک مدل ترکیبی برای پیش بینی حجم ترافیک کوتاه مدت در سیستم های حمل و نقل عظیم. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۸ ، ۲۰ ، ۹۳۵–۹۴۶٫ [ Google Scholar ] [ CrossRef ]
  141. کاسترو-نتو، م. جئونگ، YS; جئونگ، MK; Han، LD Online-SVR برای پیش‌بینی کوتاه‌مدت جریان ترافیک تحت شرایط ترافیک معمولی و غیر معمول. انقضا سیستم Appl. ۲۰۰۹ ، ۳۶ ، ۶۱۶۴-۶۱۷۳٫ [ Google Scholar ] [ CrossRef ]
  142. که، ر. لی، ز. تانگ، جی. پان، ز. Wang, Y. تخمین پارامتر جریان ترافیک در زمان واقعی از ویدیوی پهپاد بر اساس طبقه‌بندی کننده مجموعه و جریان نوری. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۸ ، ۲۰ ، ۵۴–۶۴٫ [ Google Scholar ] [ CrossRef ]
  143. ژانگ، جی. شن، دی. تو، ال. ژانگ، اف. خو، سی. وانگ، ی. تیان، سی. لی، ایکس. هوانگ، بی. Li، Z. یک روش تخمین و پیش‌بینی جریان مسافر در زمان واقعی برای سیستم‌های حمل و نقل اتوبوس شهری. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۷ ، ۱۸ ، ۳۱۶۸-۳۱۷۸٫ [ Google Scholar ] [ CrossRef ]
  144. فنگ، دبلیو. چن، اچ. Zhang، Z. پیش‌بینی کوتاه‌مدت جریان ترافیک بر اساس عملکرد موجک و ماشین یادگیری افراطی. در مجموعه مقالات هشتمین کنفرانس بین المللی IEEE 2017 در زمینه مهندسی نرم افزار و علم خدمات (ICSESS)، پکن، چین، ۲۴ تا ۲۶ نوامبر ۲۰۱۷؛ صص ۵۳۱-۵۳۵٫ [ Google Scholar ]
  145. وانگ، دی. شیونگ، جی. شیائو، ز. لی، ایکس. پیش‌بینی جریان ترافیک کوتاه‌مدت براساس ماشین یادگیری افراطی متوالی گروهی در زمان واقعی تحت شرایط غیر ثابت. در مجموعه مقالات هشتاد و سومین کنفرانس فناوری وسایل نقلیه IEEE 2016 (VTC Spring)، نانجینگ، چین، ۱۵ تا ۱۸ مه ۲۰۱۶؛ صص ۱-۵٫ [ Google Scholar ]
  146. زاپاتا، LP; فلورس، ام. لاریوس، وی. ماسیل، آر. Antúnez، EA برآورد جریان مردم در شبکه حمل و نقل عمومی از طریق مشکل مبدا-مقصد برای کریدور جنوب شرقی شهر کیتو در بافت شهرهای هوشمند. در مجموعه مقالات کنفرانس بین المللی شهرهای هوشمند IEEE 2019 (ISC2)، کازابلانکا، مراکش، ۱۴ تا ۱۷ اکتبر ۲۰۱۹؛ ص ۱۸۱-۱۸۶٫ [ Google Scholar ]
  147. لیو، آر. وانگ، ی. ژو، اچ. Qian, Z. پیش‌بینی کوتاه‌مدت جریان مسافر بر اساس تبدیل موجک و ماشین یادگیری شدید هسته. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۵۸۰۲۵–۱۵۸۰۳۴٫ [ Google Scholar ] [ CrossRef ]
  148. گفت، AM; عبدالرحمن، ا. Afifi, H. مطالعه مقایسه ای در مورد الگوریتم های یادگیری ماشین برای سیستم های حمل و نقل هوشمند آگاه از زمینه سبز. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۷ در زمینه فناوری ها و کاربردهای الکتریکی و محاسباتی (ICECTA)، راس AI خیمه، امارات متحده عربی، ۲۱ تا ۲۳ نوامبر ۲۰۱۷؛ صص ۱-۵٫ [ Google Scholar ]
