سیستم های تاسیساتی هوشمند برای خطوط BRT

سیستم های تاسیساتی هوشمند برای خطوط BRT

۱۳۹۳/۰۲/۰۵

ITS حمل و نقل همگانی

از جمله سیستم های تاسیساتی هوشمند بکار رفته در این پروژه می توان به موارد ذیل اشاره نمود :

1. پوشش کامل نظارت تصویری مسیر در کلیه خطوط اجرا
2. پوشش کامل نظارت تصویر داخل ایستگاه ها در خط ۱ اتوبوسهای تندرو
3. هوشمند سازی تقاطعات و با رویکرد تخصیص اولویت حرکت به اتوبوس با استفاده از مکانیسم Late Start (اولویت دهی به اتوبوس جهت عبور سریع از تقاطع ها )
4. استقرار سیستم بلیت الکترونیک در ایستگاه ها و داخل اتوبوس ها

• به منظور تسهیل اخذ کرایه قبل از سوار شدن بر اتوبوس و جلوگیری از بر هم خوردن زمانبندی حرکت اتوبوسها برای اخذ کرایه توسط راننده

1. تأمین روشنایی ایستگاه ها برای تضمین فعالیت مطلوب با توجه به ماهیت ۲۴ ساعتة فعال تمامی خطوط
2. تجهیز ناوگان خط ۷ سامانة تندرو(میدان راه آهن ـ میدان تجریش) به سیستم مدیریت ناوگان (Online AVL) به عنوان نخستین خط تندروی خصوصی
3. ایمن سازی کانالهای عابر پیاده از طریق نمایشگرهای تمام LED با منبع تغذیة خورشیدی (SOLAR)
4. ایجاد مرکز کنترل و مدیریت سامانه های تندرو با قابلیت مانتورینگ online وضعیت کلیة خطوط
5. سیستم اعلام صوتی رسیدن به ایستگاه داخل اتوبوس

• نصب نقشه مسیر و ایستگاه ها

منبع : شرکت کنترل ترافیک تهران

لینک مطلب

راه‌اندازی نسخه جدید نقشه جامع ترافیک و حمل‌ و نقل هوشمند در پایتخت

مدیرعامل شرکت کنترل ترافیک تهران با اعلام این خبر افزود: نقشه جامع ترافیک و حمل ‌و نقل هوشمند تهران، با هدف ایجاد درگاهی مشترک جهت ارایه‌ سرویس‌ها و اطلاع‌رسانی پیرامون وضعیت حمل‌و نقل و ترافیک شهر آغ

شنبه 25 مرداد 1393 - 23:05

مدیرعامل شرکت کنترل ترافیک تهران با اعلام این خبر افزود: نقشه جامع ترافیک و حمل ‌و نقل هوشمند تهران، با هدف ایجاد درگاهی مشترک جهت ارایه‌ سرویس‌ها و اطلاع‌رسانی پیرامون وضعیت حمل‌و نقل و ترافیک شهر آغاز به کار کرد.مهندس وزیری گفت: در این نرم‌افزار وضعیت ترافیک معابر اصلی بر روی نقشه شهر تهران نمایش داده می‌شود. کاربران به سادگی می‌توانند نقشه‌ را مرور کرده و از وضعیت ترافیک در منطقه‌ مورد نظر خود آگاه شوند. این نقشه دربردارنده‌ آخرین تغییرات در شبکه‌ معابر شهر تهران است و به صورت پیوسته توسط شرکت کنترل ترافیک تهران روزآوری می‌شود.وی ادامه داد: از دیگر امکانات این نرم‌افزار می‌توان به قابلیت مسیریابی در دو حالت خودروسواری و حمل‌و نقل همگانی اشاره کرد. کاربر مبدا و مقصد مورد نظر خود را بر روی نقشه تعیین کرده و سیستم مسیر مناسب سفر را بر مبنای شیوه‌ مورد نظر کاربر محاسبه می‌کند. مسیرهای پیشنهادی یک به یک بر روی نقشه ترسیم شده و توصیف گام به گام مسیر نیز در اختیار کاربر قرار داده می‌شود. در مسیریابی خودرو سواری وضعیت جاری معابر نیز مورد نظر قرار می‌گیرد.وزیری تصریح کرد: در این نسخه مجموعه‌ای از لایه‌های تاثیرگذار بر حمل‌ونقل شهری نظیر محدوده‌ طرح‌های ترافیک و زوج ‌و فرد و جایگاه‌های سوخت‌رسانی را نیز می‌توان بر روی نقشه مشاهده کرد. شهروندان می‌توانند موقعیت مورد نظر خود را در سیستم جستجو کنند. همچنین ابزار ویژه‌ای با عنوان «این نزدیکی» جهت ارایه فرصت‌ها و موقعیت‌های پیرامون محل جاری کاربر، در سیستم پیش‌بینی شده است.وی اضافه نمود: این نرم‌افزار قرار است به عنوان ابزار ارتباطی دوسویه بین شهروندان و شرکت کنترل ترافیک تهران به کار گرفته شود. به زودی اطلاعیه‌های عمومی شرکت نظیر تغییر وضعیت طرح‌های ترافیک در ایام خاص از طریق همین نرم‌افزار به شهروندان ارایه می‌شود. همچنین کاربران قادر خواهند بود تا نظرات و پیشنهادت خود را بر مبنای موقعیت مکانی به شرکت اعلام نمایند.این نرم‌افزار هم‌اکنون در دو نسخه‌ وب و اندروید توسعه یافته است. نسخه وب این نرم‌افزار از طریق آدرس http://tehrantrafficmap.ir در دسترس قرار دارد. نسخه ویژه‌ گوشی‌های اندروید هم از این آدرس و هم از طریق شبکه‌های توزیع نرم‌افزارهای موبایل قابل دریافت است.

