ИССЛЕДОВАНИЕ УПРАВЛЕНИЯ ПРОБКАМИ НА ОСНОВЕ БОЛЬШИХ ДАННЫХ
DOI:
https://doi.org/10.52167/1609-1817-2024-135-6-293-301Ключевые слова:
обнаружение точек перегрузки, алгоритм кластеризации, K-средних сетки, кластеризация траекторий, расчет распараллеливанияАннотация
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.
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
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Зухра Абдиахметова, Жанерке Темирбекова, Амандық Қартбаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.