  149. ههدوس، سی. چاکراورتی، ا. Rong, C. چارچوب های شبکه عصبی. Com $ parison در پیش بینی حمل و نقل عمومی. در مجموعه مقالات کارگاه های سمپوزیوم بین المللی پردازش موازی و توزیع شده IEEE 2019 (IPDPSW)، ریودوژانیرو، برزیل، ۲۰ تا ۲۴ مه ۲۰۱۹؛ صص ۸۴۲-۸۴۹٫ [ Google Scholar ]
  150. Bazzan, AL; Chamby-Diaz، JC; Estevam، RS; اشمیت، LDA؛ پسین، م. ساماتلو، JLA; Ribeiro، MVL با استفاده از اطلاعات منابع ناهمگن و یادگیری ماشینی در سیستم های حمل و نقل هوشمند. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE 2019 در زمینه ارتباطات و پردازش کامپیوتری هوشمند (ICCP)، کلوژ-ناپوکا، رومانی، ۵ تا ۷ سپتامبر ۲۰۱۹؛ ص ۲۱۳-۲۲۰٫ [ Google Scholar ]
  151. سنگ، KP; Ang, LM معماری لایه‌ای داده‌های بزرگ و واحدهای کاربردی برای اینترنت چند رسانه‌ای اشیا. IEEE Trans. محاسبات چند مقیاسی سیستم ۲۰۱۸ ، ۴ ، ۵۰۰–۵۱۲٫ [ Google Scholar ] [ CrossRef ]
  152. سنگ، JKP; Ang، مدل‌سازی هیجان و احساسات چندوجهی KLM از داده‌های بزرگ بدون ساختار: چالش‌ها، معماری و تکنیک‌ها. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۹۰۹۸۲–۹۰۹۹۸٫ [ Google Scholar ]
  153. شومی، نیوجرسی؛ Ang، LM; سنگ، KP; رحمان، DM; ضیا، تی. تجزیه و تحلیل عاطفی داده های بزرگ چندوجهی: یک بررسی جامع با استفاده از سیگنال های متنی، صوتی، بصری و فیزیولوژیکی. J. Netw. محاسبه کنید. Appl. ۲۰۱۹ ، ۱۴۹ ، ۱۰۲۴۴۷٫ [ Google Scholar ] [ CrossRef ]
  154. پانوسکی، دی. اسکورتو، وی. Zaharia, T. یک رویکرد مبتنی بر شبکه عصبی برای پیش بینی حمل و نقل عمومی با ماتریس تراکم ترافیک. در مجموعه مقالات هفتمین کارگاه اروپایی ۲۰۱۸ در مورد پردازش اطلاعات بصری (EUVIP)، تامپره، فنلاند، ۲۶ تا ۲۸ نوامبر ۲۰۱۸؛ صص ۱-۶٫ [ Google Scholar ]
  155. پانوسکی، دی. Zaharia, T. پیش بینی حمل و نقل عمومی در زمان واقعی با الگوریتم های یادگیری ماشینی. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در مورد لوازم الکترونیکی مصرفی (ICCE)، لاس وگاس، NV، ایالات متحده آمریکا، ۴ تا ۶ ژانویه ۲۰۲۰؛ صص ۱-۴٫ [ Google Scholar ]
  156. پانوسکی، دی. زهاریا، تی. بهینه سازی چراغ راهنمایی خودرو مبتنی بر شبیه سازی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی ۲۰۱۶ در زمینه فناوری تصویر-سیگنال و سیستم های مبتنی بر اینترنت (SITIS)، ناپل، ایتالیا، ۲۸ نوامبر تا ۱ دسامبر ۲۰۱۶؛ صص ۲۵۸-۲۶۵٫ [ Google Scholar ]
  157. لیو، ی. لیو، سی. یوان، نیوجرسی؛ دوان، ال. فو، ی. شیونگ، اچ. خو، اس. Wu, J. مسیریابی اتوبوس هوشمند با الگوهای حرکتی انسان ناهمگون. بدانید. Inf. سیستم ۲۰۱۷ ، ۵۰ ، ۳۸۳-۴۱۵٫ [ Google Scholar ] [ CrossRef ]
  158. Soares، EFDS; Revoredo، K. بایائو، اف. د MS Quintella، CA; Campos، CAV یک راه حل ترکیبی برای تشخیص حالت سفر در زمان واقعی و پیش بینی هدف سفر. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۴۶۵۵–۴۶۶۴٫ [ Google Scholar ] [ CrossRef ]