لینک مطلب

مدیریت ترافیک شهری و نقش سامانه های هوشمند حمل ونقل ( ITS )

صفحه: 105تا 118

نشریه: فصلنامه دانش انتظامی مازندران

شماره : 7 دوره دوم زمستان 1390

نویسندگان: علی فرهادی محلی ,محمود فرهادی محلی ,

کلیدواژگان: کنترل ترافیک،ITS ، فناوری اطلاعات، مدیریت شهری، سامانه های هوشمند.

چکیده مقاله:
امروزه افزایش تسهیلات حمل و نقل از طریق روش های مرسوم، به دلیل نیاز به سرمایه گذاری کلان و زمان زیاد جهت اجرا، نمی تواند به عنوان راه کاری مناسب و اساسی محسوب گردد. لذا در سال های اخیر، گرایش به استفاده از مکانیزم هایی جهت بهره گیری از فناوری های نوین، استفاده بهینه از منابع موجود، ابتکار عمل و استفاده از تکنیک های مدیریت ترافیک شهری در اغلب کشورها، به عنوان بهترین راه کارها، مورد توجه مدیران ترافیک کلان‌شهرها قرارگرفته است. یکی از جدیدترین و مؤثرترین راه کارهای مدیریت ترافیک که از فن آوری اطلاعات نشأت می گیرد، ایده بکارگیری سیستم های هوشمند حمل و نقل (ITS) می باشد. در واقع سامانه های حمل و نقل هوشمند، مفهومی نو در عرصه مهندسی ترافیک است که نقش بسیار مهمی در امنیت و پویایی حمل و نقل به عهده دارد. این سامانه ها باعث افزایش کارایی شبکه حمل و نقل و ترافیک گردیده است که با گسترش آن در مدیریت شهری می توان بسیاری از مشکلات حمل و نقل را حل نمود. مع الوصف در مقاله حاضر، برنامه ریزی و استقرار ITS و بومی نمودن سامانه مذکور در هر منطقه مورد بررسی قرار می گیرد و همچنین به لزوم همکاری های بین سازمانی اشاره خواهد شد.

لینک مطلب

مدیریت یکپارچه و هوشمند در بزرگراه های تهران برای نخستین بار

تین نیوز | مدیریت یکپارچه، مکانیزه و هوشمند بزرگراه‌های تهران، برای اولین بار در سطح کشور در مجموعه بزرگراهی کریدور دماوند - شهران در فاز اجرایی قرار گرفت.

به گزارش تین نیوز از روابط عمومی شرکت کنترل ترافیک تهران، مدیر عامل شرکت کنترل ترافیک تهران گفت: کریدور 35 کیلومتری دماوند - شهران به عنوان اولین بزرگراه مدیریت شده در شهر تهران، از شرق به غرب از تقاطع بزرگراه بابایی با بزرگراه یاسینی شروع شده و پس از عبور از بزرگراه‌های بابایی، صدر هم‌سطح و صدر طبقاتی وارد تونل نیایش و سپس بزرگراه نیایش و بزرگراه شهید آبشناسان شده و تا میدان شهران امتداد می‌یابد.

این کریدور که به علت حساسیت بالای پل نیایش و بزرگراه طبقاتی صدر انتخاب شده است، به تمامی بزرگراه‌های شمالی - جنوبی اصلی شهر تهران متصل است و آماربرداری‌های انجام شده نشان می‌دهد که در ساعات اوج بیش از یکصد هزار خودرو در حال استفاده از این کریدور هستند. این حجم بالا، ضرورت مدیریت پویا و در لحظه این بزرگراه را نشان می‌دهد.

وزیری افزود: در فرآیند مدیریت بزرگراهی با کمک مجموعه‌ای از شناسگرها، دوربین‌ها، تابلوها، بزرگراه به صورت لحظه ای رصد می‌شود و هرگونه اتفاق یا حادثه‌ای در آن به صورت هوشمند مدیریت می گردد و  تجهیزاتی که در این سامانه به کار گرفته می‌شوند عبارتند از انواع دوربین‌های ثبت تخلفات نظیر دوربین‌های ثبت تخلفات سرعت، عبور وسایل نقلیه سنگین از خط سرعت، تردد در خط اضطرار برای وسایل نقلیه شخصی و عبور از خط ممتد( تغییر غیرمجاز لاین عبوری)، شناساگر‌های تشخیص وضعیت ترافیک، دوربین‌های نظارت تصویری، تابلوهای پیام متغیر خبری، تابلو‌های سرعت متغیر و تابلوهای کنترل خط، ایستگاه‌های هواشناسی، سنسورهای تشخیص زمان سفر و کنترل مبادی ورودی به بزرگراه (رمپ مترینگ).

همه این سیستم‌ها در فرآیندی یکپارچه مدیریت می‌شوند، برای مثال چنانچه یخ‌زدگی در سطح راه رخ دهد، ایستگاه‌های هواشناسی در سطح راه هشدارهای لازم را به سامانه مدیریت مرکزی می‌دهند تا سرعت در مناطق یخ‌زده در طول بزرگراه کاهش یابد و هشدارهای لازم به رانندگان بر روی تابلوهای خبری مندرج در سطح راه به نمایش درآید.

وی در ادامه با بیان اینکه ایمنی یکی از مباحث اصلی مدیریت بزرگراهی است، گفت: این امر به کمک اعمال شدید‌تر قوانین، رصد دقیق وضعیت ترافیکی، تغییر وضعیت راه در شرایط بحرانی و اجرای خطوط اضطرار جهت واکنش سریع به حوادث رخ داده در سطح بزرگراه انجام می‌شود و با وجود خطوط ویژه وسایل نقلیه امدادی، دسترسی آن‌ها به محل حادثه و انتقال مجروحان تسریع یافته و ایمنی افزایش می‌یابد. بعلاوه در شرایط نامناسب جوی و در هنگام وقوع حوادث نیز امکان تغییر حداکثر سرعت مجاز و تغییر پیام‌های نمایش داده شده در سطح بزرگراه وجود دارد.

