شناسایی الگوهای زمانی‌ مکانی ازدحام ترافیکی با استفاده از کلان‌داده‌های مبتنی‌بر تصاویر ترافیکی سرویس نقشه گوگل

تحلیل وضعیت ترافیکی و پیشنهاد روش‌های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم‌های حمل‌ونقلی ایفا می‌کند. در بین روش‌های جمع‌آوری داده‌های ترافیکی، رویکردهای مبتنی‌بر فنّاوری‌های نوین که امکان گرد‌آوری حجم بسیاری از داده‌های پویای زمانی‌ مکانی را فراهم می‌آورند و استخراج روندها و الگوها را تسهیل می‌کنند اهمیت بسیاری دارند. در این پژوهش، تهران به‌منزله پایتخت ایران، با ویژگی‌های اقتصادی و اجتماعی خاصی که دارد و تنوع سفرها که به وضعیت ترافیکی متغیر منجر می‌شود، مطالعه شده است. داده‌های حاصل از پردازش رقومی تصاویر ترافیکی به‌دست‌آمده از سرویس نقشه گوگل در بازه زمانی پیوسته یک‌ماهه‌ای (هفدهم فروردین تا هفدهم اردیبهشت 1398)، نخستین بار به‌منظور ارزیابی روند تغییرات میانگین ازدحام ترافیکی در سطح نواحی منطقه مطالعاتی، به‌کار رفته است. پس از استخراج داده‌های اولیه و با توجه به تغییر الگوی سفرها و در نتیجه، میزان ازدحام ترافیکی، شاخص ازدحام ترافیکی (ci) به‌تفکیک در روزهای کاری و غیرکاری، محاسبه شد و به مرکز نواحی 117‌گانه شهر تهران اختصاص یافت. با استفاده از تحلیل‌های توصیفی روی کلان‌داده‌های مورد بررسی، ساعات اوج ازدحام ترافیکی در بازه زمانی مورد مطالعه استخراج شد. سپس شاخص getis ord، نواحی پرازدحام منطقه مطالعاتی را براساس ارزیابی خوشه‌های مکانی، مشخص کرد. همچنین ارتباط زمانی بین مقادیر ازدحادم ترافیکی، در برش‌های زمانی متفاوت طی کل بازه زمانی مورد مطالعه، با استفاده از آزمون آماری کروسکال والیس ارزیابی شد و فرض صفر مبتنی‌بر همبستگی بین مقادیر میانگین ازدحام و در نتیجه، همبستگی زمانی بین مقادیر تایید شد. با استفاده از تحلیل‌های پوششی نقشه‌های ترافیکی نیز، خوشه‌های ترافیکی پرازدحام در سطح اطمینان 90%، در اوج صبح و عصر، به‌تفکیک روزهای کاری و غیرکاری استخراج شد. نتایج این پژوهش می‌تواند در اصلاح و بازنگری محدوده‌های ترافیکی موثر باشد و همچنین به تحلیل‌های مرتبط با آلودگی هوا، مطالعات در زمینه قیمت‌گذاری معابر و بررسی روند شکل‌گیری و انتشار گلوگاه‌های ترافیکی در بازه‌های زمانی دلخواه، یاری برساند.

identifying spatio-temporal patterns of traffic congestion using data obtained from google maps service traffic image

analyzing traffic conditions and suggesting traffic management methods play a critical role in evaluating the effectiveness of transportation systems. among the methods suggested for collecting traffic data, approaches based on new technologies attracted more attention due to the ability of collecting large amounts of dynamic spatio-temporal data making it easy to identify trends and patterns. in this study, tehran, the capital of iran with socio-economic characteristics and the variety of urban trips which lead to heterogeneous traffic state will be considered. data obtained from digital processing of google maps traffic images the one-month time interval (april 7th to may 7th, 2017), has been applied for the first time to evaluate the trend and overall pattern of the changes in traffic congestion in the study area. considering the variety of trip patterns and consequently the traffic congestion, traffic congestion index (ci) has been calculated on workdays and weekends separately and was assigned to the district center and the morning and evening peak-hours were extracted using descriptive analysis. by applying getis-ord hot-spot and cold-spot index, the clusters of congested areas have been recognized over the study area. also, the temporal relationship between traffic congestion indexes in different time sections was evaluated using kruskal-wallis statistical test and the null hypothesis of correlation between the mean values of congestion index was confirmed. using overlay analysis of congestion maps, clusters indicating congested areas at 90% confidence intervals were extracted during morning and evening peaks on weekdays and weekends separately. the results of this study can be effective in modifying traffic congestion zones, analyzing pollution or studies relating to road pricing, and assessing the process of traffic congestion propagation during desired time intervals.