  159. مینه، م. دومیترسکو، سی. Chiva، IC جمع آوری داده های ناشناس حمل و نقل عمومی غیر متعارف با استفاده از هوش مصنوعی. در مجموعه مقالات یازدهمین کنفرانس بین المللی ۲۰۱۹ در الکترونیک، رایانه و هوش مصنوعی (ECAI)، پیتستی، رومانی، ۲۷ تا ۲۹ ژوئن ۲۰۱۹؛ صص ۱-۶٫ [ Google Scholar ]
  160. ورس، م. Moussa, M. یادگیری عمیق برای سیستم های حمل و نقل هوشمند: بررسی روندهای نوظهور. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۱ ، ۳۱۵۲–۳۱۶۸٫ [ Google Scholar ] [ CrossRef ]
  161. لین، اف. نیش، جی. Hsieh، HP رویکردی با اولویت گاوسی برای استقرار مسیر اضافی در حمل و نقل انبوه موجود با استنتاج جریان مسافر مبتنی بر شبکه عصبی. در مجموعه مقالات کنگره IEEE 2020 در محاسبات تکاملی (CEC)، گلاسکو، بریتانیا، ۱۹ تا ۲۴ ژوئیه ۲۰۲۰؛ صص ۱-۸٫ [ Google Scholar ]
  162. سیریپانپورنچانا، سی. پانیچپاپیبون، س. Chaovalit، P. پیش بینی زمان سفر با یادگیری عمیق. در مجموعه مقالات کنفرانس منطقه ۱۰ IEEE 2016 (TENCON)، سنگاپور، ۲۲ تا ۲۵ نوامبر ۲۰۱۶؛ صفحات ۱۸۵۹-۱۸۶۲٫ [ Google Scholar ]
  163. وانگ، دی. ژانگ، جی. کائو، دبلیو. لی، جی. ژنگ، ی. کی می‌رسی؟ تخمین زمان سفر بر اساس شبکه های عصبی عمیق در مجموعه مقالات کنفرانس AAAI در زمینه هوش مصنوعی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، ۲ تا ۷ فوریه ۲۰۱۸٫ [ Google Scholar ]
  164. ژانگ، اچ. وو، اچ. سان، دبلیو. Zheng, B. Deeptravel: مدل تخمین زمان سفر مبتنی بر شبکه عصبی با نظارت کمکی. arXiv ۲۰۱۸ , arXiv:1802.02147. [ Google Scholar ]
  165. زو، ایکس. لی، جی. لیو، ز. وانگ، اس. یانگ، اف. آموزش حمل و نقل پروفایل های تحرک حاشیه نویسی شده از داده های GPS برای خدمات سیار آگاه از زمینه. در مجموعه مقالات کنفرانس بین المللی IEEE 2016 در محاسبات خدمات (SCC)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۲۷ ژوئن تا ۲ ژوئیه ۲۰۱۶؛ صص ۴۷۵-۴۸۲٫ [ Google Scholar ]
  166. جیندال، آی. Qin، ZT; چن، ایکس. نوکلبی، ام. بله، جی. بهینه سازی سیاست های تاکسی کارپول از طریق یادگیری تقویتی و استخراج مکانی-زمانی. در مجموعه مقالات کنفرانس بین‌المللی IEEE 2018 در مورد داده‌های بزرگ (Big Data)، سیاتل، WA، ایالات متحده، ۱۰-۱۳ دسامبر ۲۰۱۸؛ ص ۱۴۱۷–۱۴۲۶٫ [ Google Scholar ]
  167. عابدالا، ع. فاضل، ع. توفاها، من. العمری، ح. عمری، م. عبدالله، م. Al-Ayyoub, M. MTRecS-DLT: سیستم توصیه کننده حمل و نقل چند وجهی با استفاده از یادگیری عمیق و مدل های درختی. در مجموعه مقالات ششمین کنفرانس بین المللی ۲۰۱۹ در تحلیل، مدیریت و امنیت شبکه های اجتماعی (SNAMS)، گرانادا، اسپانیا، ۲۲ تا ۲۵ اکتبر ۲۰۱۹؛ صص ۲۷۴-۲۷۸٫ [ Google Scholar ]
  168. ممکن است.؛ Zhang, Z. پیش‌بینی انتخاب حالت سفر با استفاده از شبکه‌های عصبی عمیق با تعبیه‌های موجودیت. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۶۴۹۵۹–۶۴۹۷۰٫ [ Google Scholar ] [ CrossRef ]