وزیری با اشاره به اینکه مهم‌ترین بارزه این مدیریت هوشمند، اصلاح رفتارها و ارتقای فرهنگ رانندگی در سطح بزرگراه‌ها است گفت: نمونه‌های موفق اصلاح رفتارهای ترافیکی در تونل‌های شهری و بزرگراه طبقاتی صدر نشان می‌دهد که با بالا بردن استانداردهای مهندسی و اعمال قانون، امکان بهبود رفتارهای ترافیکی رانندگان وجود دارد. امید است با بهره‌گیری از امکانات حاصله از فن‌آوری بتوان کیفیت تجربه رانندگان در بزرگراه‌های تهران افزایش یابد.

وی در پایان گفت: برنامه مشابهی برای کریدورهای بزرگراه شهید زین‌الدین - همت - خرازی و همچنین کریدور آزادگان در دست مطالعه است.

لینک مطلب

مدیریت ناوگان سازمانی

بر خلاف گذشته نه چندان دور که سیستم‌های موقعیت‌یابی فقط در صنایع حساس و نظامی و به طور محدود استفاده می‌شد، امروزه استفاده از این سیستم‌ها بسیار رواج پیدا کرده است به طوریکه تمامی گوشی‌های تلفن همراه هوشمند و تبلت‌ها دارای سیستم‌های موقعیت‌یاب GPS و حتی GLONNAS هستند. رواج سیستم‌های موقعیت‌یابی به همین‌جا ختم نمی‌شود. دستگاه‌های مختلفی مثل دستگاه‌های موقعیت‌یاب خودرویی، موقعیت‌یاب‌های شخصی قابل حمل، موقعیت‌یاب‌های ورزشی مثل ساعت، کفش و دست‌بند، موقعیت‌یاب‌های نصب شده بر روی دوربین‌های دیجیتال همه نشان‌دهنده‌ی محبوبیت این سیستم و فواید بسیار آن است. از این رو لازم است به وسیله ابزارهایی از وسایل فوق استفاده بهینه انجام گیرد. به عنوان مثال بسیاری از دستگاه‌های ردیاب خودرویی دارای نمایشگری است که موقعیت فعلی وسیله را در لحظه نشان می‌دهد، امروزه این دستگاه‌ها قادر هستند علاوه بر اطلاعات لحظه‌ای اطلاعات مسیرهای ممکن برای رسیدن به مقصد را مشخص کنند. این امر نشان دهنده‌ی اهمیت نحوه پردازش و ارائه اطلاعات به هر کاربر بسته به نوع و محل استفاده آن است.

سامانه مدیریت ناوگان نیز از این امر مستثنی نمی‌باشد. کاربرها، شرکت‌ها و وسایل نقلیه مختلف مشخص‌کننده‌ی نیازها می‌باشند. برای مثال نیاز شرکت‌های پخش مواد غذایی با نیاز شرکت‌های ترانزیت بین‌المللی کاملاً متفاوت می‌باشد. هم‌اکنون سامانه مدیریت ناوگان شرکت ویراتک و همچنین دستگاه‌های موقعیت‌یاب استفاده شده، علاوه بر ویژگی‌های عمومی سامانه‌های مدیریت ناوگان، دارای ویژگی‌های مختلفی است که سطح وسیعی از نیازها و درخواست‌های مشتری را پاسخ می‌دهد.

مدیریت ناوگان یک محصول کاملا تخصصی در سازمان‌ها است.

مدیریت ناوگان یا AVL تنها به مشاهده خودروهای سازمان بر روی نقشه و یا مشاهده گزارش سرعت خودرو در طول روز منحصر نمی‌شود. مدیریت ناوگان یک محصول کاملا تخصصی بوده و بسیاری از فرآیندها و نیازمندی‌های سازمان‌ها درگیر با این سامانه می‌باشند که این مسئله در محصول مدیریت ناوگان ویراتک (ره‌نگر) به خوبی دیده شده است.

به صورت عمومی، معماری مدیریت ناوگان سازمانی به شکل زیر است:

این معماری از اجزاء زیر تشکیل شده است:

• درگاه ارتباط با ناوگان که می‌تواند از طریق بستر gsm‌ یا دیگر بسترهای رادیویی ممکن شود.
• اطلاعات پایه ناوگان سازمان که در بر دارنده این اطلاعات برای استفاده در دیگر سامانه‌ها است.
• ابر نگهداری مکان با توجه به حجم زیاد داده‌های مکانی نیاز به وجود یک معماری درست برای نگهداری این حجم داده وجود دارد.
• ابر پردازشی ناوگان که به دلیل وجود الگوریتم‌های هوشمند و پیچیده بر روی حجم بالای داده‌های مکانی نیاز به یک نگاه در حوزه پردازش ابری در ناوگان وجود دارد.
• تعمیر و نگهداری ناوگان
• هوش تجاری ناوگان که یکی از مهم‌ترین بخش‌های سیستم است که می‌تواند گزارشات تخصصی زیادی در خصوص ناوگان برای مدیران ایجاد کند.
• درگاه خدمات سرویس‌گرای ناوگان همه خدمات ناوگان برای استفاده در فرآیندهای سازمانی و دیگر سامانه‌های سازمان به صورت سرویس‌گرا در اختیار قرار داده می‌شود.
• فرآیندهای کسب و کار سازمانی مدیریت ناوگان را در داخل فرآیندهای سازمان معنا می‌کند.
• سرویس‌های کسب و کار شامل کلیه خدماتی که در نهایت سازمان از طریق ناوگان خود به مردم و مشتریان خود ارائه می‌کند.

