ИССЛЕДОВАНИЕ УПРАВЛЕНИЯ ПРОБКАМИ НА ОСНОВЕ БОЛЬШИХ ДАННЫХ

Авторы

DOI:

https://doi.org/10.52167/1609-1817-2024-135-6-293-301

Ключевые слова:

обнаружение точек перегрузки, алгоритм кластеризации, K-средних сетки, кластеризация траекторий, расчет распараллеливания

Аннотация

В условиях быстрого социально-экономического развития резко увеличилось количество городского транспорта и увеличивается нагрузка на дороги. Дорожные пробки не только усложняют передвижение людей и обостряют социальные противоречия, но и приводят к загрязнению городского воздуха, что, в свою очередь, вызывает ряд экологических проблем. Заторы на дорогах также привели к увеличению количества аварий, что усугубило заторы, и каждый год экономические потери, вызванные пробками, очень велики. Пути решения проблем городского транспорта стали предметом современных исследований в области «умного города». Основная цель статьи — с помощью алгоритма, который определяет количество кластеров данных на основе центроида сетки, можно вычислить перегруженную область. В этой статье сравнивается параллельная кластеризация K-средних на основе сетки с существующей кластеризацией K-средних. На основе анализа и исследования городских дорожных сетей и данных о траекториях предлагается алгоритм кластеризации траекторий для городских дорожных сетей на основе плотности сетки. В то же время для особых моделей условий дорожного движения, таких как светофорные перекрестки и перекрестки, дан метод идентификации перегруженности светофорных перекрестков. С помощью алгоритма кластеризации траектории городской дорожной сети, предложенного в этой статье, получается метод расчета точки заторов и площади, а также путем кластеризации и анализа данных траектории, сеть городских дорог и точка возникновения заторов, а также полученные результаты. отображаются визуальными методами. В сочетании с анализом фактической дорожной обстановки показано, что метод расчета точек заторов и зон заторов, предложенный в этой статье, является точным и эффективным. Цель исследования – сравнить параллельную кластеризацию K-средних на основе сетки с алгоритмом кластеризации K-средних с анализом и исследованием городских дорожных сетей и данных о траекториях. В то же время использование алгоритма кластеризации траекторий городской дорожной сети позволяет создавать специальные модели условий дорожного движения для решения некоторых сложных решаемых задач и достижения более высокой эффективности.

Биографии авторов

Зухра Абдиахметова, Казахский национальный университет имени аль-Фараби

PhD, старший преподаватель, Алматы, Казахстан, zukhra.abdiakhmetova@gmail.com

Жанерке Темирбекова, Казахский национальный университет имени аль-Фараби

PhD, старший преподаватель, Алматы, Казахстан, temyrbekovazhanerke2@gmail.com

Амандық Қартбаев, Kazakh-British Technical University

PhD, старший преподаватель, Алматы, Казахстан, a.kartbayev@gmail.com

Библиографические ссылки

[1] Lu M., Liang J., Wang Z. et al. (2016). Exploring OD patterns of interested region based on taxi trajectories[J]. Journal of Visualization, 19(4), 811-821. DOI: 10.1007/s12650-016-0357-7

[2] Tingting Li, Jianping Wu, Anrong Dang, Lyuchao Liao, Ming Xu (2019). Emission pattern mining based on taxi trajectory data in Beijing, Journal of Cleaner Production, Volume 206, 688-700. DOI:10.1016/j.jclepro.2018.09.051

[3] Tang J., Liu F., Wang Y. et al. (2015). Uncovering urban human mobility from large scale taxi GPS data[J]. Physica A: Statistical Mechanics and its Applications, 438, 140-153. DOI:10.1016/j.physa.2015.06.032

[4] Liu X., Luan X., Liu F. (2018). Optimizing manipulated trajectory based on principal time-segmented variables for batch processes[J]. Chemometrics and Intelligent Laboratory Systems, 181, 45-51

[5] Hesam Izakian, Witold Pedrycz, Iqbal Jamal (2015). Fuzzy clustering of time series data using dynamic time warping distance, Engineering Applications of Artificial Intelligence, Volume 39, 235-244. DOI:10.1016/j.engappai.2014.12.015

[6] Pierpaolo D., Livia D. G., Riccardo M. (2018). Robust fuzzy clustering of multivariate time trajectories[J]. International Journal of Approximate Reasoning, 99, 12-38. DOI:10.1016/j.ijar.2018.05.002

[7] Trajectory clustering: a partition-and-group framework. In: Proceedings Of the 2007 ACMSIGMOD international conference on management of data, Beijing, China, 593–604.