  169. ژو، اف. یانگ، کیو. ژونگ، تی. چن، دی. Zhang، N. شبکه های عصبی نمودار متغیر برای پیش بینی ترافیک جاده ای در سیستم های حمل و نقل هوشمند. IEEE Trans. Ind. اطلاع رسانی. ۲۰۲۰ ، ۱۷ ، ۲۸۰۲-۲۸۱۲٫ [ Google Scholar ] [ CrossRef ]
  170. لی، ی. یو، آر. شهابی، ج. لیو، ی. شبکه عصبی تکراری کانولوشنال انتشار: پیش‌بینی ترافیک مبتنی بر داده. arXiv ۲۰۱۷ , arXiv:1707.01926. [ Google Scholar ]
  171. ژنگ، ز. یانگ، ی. لیو، جی. دای، HN; Zhang، Y. رویکرد یادگیری عمیق و تعبیه شده برای پیش بینی جریان ترافیک در انفورماتیک شهری. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۹۲۷–۳۹۳۹٫ [ Google Scholar ] [ CrossRef ]
  172. ژانگ، جی. ژنگ، ی. Qi، D. شبکه‌های باقیمانده مکانی-زمانی عمیق برای پیش‌بینی جریان‌های جمعیتی در سطح شهر. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۴ تا ۹ فوریه ۲۰۱۷٫ [ Google Scholar ]
  173. گوا، اس. لین، ی. لی، اس. چن، ز. Wan, H. شبکه‌های عصبی کانولوشنال سه بعدی فضایی-زمانی عمیق برای پیش‌بینی داده‌های ترافیک. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۹۱۳–۳۹۲۶٫ [ Google Scholar ] [ CrossRef ]
  174. دای، جی. مک.؛ Xu، X. روش پیش‌بینی جریان ترافیک کوتاه‌مدت برای بخش‌های جاده شهری بر اساس تحلیل فضا-زمان و GRU. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۴۳۰۲۵–۱۴۳۰۳۵٫ [ Google Scholar ] [ CrossRef ]
  175. ژنگ، جی. چای، WK; Katos, V. یک مدل مجموعه ای برای پیش بینی ترافیک کوتاه مدت در سیستم حمل و نقل شهر هوشمند. در مجموعه مقالات کنفرانس ارتباطات جهانی IEEE 2019 (GLOBECOM)، Waikoloa، HI، ایالات متحده آمریکا، ۹ تا ۱۳ دسامبر ۲۰۱۹؛ صص ۱-۶٫ [ Google Scholar ]
  176. شوکلا، ا. باتاچاریا، پ. تنور، س. کومار، ن. Guizani، M. Dwara: یک طرح قیمت گذاری عوارض پویا مبتنی بر یادگیری عمیق برای سیستم های حمل و نقل هوشمند. IEEE Trans. وه تکنولوژی ۲۰۲۰ ، ۶۹ ، ۱۲۵۱۰-۱۲۵۲۰٫ [ Google Scholar ] [ CrossRef ]
  177. ژانگ، جی. چن، اف. شن، Q. شبکه LSTM مبتنی بر خوشه برای پیش بینی کوتاه مدت جریان مسافر در حمل و نقل ریلی شهری. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۴۷۶۵۳–۱۴۷۶۷۱٫ [ Google Scholar ] [ CrossRef ]
  178. زو، ک. سون، پی. لی، دبلیو. لی، ز. ژو، R. پیش بینی جریان مسافر در حمل و نقل ریلی شهری بر اساس تجزیه و تحلیل داده های بزرگ و یادگیری عمیق. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۴۲۲۷۲–۱۴۲۲۷۹٫ [ Google Scholar ] [ CrossRef ]
  179. شا، س. لی، جی. ژانگ، ک. یانگ، ز. وی، ز. لی، ایکس. زو، X. پیش‌بینی گردش مسافران مترو مبتنی بر RNN. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۵۲۳۲–۱۵۲۴۰٫ [ Google Scholar ] [ CrossRef ]
