30048

برآورد حجم ترافيك مقاطع آزادراهي با استفاده از داده‌هاي برخط زمان سفر

كارشناسي ارشد

مهندسي عمران- حمل و نقل

1398

1401/8/29

رضا گلشن خواص - افشين شريعت مهيمني

مهندسي عمران

جريان ترافيك پارامتري مهم براي برنامه‌ريزان و مديران حمل‌ونقل جهت مديريت و برنامه‌ريزي موثر ترافيك مي‌باشد. آگاهي از داده‌‌هاي برخط جريان ترافيك مديران را در امر كنترل به‌لحظه‌ ترافيك پشتيباني كرده و سفرهاي كارآمدتري را براي مسافران فراهم مي‌كند. اين پارامتر به صورت معمول با استفاده از شناساگرهاي ثابت ترافيكي گردآوري شده و در اختيار قرار مي‌گيرد. با اين وجود، با توجه به هزينه‌ بالاي نصب و نگهداري اين شناساگرها، برآورد دقيق و به‌لحظه‌ اين پارامتر برمبناي متغيرهاي مستقل و در دسترس موجود مي‌تواند جايگزين مناسبي براي شناساگرهاي ترافيكي محسوب شود. امروزه با گسترش روش‌هاي نوين جمع‌آوري داده و برمبناي قابليت مكانيابي دستگاه‌هاي مجهز به GPS به‌ويژه تلفن‌هاي همراه و مفهوم داده‌هاي جمع‌سپار حجم عظيمي از داده‌ها فراهم شده و توسط سرويس‌هاي نقشه و مسيرياب در اختيار كاربران قرار داده مي‌شود. اين سرويس‌ها با استفاده از اطلاعات مكاني-زماني ثبت شده توسط تلفن‌هاي همراه و برمبناي داده‌هاي به‌لحظه ترافيك، داده‌هاي برخط زمان سفر را برآورد كرده و آن‌ها را از طريق رابط‌هاي برنامه‌نويسي كاربردي (APIs) به كاربران خود ارائه مي‌كنند. در اين مطالعه سعي شد با استفاده از داده‌هاي برخط زمان سفر و همچنين ساير پارامترهاي موثر بر جريان ترافيك مانند شرايط آب‌وهوايي كه به صورت كاملاً رايگان در دسترس عموم قرار دارند، مدل‌هايي مناسب جهت برآورد داده‌هاي به‌لحظه جريان ترافيك آموزش داده شود. به اين منظور داده‌هاي برخط زمان سفر براي مقاطعي مشخص از بزرگراه آيت‌الله مدرس تهران از سرويس نقشه و مسيرياب در بازه‌هاي زماني يك دقيقه‌اي و به مدت تقريباً يك ماه استخراج شدند. در طول اين مدت علاوه بر داده‌هاي زمان سفر داده‌هاي ديگري شامل شرايط آب‌وهوايي، كيفيت هوا و تصادفات نيز از منابع مشخصي جمع‌آوري و ثبت شدند. درنهايت برمبناي داده‌هاي جمع‌آوري شده 4 سري مدل جهت برآورد جريان ترافيك در بازه‌هاي زماني 5 دقيقه‌اي آموزش داده شدند. اين مدل‌ها شامل مدل پارامتريك ونرد و سه مدل مبتني بر يادگيري عميق؛ مدل شبكه عصبي پيشخور، مدل حافظه كوتاه‌مدت بلند و همچنين مدل واحد بازگشتي دروازه‌اي مي‌باشند. نتايج بررسي‌هاي انجام شده بر روي مدل‌ها برمبناي داده‌هاي جمع‌آوري شده نشان داد كه تمامي مدل‌هاي مبتني بر يادگيري عميق عملكرد بهتري نسبت به مدل ونرد از خود نشان داده و از دقت بالاتري برخوردار بودند. در اين ميان مدل واحد بازگشتي دروازه‌اي نيز نسبت به دو مدل ديگر از لحاظ دقت برآورد جريان ترافيك نسبتاً كارآمدتر بوده است. علاوه بر اين، مدل‌هاي يادگيري عميق آموزش داده شده با استفاده از داده‌هاي زمان سفر و بدون استفاده از اين داده‌ها با يكديگر مقايسه شده و نتايج نشان‌دهنده عملكرد تقريباً يكسان مدل‌هاي موردنظر برمبناي داده‌هاي جمع‌آوري شده در اين مطالعه بود.

1402/08/25

Estimation of freeway sections traffic volume using online travel time data

11/20/2023 12:00:00 AM

Traffic flow is an important parameter for transport planners and managers for effective traffic management and planning. Knowledge of online traffic flow data supports managers in the matter of real-time traffic control and provides more efficient trips for passengers. This parameter is usually collected and provided using fixed traffic detectors. However, due to the high implementation and maintenance costs, accurate and real-time estimation of this parameter based on independent and available variables can be considered a suitable alternative for traffic detectors. Today, with the expansion of new data collection methods and based on the location capability of GPS-equipped devices, especially mobile phones and the concept of crowdsourced data, a huge amount of data has been provided and they are presented to users by map and navigation services. These services estimate online travel time using the spatial-temporal information recorded by mobile phones and based on real-time traffic data and provide them through Application Programming Interfaces (APIs) to their users. In this study, an attempt was made to use online travel time data, as well as other parameters affecting traffic flow such as weather conditions, which are freely available to the public, to develop suitable models for estimating real-time traffic flow data. To this end, online travel time data for specific sections of Ayatollah Modares Highway in Tehran were extracted from the map and navigation service in 1-minute intervals and for approximately one month. During this period, in addition to travel time data, other data including weather conditions, air quality, and accidents were also collected and recorded from specific sources. Finally, based on the collected data, 4 series of models were trained to estimate the traffic flow in 5-minute intervals. These models include Van Aerde's parametric model and three models based on deep learning; the Feedforward Neural Network model, Long-Short Term Memory model, as well as Gated Recurrent Unit model. The results of the investigations conducted on the models based on the collected data showed that all the deep learning-based models performed better than the Van Aerde model and had higher accuracy. Meanwhile, the Gated Recurrent Unit model was relatively more efficient than the other two models in terms of traffic flow estimation accuracy. In addition, deep learning models, trained using travel time data and without them, were compared with each other and the results showed almost the same performance of the models based on the collected data in this study.

برآورد جريان ترافيك , داده‌هاي برخط زمان سفر , سرويس‌هاي نقشه و مسيرياب , مدل‌هاي يادگيري عميق

Traffic flow estimation , online travel time data , map and navigation services , Deep learning models

Zahra Rahimi

Dr. Golshan Khavas - Dr. Shariat