با نگاه به معماری فوق متوجه می‌شویم که مدیریت ناوگان سازمانی یک مقوله کاملا تخصصی بوده که هر یک از مولفه‌های مربوط به ناوگان می‌تواند نقش موثری در طراحی این معماری داشته باشد. همانطور که در معماری نیز مشخص است، در سطح فرآیندهای کسب و کار سازمانی، سرویس‌هایی که سامانه هوشمند مدیریت ناوگان باید در سطح سازمان ارائه دهد مشخص می‌شود. این سرویس‌ها در نهایت در قالب سرویس‌هایی در سطح کسب و کار سازمان را تکمیل می‌کنند و به این ترتیب است که یک سازمان می‌تواند به صورت عملیاتی و مفید از یک سیستم مدیریت ناوگان استفاده نماید.

در کنار این موضوع، مسائلی از قبیل مدیریت داده‌ها، وجود حجم بالای داده‌های مکانی در سیستم‌های مدیریت ناوگان نیز در این معماری به خوبی دیده شده که در چارچوب معماری و حجم ناوگان سازمان باید راه‌حل‌های مناسبی در این چارچوب برای آن در نظر گرفته شود.

همچنین، هوش تجاری ناوگان مجموعه‌ای از قابلیت‌های و خدمات عمومی در سطح ناوگان‌های مختلف می‌تواند ارائه دهد. همچنین هوش تجاری هر ناوگان تخصصی خود تحلیل‌هایی مستقل نیاز دارد که می‌تواند باعث ایجاد گزارشات و تحلیل‌های سطح بالایی در خصوص ناوگان سازمانی شده و بتواند ما را به سمت دریافت بازخوردهای مناسب و ارائه راه‌حل‌هایی برای رسیدن به وضعیت مطلوب راهنمایی کند.

بدون در نظر گرفتن این دیدگاه، مدیریت ناوگان قطعا پس از چند سال راه‌اندازی در سازمان ارزش خود را از دست داده و به دلیل اینکه توقعات مدیران را از یک همچین سیستمی محقق نمی‌سازد، به یک مسئله بی ارزش و هزینه آفرین در سازمان تبدیل می‌شود. مسئله‌ای که متاسفانه به دلیل نبود بلوغ در سامانه‌های ارائه شده در حال حاضر در سطح کشور دامن‌گیر مدیران و سازمان‌ها شده است. این مسئله به خوبی در راه حل ارائه شده در ره‌نگر، سامانه هوشمند مدیریت ناوگان ویراتک دیده شده و به همین دلیل، متخصصان و مشاورانی در حوزه حمل و نقل، ما را در تحلیل سیستم‌ها و کسب و کارهای سازمانی برای رسیدن به یک محصول تخصصی در سطح سازمان همراهی کرده‌اند.

لینک مطلب ویراتک شریف

تشخیص الگوی تصادف و اعلام تصادف به صورت برخط

با دریافت اطلاعات مسیر حرکت خودروها به صورت برخط و تشخیص الگوی حرکتی آن‌ها در هر بخش از خیابان‌ها، می‌توان این الگوها را با الگوهای زمان سفر که در پایگاه داده الگوهای ترافیکی نگهداری می‌شود، منطبق کرد. در نتیجه با ترکیب نتایج می‌توان، یک وضعیت خاص ترافیکی را تشخیص داد. برای مثال اگر زمان سفر در یک بخش، به صورت ناگهانی تغییر کند، نشان از یک واقعه مانند تصادف دارد. از سوی دیگر در این پایان‌نامه الگوهای ترافیکی گوناگون مانند تصادف را مورد بررسی قرار می‌دهیم. به این ترتیب با تطبیق این الگوها با هم، می‌توانیم وقایعی مانند تصادف را به صورت برخط تشخیص دهیم.

در ابتدا باید تشخیص وقوع یک واقعه خاص در یک نقطه تفسیر شود. در واقع ما به راحتی نمی‌توانیم وقوع یک تصادف در یک نقطه خاص را بیان کنیم، بلکه تنها می‌توان صحبت از احتمال وقوع یک تصادف یا حادثه در یک نقطه خاص کرد. ساختار ساده شده‌ی یک تصادف به صورت کلی در شکل ۸ نشان داده شده است.

با بروز یک تصادف گرفتگی بعد از آن شروع شده و طول این گرفتگی با گذشت زمان بیشتر می‌شود. با نگاه به مدل موجود در معماری مبتنی بر مسیر، اگر یک گرفتگی در یک قطعه خیابان ایجاد شود، این گرفتگی به مرور به قطعه‌های منتهی به قطعه مورد نظر منتقل شده و این روند ادامه پیدا خواهد کرد. جریان ورود خودروها به قطعه مورد نظر بیش از جریان خروجی شده و نسبت ورود به خروج، رشد طول صف ایجاد شده را مشخص می‌کند. این رشد از ابتدای قطعه و با ایجاد شاخه‌های مختلف دیگر به راحتی قابل تشخیص نمی‌باشد. ولی به طور کلی خود مسئله‌ای است که در پایان این فصل کمی به آن پرداخته خواهد شد. در نهایت برای ساده‌سازی مسئله فرض می‌کنیم در طول زمان‌های مشخص قطعه خیابان‌های منتهی به مرور مسدود می‌شوند و تاثیر تصادف در خیابان‌های یک سطح بعد هم دیده خواهد شد. در واقع اگر فاصله هر قطعه تا قطعه تصادف را در نظر بگیریم، فرض می‌کنیم بعد از زمان T (عددی بین ۲ تا ۵ دقیقه) تاثیر تصادف در قطعات با فاصله ۱ دیده شده و بعد از زمان ۲T تاثیر تصادف در قطعات با فاصله ۲ دیده می‌شود و این روند در طول زمان ادامه پیدا می‌کند. همچنین فرض می‌کنیم با گذشت زمان حداکثری T_a، حتی در صورتی که نمونه‌ای از محل مورد نظر عبور نکند، مشکل تصادف مرتفع خواهد شد.