  180. لی، جی. پنگ، اچ. لیو، ال. شیونگ، جی. دو، بی. ما، اچ. وانگ، ال. Bhuiyan، MZA Graph CNNs برای پیش‌بینی جریان ترافیک شهری. در مجموعه مقالات IEEE SmartWorld 2018، هوش و محاسبات همه جا حاضر، محاسبات پیشرفته و قابل اعتماد، محاسبات و ارتباطات مقیاس پذیر، محاسبات ابری و کلان داده، اینترنت مردم و نوآوری شهر هوشمند (SmartWorld/SCALCOM/UIC/ATCI/CBSD )، گوانگژو، چین، ۸ تا ۱۲ اکتبر ۲۰۱۸؛ صص ۲۹-۳۶٫ [ Google Scholar ]
  181. لی، دی. کائو، جی. لی، آر. Wu, L. یک مدل LSTM ساختار یافته مکانی-زمانی برای پیش بینی کوتاه مدت ماتریس مبدا-مقصد در حمل و نقل ریلی با داده های چند منبعی. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۸۴۰۰۰–۸۴۰۱۹٫ [ Google Scholar ] [ CrossRef ]
  182. توکه، اف. بیا، ای. المهرسی، م.ک. Oukhellou، L. پیش بینی ماتریس های پویا مبدا-مقصد حمل و نقل عمومی با شبکه های عصبی بازگشتی حافظه کوتاه مدت. در مجموعه مقالات نوزدهمین کنفرانس بین المللی IEEE 2016 در مورد سیستم های حمل و نقل هوشمند (ITSC)، ریودوژانیرو، برزیل، ۱ تا ۴ نوامبر ۲۰۱۶؛ ص ۱۰۷۱-۱۰۷۶٫ [ Google Scholar ]
  183. ماشین، م. Sanguesa، JA; گاریدو، پی. مارتینز، FJ در مورد استفاده از تکنیک های هوش مصنوعی در سیستم های حمل و نقل هوشمند. در مجموعه مقالات کنفرانس IEEE Wireless Communications and Networking Workshops (WCNCW) 2018، بارسلون، اسپانیا، ۱۵ تا ۱۸ آوریل ۲۰۱۸؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۳۳۲-۳۳۷٫ [ Google Scholar ]
  184. کومار، ن. رحمان، اس.اس. استنباط داکاد، N. فازی، کنترل چراغ راهنمایی مبتنی بر یادگیری تقویتی عمیق را برای سیستم حمل و نقل هوشمند فعال کرد. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۰ ، ۲۲ ، ۴۹۱۹-۴۹۲۸٫ [ Google Scholar ] [ CrossRef ]
  185. Lv، Z. لو، آر. سینگ، سیستم‌های ارتباطی قدرتمند AK AI برای سیستم‌های حمل و نقل هوشمند. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۱ ، ۲۲ ، ۴۵۷۹-۴۵۸۷٫ [ Google Scholar ] [ CrossRef ]
  186. حسین، ام اس; سینها، اچ. مصطفی، ر. یک سیستم خبره مبتنی بر قاعده اعتقادی برای کنترل علائم راهنمایی و رانندگی در شرایط عدم قطعیت. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۵ در مهندسی کامپیوتر و اطلاعات (ICCIE)، راجشاهی، بنگلادش، ۲۶-۲۷ نوامبر ۲۰۱۵٫ IEEE: Piscataway, NJ, USA, 2015; صص ۸۳-۸۶٫ [ Google Scholar ]
  187. اولوان، MA; مصطفی، ع.ا. AbdELAty، YM; محفوظ، DM; شهاتا، OM; مورگان، ارزیابی رفتار EI جوخه خودرو از طریق کنترل‌کننده‌های مختلف Fuzzy-X Tuned. در مجموعه مقالات هشتمین کنفرانس بین المللی EEE 2020 در مورد کنترل، مکاترونیک و اتوماسیون (ICCMA)، مسکو، روسیه، ۶ تا ۸ نوامبر ۲۰۲۰؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۱۴۹-۱۵۵٫ [ Google Scholar ]