[8] Rempe F., Huber G., Bogenberger K. (2016). Spatio-Temporal Congestion Patterns in Urban Traffic Networks[J]. Transportation Research Procedia, 15, 513-524. DOI:10.1016/j.trpro.2016.06.043

[9] Zihan Kan, Luliang Tang, Mei-Po Kwan, Chang Ren, Dong Liu, Qingquan Li (2019). Traffic congestion analysis at the turn level using Taxis' GPS trajectory data, Computers, Environment and Urban Systems, Volume 74, 229-243. DOI:10.1016/j.compenvurbsys.2018.11.007

[10] Shi W., Kong Q.J., Liu, Y.A. (2008). GPS/GIS integrated system for urban traffic flow analysis, in: Proceedings of 11th International IEEE Conference on Intelligent Transportation Systems, Beijing, China, 844–849. DOI:10.1109/ITSC.2008.4732569

[11] Kong Q.J., Li Z., Chen Y. et al. (2009). An approach to urban traffic state estimation by fusing multisource information IEEE Trans. Intell. Transp. Syst., 499-511. DOI:10.1109/TITS.2009.2026308

[12] Shoufeng Lu, Victor L. (2018). Knoop, Mehdi Keyvan-Ekbatani,Using taxi GPS data for macroscopic traffic monitoring in large scale urban networks: calibration and MFD derivation, Transportation Research Procedia, Volume 34, 243-250. DOI:10.1016/j.trpro.2018.11.038

[13] Hartigan J. A, Wong M A. (1979). Algorithm AS 136: A K-Means Clustering Algorithm[J]. Journal of the Royal Statistical Society, 28(1), 100-108.

[14] Arthur D, Vassilvitskii S. (2007). K-means++: the advantages of careful seeding[C], Eighteenth Acm-siam Symposium on Discrete Algorithms. DOI:10.1145/1283383.1283494

[15] Amorim R C D, Mirkin B. (2012). Minkowski metric, feature weighting and anomalous cluster initializing in K-Means clustering[J]. Pattern Recognition, 45 (3), 1061-1075. DOI:10.1016/j.patcog.2011.08.012

[16] Ng R T, Han J. (2002). CLARANS: A Method for Clustering Objects for Spatial Data Mining[J]. IEEE Transactions on Knowledge & Data Engineering, 14 (5), 1003-1016. DOI:10.1109/TKDE.2002.1033770

[17] Shahbaba M, Beheshti S. (2012). Improving X-means clustering with MNDL[C], International Conference on Information Science.

[18] Abdiakhmetova Z.M. Wavelet data processing in the problems of allocation in recovery well logging Journal of Theoretical and Applied Information Technology 15th March 2017. Vol.95. No 5

[19] Turken, G., Pey, V., Z. M. Abdiakhmetova, Temirbekova, Z. Research on Creating a Data Warehouse Based on E-Commerce SIST 2023 - 2023 IEEE International Conference on Smart Information Systems and Technologies, Proceedings, 2023, 16–20.

Загрузки

Опубликован

04.08.2024

Как цитировать

Абдиахметова, З., Темирбекова, Ж., & Қартбаев, А. (2024). ИССЛЕДОВАНИЕ УПРАВЛЕНИЯ ПРОБКАМИ НА ОСНОВЕ БОЛЬШИХ ДАННЫХ. Вестник КазАТК, 135(6), 293–301. https://doi.org/10.52167/1609-1817-2024-135-6-293-301

Выпуск

Раздел

Автоматизация, телемеханика, связь, компьютерные науки

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.