از نگاه مشاهده‌گر، با دیدن یک گرفتگی در یک قطعه، پی می‌بریم که در قطعه مورد نظر یا قطعات بعدی گرفتگی ایجاد شده است. در نتیجه به صورت احتمالی، احتمال بروز تصادف در قطعه خیابان‌های بعد از قطعه مشاهده شده، بررسی می‌شود.

طبق شکل ۲، فرض می‌کنیم مشاهده در قطعه S و تصادف در قطعه A اتفاق افتاده باشد. فرض می‌کنیم احتمال تصادف در قطعه مشاهده شده µ و با هر یک واحد فاصله قطعات از محل مشاهده، احتمال بروز تصادف در α ضرب شود و احتمال وقوع تصادف تا زمانی جلو می‌رود که از حد T_a نگذرد. به این ترتیب قطعات با فاصله حداکثر k برای احتمال تصادف در نظر گرفته می‌شوند. برای مثال در شکل ۹، احتمال وقوع تصادف (مقدار µ) با فرض مشخص کردن α به شکل زیر محاسبه می‌شود (فرض می‌کنیم احتمال تصادف تا ۲ قطعه خیابان بعد از محل مشاهده ممکن می‌باشد، در واقع k=2):

با ادامه حرکت مشاهده‌گر، اگر مشاهده‌گر از یکی از قطعه‌های غیر از S’ حرکت کند، تنها احتمال تصادف معطوف به دو مسیر دیگر شده و بار دیگر قابل اندازه‌گیری می‌باشد. همچنین با این اتفاق احتمال وجود تصادف در قطعه S کماکان باقی می‌ماند. در نتیجه که در مثال شکل ۸ برابر می‌شود با:

همچنین اگر مشاهده‌گر از قطعه S’ حرکت کند، این احتمال معطوف به قطعه S’ و قطعات بعد از آن می‌شود با این تفاوت که حد تخمین ۱ واحد کاهش پیدا کرده و احتمال تصادف تا k-1 رده محاسبه می‌شود. به این ترتیب برای مثال شکل ۸ خواهیم داشت:

حال فرض می‌کنیم مشاهداتی از نمونه‌های مختلف در یک منطقه بدست بیاید. در این صورت باید روشی برای برهم‌نهی احتمالات داشته باشیم. هر یک از مشاهدات ما فضای احتمالاتی برای تصادف بوجود می‌آورد. حال فرض کنید فضای احتمالاتی دو مشاهده اشتراک داشته باشد. وجود دو مشاهده گرفتگی می‌تواند نشان از دو تصادف مختلف داشته باشد، ولی بدلیل آنکه دو مشاهده در نزدیکی یکدیگر اتفاق افتاده و دارای اشتراک می‌باشند، با کمی اغماض می‌توان فرض کرد که تصادف در محل اشتراک دو مشاهده اتفاق افتاده است. به همین دلیل فضای احتمال بالا را برای فضای اشتراک دو مشاهده ایجاد می‌کنیم و ملاک ما برای در نظر فاصله، کمینه فاصله هر قطعه به هر یک از قطعات مشاهده می‌باشد.

با در نظر گرفتن مثال شکل ۹، اگر فرض کنیم مشاهدات در دو قطعه S و S” اتفاق افتاده باشد، داریم:

به همین روش می‌توان برای مشاهدات بیشتر موضعی عمل کرد.

در هر صورت، ممکن است مشاهده‌گری در زمان مناسب به محل تصادف نرسیده و در نتیجه تصادف کشف نشود. در این صورت تنها احتمال وقوع تصادف در قطعات مختلف برای ما باقی خواهد ماند. در این حالت تاثیر ایجاد صف در پشت نقطه تصادف در احتمال وقوع تصادف در قطعه مورد نظر ضرب می‌شود و این تاثیر برای خیابان‌های مختلف محاسبه می‌شود.

فرض می‌کنیم با احتمال p در قطعه A تصادف شده باشد. تمام قطعاتی که با محدودیت T_a مسیری به قطعه A دارند را در نظر بگیرید. فرض می‌کنیم زمان سفر در قطعه A از زمان تصادف تا رسیدن سیستم به حالت عادی را داشته باشیم (TT_A(t)). با هر واحد دور شدن قطعات از قطعه A، این تابع برای قطعات بعدی با در نظر گرفتن ضریب محاسبه می‌شود. در واقع اگر قطعه‌ای با فاصله ۲ به قطعهA برسد، ضریب تاثیر تابع زمان سفر در هنگام تصادف برای این قطعه خواهد بود. بدست آوردن تاثیر تصادف در زمان سفر و جریان ترافیک مسئله‌ی مناسبی برای تحقیق می‌باشد که در {؟} و {؟} هم به آن پرداخته شده است.