  188. وانگ، WC; تای، سی سی; وو، اس جی. Liu، ZY یک الگوریتم ژنتیک ترکیبی با کنترل کننده منطق فازی برای سیستم انتقال قدرت بی سیم وسایل نقلیه الکتریکی. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در زمینه فناوری صنعتی (ICIT)، سویل، اسپانیا، ۱۷ تا ۱۹ مارس ۲۰۱۵؛ IEEE: Piscataway, NJ, USA, 2015; صص ۲۶۲۲-۲۶۲۷٫ [ Google Scholar ]
  189. بله، YC; Tsai، MS توسعه یک الگوریتم ژنتیک مبتنی بر هماهنگی شارژ خودروی الکتریکی در شبکه‌های توزیع. در مجموعه مقالات کنگره IEEE 2015 در محاسبات تکاملی (CEC)، سندای، ژاپن، ۲۵ تا ۲۸ مه ۲۰۱۵٫ IEEE: Piscataway, NJ, USA, 2015; ص ۲۸۳-۲۹۰٫ [ Google Scholar ]
  190. آلاگوولو، آر. کاری، DM; Dagli، CH فازی – رویکرد الگوریتم ژنتیک برای ایجاد یک متا معماری بهینه برای یک سیستم حمل و نقل شهری هوشمند، ایمن و کارآمد. در مجموعه مقالات یازدهمین کنفرانس مهندسی سیستم‌های سیستم IEEE (SoSE) 2016، کونگسبرگ، نروژ، ۱۲ تا ۱۶ ژوئن ۲۰۱۶؛ IEEE: Piscataway, NJ, USA, 2016; صص ۱-۶٫ [ Google Scholar ]
  191. نعیم، م. اسلام، م.م. Yao, X. حل مسئله طراحی شبکه حمل و نقل با استفاده از رویکرد تکاملی چند هدفه. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۹۵۲–۳۹۶۳٫ [ Google Scholar ] [ CrossRef ]
  192. تانگ، جی. لیو، اف. زو، ی. ژانگ، دبلیو. Wang, Y. یک شبکه عصبی فازی بهبود یافته برای پیش‌بینی سرعت ترافیک با در نظر گرفتن مشخصه دوره‌ای. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۷ ، ۱۸ ، ۲۳۴۰-۲۳۵۰٫ [ Google Scholar ] [ CrossRef ]
  193. بائو، دی. یک استراتژی خوشه‌بندی ترکیبی چند شاخص برای شناسایی وضعیت جریان ترافیک. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۶۶۴۰۴–۱۶۶۴۰۹٫ [ Google Scholar ] [ CrossRef ]
  194. Leung، CK; الیاس، جی دی. Minuk، SM; de Jesus، ARR; Cuzzocrea، A. یک الگوریتم یادگیری ماشین مبتنی بر منطق فازی مبتکرانه برای پشتیبانی از تجزیه و تحلیل پیش‌بینی‌کننده در داده‌های حمل و نقل بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در مورد سیستم های فازی (FUZZ-IEEE)، گلاسکو، بریتانیا، ۱۹ تا ۲۴ ژوئیه ۲۰۲۰؛ صص ۱-۸٫ [ Google Scholar ]
  195. آی، سی. جیا، ال. هونگ، ام. ژانگ، سی. پیش‌بینی کوتاه‌مدت سرعت جاده بر اساس شبکه عصبی ترکیبی RBF با کمک تکنیک‌های مبتنی بر سیستم فازی در جریان ترافیک شهری. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۶۹۴۶۱–۶۹۴۷۰٫ [ Google Scholar ] [ CrossRef ]
  196. یین، اچ. وانگ، اس. خو، جی. Wong، CK پیش‌بینی جریان ترافیک شهری با استفاده از رویکرد عصبی فازی. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۰۲ ، ۱۰ ، ۸۵-۹۸٫ [ Google Scholar ] [ CrossRef ]
  197. Schmidhuber, J. یادگیری عمیق در شبکه های عصبی: یک مرور کلی. شبکه عصبی ۲۰۱۵ ، ۶۱ ، ۸۵-۱۱۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  198. Zheng, J. یک مدل مشکل مسیریابی خودرو با چندین پنجره فازی بر اساس جریان ترافیک متغیر با زمان. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۳۹۴۳۹–۳۹۴۴۴٫ [ Google Scholar ] [ CrossRef ]