تشخص روان شدن ترافیک قطعه‌هایی که در یک تصادف درگیر بوده‌اند، خود مسئله پیچیده‌ای می‌باشد. در واقع سرعت حل مشکل تصادف در مواقع و حالت‌های مختلف متفاوت است. در نتیجه تابع زمان سفر در زمان تصادف یک حالت پیش‌فرض داشته و با حل سریع تصادف دچار کشیدگی در محور زمان می‌شود. حال اگر مشاهده‌ای از یک قطعه انجام پذیرد که وضعیت زمان سفر روان‌تر از حالت پیش‌فرض زمان سفر به هنگام تصادف با توجه به ضرایب تاثیر در قطعه مورد نظر باشد (در صورتی که ضرایب تاثیر مناسب انتخاب شده باشند)، می‌توان فرض کرد تصادف رخ داده زودتر از زمان پیش‌فرض حل شده است. در این صورت با توجه به مشاهده انجام شده، نقطه مناسب بر روی تابع زمان سفر به هنگام تصادف برای قطعه مشاهده شده محاسبه شده و قطعه‌های منطقه تصادف به صورت مشابه دچار کشیدگی در طول زمان می‌شوند و در نتیجه وضعیت ترافیک و زمان سفر در همه قطعات بروزرسانی می‌شود. این حالت ممکن است ما را به نقطه‌ای برساند که بتوانیم حل گرفتگی ایجاد شده بر اثر تصادف و رسیدن به شرایط پایدار را نتیجه‌گیری کنیم.

روش‌های کلی گفته شده در این فصل برای ارائه راه حل کلی در این روش و معماری بوده است تا بتوانیم گرفتگی‌های حاصل از تصادف را تشخیص دهیم. به دلیل اینکه تعداد تصادفاتی که ممکن است در یک لحظه در شهر اتفاق بیفتد کم می‌باشد، می‌توان روش‌ها و تحلیل‌های پیچیده‌تری را برای تشخیص تصادف و تخمین زمان سفر به هنگام تصادف به کار ببریم که نیاز به تحقیق بیشتری دارد. همچنین تخمین زمان سفر به هنگام تصادف خود مقوله‌ای است که در این فصل به آن نخواهیم پرداخت. مطالعات و شبیه‌سازی‌های زیادی در این باره صورت گرفته است که به صورت مناسبی قابل انطباق برای استفاده در این معماری می‌باشند که به یکی از این روش‌ها بر مبنای ایده Kalman Filter در فصل {۲.۳.۶} اشاره شد.

لینک مطلب ویراتک شریف

انطباق داده‌های خودرو بر روی مسیرهای نقشه

انطباق داده‌های دریافتی از طریق GPS با داده‌های مکانی نقشه، از پیچیدگی‌های روش‌های مبتنی بر داده‌های مکانی و مبتنی بر مسیر می‌باشد. از آنجایی که این داده‌ها به صورت برخط دریافت می‌شوند و باید به صورت برخط پردازش شوند، نیاز به الگوریتم‌هایی با کارآیی بالا برای انطباق این داده‌ها با خیابان‌های نقشه داریم. در نتیجه بخشی از کار ما در این پایان‌نامه، پیدا کردن و استفاده از الگوریتم‌هایی با کارآیی بالا برای استفاده به صورت برخط در این سامانه می‌باشد.

انطباق داده‌های مسیر حرکت اتوبوس‌ها بر روی خطوط و تصحیح مختصات آن‌ها یکی از مسائلی است که برای تخمین زمان سفر اتوبوس‌ها مورد نیاز می‌باشد. در این مسئله مسیر حرکت اتوبوس به صورت یک مسیر مشخص به صورت دنباله‌ای از نقاط در دسترس می‌باشد. در همین راستا یکی از فعالیت‌هایی که در این پایان‌نامه انجام شد، انطباق این داده‌ها بر روی خط اتوبوس به منظور اطلاع‌رسانی زمان رسیدن اتوبوس‌ها به ایستگاه‌ها بوده است.

یک خط اتوبوس از مجموعه‌ای نقاط و در نتیجه مجموعه‌ای از پاره‌خط‌ها تشکیل شده است. پاره‌خط‌های موجود در خط را به صورت مرتب شده با شماره ۱ تا k در نظر می‌گیریم و فرض می‌کنیم اتوبوس از ابتدای مسیر شروع به حرکت می‌کند. همچنین فرض می‌کنیم خط مورد نظر دارای S ایستگاه می‌باشد که ایستگاه اول و آخر در ابتدا و انتهای خط قرار دارد. فاصله گرفتن اتوبوس بیش از حد مشخص L (50 متر) از ایستگاه اول، به معنای شروع حرکت اتوبوس بر روی خط تلقی می‌شود و در نتیجه حالت اتوبوس از STOP به INLINE تغییر پیدا خواهد کرد. با دریافت اولین نقاط، نزدیک‌ترین نقطه بر روی پاره‌خط اول به عنوان مختصات تصحیح شده اتوبوس در نظر گرفته می‌شود. با دریافت هر مختصات جدید از اتوبوس (p)، فاصله نقطه p از پاره‌خطی که اتوبوس آخرین بار بر روی آن مشاهده شده است شروع می‌شود. این فاصله حالت نزولی داشته تا جایی که به نزدیک‌ترین پاره‌خط (LP) به نقطه p برسیم. با صعودی شدن فاصله در می‌یابیم مختصات تصحیح شده اتوبوس باید بر روی پاره‌خط LP باشد. به این ترتیب با محاسبه نزدیک‌ترین نقطه به نقطه p بر روی پاره‌خط LP نقطه تصحیح شده اتوبوس به دست می‌آید.

لینک مطلب ویراتک شریف

معماری سامانه‌های تحلیل ترافیک

شرکت ویراتک شریف با بهبود در استفاده از راه‌کارهای تحلیل ترافیک، به طور کلی هسته‌ای برای تخمین زمان‌سفر و سامانه‌ای برای اطلاع‌رسانی مسافر بوجود آورده است. بخش اول دغدغه‌ی ما از جنبه‌ی دقت تخمین می‌باشد؛ به طوری که بتوانیم تخمین‌هایی از زمان سفر ارائه کنیم که بتواند نیازمندی‌های سیستم ما را برآورده کند. بخش دوم دغدغه‌های ما مربوط به جنبه‌های عملیاتی ایجاد هسته‌ی تحلیل ترافیک است. در واقع باید در الگوریتم‌های استفاده شده برای تحلیل زمان‌سفر یک شبکه‌ی گسترده، بهبودهایی حاصل کنیم؛ در حدی که بتوان از این الگوریتم‌ها برای چنین شبکه‌ای استفاده کرد. در این مورد، هم بحث تحلیل‌های غیربرخط و هم بحث تحلیل‌های برخط و چگونگی بازیابی اطلاعات و تعیین زمان سفر، باید مورد بررسی قرار گیرد.

در مجموع می‌توان هدف ویراتک را، ایجاد یک سیستم کامل پیش‌بینی زمان سفر دانست. مبنای اصلی کارهای ما برای بخش تخمین، استفاده از ایده‌های مبتنی بر داده‌های مکانی می‌باشد. در حال حاضر فعالیت‌های زیادی بر روی این ایده انجام نشده است. در واقع در این ما در ویراتک سعی داریم، با نصب دستگاه‌های مجهز به GPS بر روی خودروها و با بهره‌گیری از ساختار ارتباطی شبکه‌ی GSM روش‌هایی ارائه کنیم که به صورت برخط داده‌های مکانی خودروها را دریافت کرده و با تحلیل آن‌ها، اطلاعات مربوط به زمان سفر را استخراج کند. به این ترتیب اولا، با ارائه‌ی راه‌کارهایی با کارآیی بالاتر و ارائه‌ی یک معماری جدید، سعی در بهبود روش‌های قبلی می‌کنیم. در درجه‌ی دوم، با در نظر گرفتن محدودیت‌های زمانی و کارآیی برای یک سیستم برخط، سعی در ارائه‌ی الگوهایی برای تشخیص وقایع به صورت برخط می‌کنیم.

ایده‌های زیادی برای تحلیل ترافیک به هنگام تصادف، تشخیص تصادف و شرایط ترافیک قبل و بعد از تصادف وجود دارد که در حال حاضر نیز تحقیقات زیادی بر روی آن انجام شده است. تشخیص جریان ترافیک در این شرایط، نیاز به داده‌برداری‌هایی با حجم بالا دارد تا سیستم بتواند در سریع‌ترین زمان ممکن از وضعیت و مکان حادثه با خبر شود. پیدا کردن روش‌هایی که با هزینه‌ی کم و کارآیی بالا بتوانند حوادثی مانند تصادف را تشخیص دهند، از مسائلی است که هنوز ذهن بسیاری از محققان را به خود مشغول کرده است و یکی از زمینه‌هایی می‌باشد که در ویراتک به آن توجه می‌شود.

 

معماری مبتنی بر GPS

در معماری‌های ارائه شده بر مبنای نقاط GPS، مبنای تصمیم‌گیری سیستم‌های تحلیل ترافیک، تعیین میزان ترافیک به صورت نقطه‌ای می‌باشد. در واقع در این نوع معماری‌ها، یک پارامتر مشخص انتخاب می‌شود و الگوهای این پارامتر برای هر نقطه جغرافیایی در طول زمان تحلیل شده و تخمین زده می‌شود. به این ترتیب تحلیل ما به صورت محلی معنادار است.

برای مثال تابع مشخص v(t,x) نشان‌دهنده سرعت متوسط در زمان t در نقطه x را در نظر بگیرید. بر مبنای این معماری، مقادیر ثبت شده در نقطه x در طول زمان نگهداری می‌شود و به صورت تحلیلی بر مبنای شباهت زمانی نقاط ثبت شده با زمان t مانند زمان مشخص در روزهای قبل، الگوی سرعت در زمان مورد در نقطه مورد نظر بدست می‌آید.

این معماری به دلیل استفاده از نمونه‌های در حال حرکت بسیار کارا می‌باشد و به ما کمک می‌کند تا بتوانیم نمونه‌هایی در مکان‌های جغرافیایی متفاوت داشته باشیم. این امر دقت تخمین به صورت نقطه‌ای را به دلیل کم شدن نمونه‌ها پایین می‌آورد، ولی در عین حال باعث گسترده شدن سطح نمونه‌برداری می‌شود. نکته قابل توجه این است که وجود نمونه‌برداری نقطه‌ای با نصب شمارنده در یک محل دقتی به مراتب بالاتر از حد نیاز را برای ما فراهم می‌کند و این در حالی است که این سطح دقت با توجه به هزینه‌های نصب برای ما نیاز نیست. به این ترتیب ما با در حرکت بودن نمونه‌ها می‌توانیم با نمونه‌های بسیار کم‌تر سطوح جغرافیایی گسترده‌تری را پوشش دهیم. همچنین ساده بودن تکنولوژی GPS نسبت به تکنولوژی‌های شمارنده و قیمت به مراتب کمتر آن‌ها، باعث می‌شود تا بتوانیم با قیمت معادل یک شمارنده که تنها می‌تواند در یک نقطه نصب شود، تعداد زیادی نمونه در حال حرکت داشته باشیم.

مشکل اصلی در این معماری، وجود تغییرات زیاد در داده‌های بدست آمده از طریق GPS می‌باشد که باعث می‌شود نمونه‌های بدست آمده دارای دقت پایینی باشند. برای مثال سرعت یک خودرو در طول یک مسیر ممکن است تغییرات زیادی داشته باشد که نمونه‌برداری ما را دچار مشکل کند. این مشکل با گرفتن نمونه‌های زیاد در طول زمان حل شده و الگوی مورد نظر به سمت میانگین میل می‌کند. ولی چون پارامتری از جنس زمان در این تخمین تاثیرگذار است باعث می‌شود نمونه‌های زیادی در طول زمان‌های مختلف برای بالابردن دقت گرفته شود که خود از ضعف‌های این معماری به حساب می‌آید.