  199. سان، اف. وانگ، XL; ژانگ، ی. لیو، WX; Zhang، RJ تجزیه و تحلیل ویژگی های سفر اتوبوس و پیش بینی تقاضا بر اساس مدل شبکه عصبی GA-NARX. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۸۸۱۲–۸۸۲۰٫ [ Google Scholar ] [ CrossRef ]
  200. تیرانجایا، سی. روشن، ر. اودایانگا، پی. کاوشالیا، یو. Rankothge, W. Towards a Smart City: Application of Optimization for a Smart Transportation Management System. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد اطلاعات و اتوماسیون برای پایداری (ICIAfS)، کلمبو، سریلانکا، ۲۱ تا ۲۲ دسامبر ۲۰۱۸؛ صص ۱-۶٫ [ Google Scholar ]
  201. یانگ، اچ. شبکه عصبی موجک Hu، X. با الگوریتم ژنتیک بهبود یافته برای پیش‌بینی سری‌های زمانی جریان ترافیک. Optik ۲۰۱۶ ، ۱۲۷ ، ۸۱۰۳–۸۱۱۰٫ [ Google Scholar ] [ CrossRef ]
  202. Qu، Y. لین، ز. لی، اچ. Zhang, X. تشخیص ویژگی تصادفات جاده ای شهری بر اساس GA-XGBoost در زمینه داده های بزرگ. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۷۰۱۰۶–۱۷۰۱۱۵٫ [ Google Scholar ] [ CrossRef ]
  203. ژانگ، Q. لیو، اس. گونگ، دی. ژانگ، اچ. Tu, Q. بهبود یافته بهینه سازی ازدحام ذرات با رفتار کوانتومی چند هدفه برای طراحی مسیریابی حمل و نقل ریلی. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۵۷۳۵۳–۱۵۷۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  204. وانگ، آر. ژانگ، ز. وانگ، ال. ژانگ، اچ. بهینه سازی مسیریابی حمل و نقل ریلی باری با منابع قابل گسترش. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۶۱۶۰۷–۱۶۱۶۲۰٫ [ Google Scholar ] [ CrossRef ]
  205. Liu, W. بهینه‌سازی مسیر برای توزیع آخرین مایل لجستیک تجارت الکترونیک روستایی بر اساس بهینه‌سازی کلنی مورچه‌ها. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۲۱۷۹–۱۲۱۸۷٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00085 g001 550
شکل ۱٫ معماری عمومی برای تجزیه و تحلیل داده های بزرگ در حمل و نقل هوشمند.
Ijgi 11 00085 g002 550
شکل ۲٫ محدوده بررسی.
Ijgi 11 00085 g003 550
شکل ۳٫ آمار توزیع مقالات بر اساس سال انتشار.
Ijgi 11 00085 g004 550
شکل ۴٫ معماری چارچوب IVS [ ۱۸ ].
Ijgi 11 00085 g005 550
شکل ۵٫ معماری حمل و نقل پارکینگ هوشمند [ ۲۱ ].
Ijgi 11 00085 g006 550
شکل ۶٫ موجودیت ها و روابط اصلی SLTS [ ۲۳ ].
Ijgi 11 00085 g007 550
شکل ۷٫ معماری حمل و نقل هوشمند ACP [ ۲۴ ].
Ijgi 11 00085 g008 550
شکل ۸٫ شهر هوشمند مجهز به SDN و مدل تعبیه شده در مربع شبکه [ ۲۶ ]: ( الف ) SC فعال شده با SDN با مدیریت برنامه ریزی مسیر توزیع شده. ( ب ) مدل شبکه مبتنی بر شبکه.
Ijgi 11 00085 g009 550
شکل ۹٫ معماری حمل و نقل هوشمند سنجش جمعیت سیار [ ۲۹ ].