 

معماری مبتنی بر مسیر

ایده‌ی کلی کار ترکیب روش‌های سری‌زمانی و روش‌های مبتنی بر تشخیص الگوها مانند شبکه‌های عصبی برای تشخیص الگوهای زمان سفر و نگهداری این الگوها برای استفاده‌های بعدی است. به این ترتیب با دریافت داده‌های مکانی از خودروها، الگوهای زمان سفر با استفاده از این روش‌ها بروز رسانی می‌شوند. در نتیجه به نوعی سری زمانی تا نقطه خاصی برای تخمین‌های آینده نگهداری می‌شود.

تفاوت عمده این معماری با معماری مبتنی بر GPS در این نکته است که مبنای تحلیل ما در این روش زمان‌سفر نمونه در مسیرها یا بازه‌های مشخص می‌باشد. در نتیجه در این روش ما به دنبال تحلیل زمان‌سفر در بازه‌ی مورد نظر خواهیم بود و الگوهای مورد نظر را با توجه به بازه‌ها و مسیرها نگهداری خواهیم کرد. برای مثال بازه‌ی بین دو ایستگاه اتوبوس برای یک اتوبوس، پارامتر مناسبی برای تحلیل زمان‌سفر یک اتوبوس خواهد بود. نکته قابل توجه در این معماری این است که به دلیل وجود نگاه بازه‌ای به مکان، امکان نگهداری و تحلیل ماهیت زمان‌سفر خواهد بود. از آنجایی که زمان سفر، ماهیت مناسب و قابل سنجشی از طرف تحلیل‌گر و استفاده کننده سیستم‌های حمل و نقل می‌باشد، در نتیجه می‌توان امیدوار بود تکیه بر این معماری تحلیل‌های مناسب و تخمین‌های خوبی برای ما رقم خواهد زد.

یکی از نکات قابل توجه در این معماری کاهش هزینه‌های اجرا و نگهداری سیستم‌های تحلیل می‌باشد. در سیستم‌های ایستگاهی که به دنبال تحلیل جریان ترافیک در ایستگاه‌های مختلف هستند به دلیل وجود تکنولوژی‌های پردازش تصویر و یا دیگر تکنولوژی‌ها، نیاز به تحلیل‌های محلی در ایستگاه خواهیم داشت. به همین ترتیب به نوعی یک جریان پردازش توزیع‌شده در درون معماری قرار دارد. جریان دریافت داده‌های مکانی از خودروها، تحلیل و بازیافت پارامترهای و الگوهای ترافیکی در این معماری همگی در سمت سرور انجام می‌شود. محلی بودن این کار یک مذیت به حساب خواهد آمد ولی در عین حال دغدغه باید جبنه‌های کارآیی و حجم اطلاعات در نظر گرفته شود. برای مثال داده‌های مکانی ۲۰۰۰ اتوبوس شهر مشهد در یک بازه ۱ ماهه که در دوره‌های زمانی ۵ ثانیه‌ای مختصات خود را ذخیره می‌کردند در حدود ۳۰ گیگابایت حجم داشته و چیزی بالغ بر ۱ میلیارد نقطه را در بر می‌گیرد. این اعداد نگرانی ما را برای تحلیل و نگهداری داده‌ها و الگوها و چگونگی تحلیل و بازیابی زمان‌سفر از این حجم داده بر می‌انگیزد.

به این ترتیب در این فصل تلاش می‌کنیم معماری طراحی کنیم که علاوه بر تحلیل مناسب ترافیک و ارائه تخمین خوب از زمان سفر با توجه به معیارهای ارزیابی ارائه شده، بتواند جنبه‌های کارآیی سیستم را نیز در بر بگیرد و به صورت عملیاتی قابل استفاده باشد. شکل ۱ نمای کلی معماری ما بر مبنای جریان داده‌ها را نمایش می‌دهد.

شکل ۱ – معماری مبتنی بر مسیر

 

در این معماری ما به تحلیل مسیر حرکت خودرو می‌پردازیم و با تک داده‌های دریافتی از خودرو کاری نداریم. به این ترتیب قدرت ما برای تحلیل مسیر حرکت به منظور پیدا کردن زمان سفر و الگوهای حرکت خودروها بسیار بالا می‌رود.

معماری ارائه شده، ساختار کلی معماری مورد نظر در این پایان‌نامه می‌باشد؛ در ادامه‌ی این فصل، معماری و الگوریتم‌های بخش‌های مختلف این معماری مشخص شده و جنبه‌های مختلف هر یک مانند کارآیی مورد بررسی و تحلیل قرار خواهند گرفت.

جنبه‌ی دیگر مسئله، پیدا کردن مجموعه‌ای مناسب از خودروها می‌باشد که با قرار گرفتن سیستم مورد نظر بر روی آن‌ها بتوانیم به خوبی داده‌های ترافیکی شهر را دریافت، ذخیره و بروزرسانی کنیم. به این منظور برای مثال می‌توان سیستم‌های GPS را بر روی خودروهای آژانس و یا تاکسی قرار داد. اینکه این سیستم دقیقا در چه خودروهایی قرار گیرد و چه حجمی از خودروها لازم است تا داده‌های کافی برای تحلیل یک شبکه‌ی ترافیکی بزرگ مانند تهران را داشته باشیم، خود مسئله‌ای است که در این پایان‌نامه مورد توجه قرار خواهد گرفت.

لینک مطلب ویراتک شریف