Ijgi 11 00085 g010 550
شکل ۱۰٫ برنامه حمل و نقل هوشمند TrafficInfo [ ۲۹ ].
Ijgi 11 00085 g011 550
شکل ۱۱٫ مقایسه بین توزیع لجستیک سنتی ( a ) و مدل CPTS ( b ) [ ۳۱ ].
Ijgi 11 00085 g012 550
شکل ۱۲٫ معماری حمل و نقل هوشمند پهپاد [ ۳۴ ]: ( الف ) یک پهپاد مورد سوء استفاده قرار می گیرد تا قبل از رسیدن به صحنه حادثه، گزارشی از پیش به تیم امداد ارائه کند. ( ب ) پلیس از پهپاد برای تشخیص تخلفات رانندگی استفاده می کند. ( ج ) یک پهپاد به عنوان یک RSU پرنده استفاده می شود که هشداری را در مورد خطرات جاده ای که در مناطق فاقد RSU شناسایی شده است پخش می کند.
Ijgi 11 00085 g013 550
شکل ۱۳٫ معماری حمل و نقل به اشتراک گذاری سواری [ ۳۵ ].
Ijgi 11 00085 g014 550
شکل ۱۴٫ معماری حمل و نقل زباله [ ۳۷ ].
Ijgi 11 00085 g015 550
شکل ۱۵٫ نمودار ساختاری معماری حمل و نقل هوشمند [ ۵۸ ].
Ijgi 11 00085 g016 550
شکل ۱۶٫ پیش پردازش داده ها با تطبیق نقشه [ ۶۶ ].
Ijgi 11 00085 g017 550
شکل ۱۷٫ منابع جمع آوری داده برای استراتژی های حمل و نقل SC.
Ijgi 11 00085 g018 550
شکل ۱۸٫ معماری سه لایه برای تجزیه و تحلیل داده های بزرگ [ ۷۰ ].
Ijgi 11 00085 g019 550
شکل ۱۹٫ چهار معماری لایه ای برای تجزیه و تحلیل داده های بزرگ [ ۱۱۰ ].
Ijgi 11 00085 g020 550
شکل ۲۰٫ پلت فرم تجزیه و تحلیل کلان داده یکپارچه برای حمل و نقل شهری هوشمند [ ۱۱۱ ].
Ijgi 11 00085 g021 550
شکل ۲۱٫ طبقه بندی کلان داده و حمل و نقل در شبکه های ریلی [ ۱۳۰ ].
Ijgi 11 00085 g022 550
شکل ۲۲٫ خوشه بندی شبکه برای ساختارهای جامعه [ ۱۳۸ ].
Ijgi 11 00085 g023 550
شکل ۲۳٫ چارچوب از منابع ناهمگن در حمل و نقل هوشمند [ ۱۵۰ ].
Ijgi 11 00085 g024 550
شکل ۲۴٫ رویکرد شبکه عصبی برای پیش بینی حمل و نقل عمومی [ ۱۵۴ ].
Ijgi 11 00085 g025 550
شکل ۲۵٫ چارچوب پیش بینی سفر شبکه عصبی عمیق [ ۱۶۸ ].
Ijgi 11 00085 g026 550
شکل ۲۶٫ چارچوب VGRAN برای پیش بینی ترافیک [ ۱۶۹ ].
Ijgi 11 00085 g027 550
شکل ۲۷٫ رویکرد یادگیری عمیق برای پیش بینی جریان ترافیک شهری [ ۱۷۱ ].
Ijgi 11 00085 g028 550
شکل ۲۸٫ چارچوب GRU برای پیش بینی ترافیک [ ۱۷۴ ].
Ijgi 11 00085 g029 550
شکل ۲۹٫ چارچوب یادگیری عمیق Dwara برای قیمت گذاری پویا عوارض [ ۱۷۶ ].
Ijgi 11 00085 g030 550
شکل ۳۰٫ چارچوب یادگیری عمیق LSTM برای پیش بینی جریان مسافر [ ۱۷۷ ].
Ijgi 11 00085 g031 550
شکل ۳۱٫ شناسایی وضعیت جریان ترافیک بر اساس خوشه بندی فیوژن چند پارامتری [ ۱۹۳ ].

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما