تخمین موثر ترافیک احتمالی با استفاده از خصوصیات زمانی – مکانی چندگانه

• tccogpsadmin
• 1
• GNSS, GPS

تخمین ترافیک یک موضوع مهم در آنالیز تراکم ترافیک در شرایط ترافیک شهری در مقیاس بزرگ است. اخیراً، بسیاری از محققان از داده های GPS برای برآورد ازدحام ترافیک استفاده کرده اند. بهر حال چگونگی ترکیب مناسب داده های چند گانه و تضمین دقت و کارایی روش های ارائه شده، همچنان یک چالش در این زمینه است.

در این مقاله ،ما یک روش موثر جدید تخمین داده چندگانه (MDE) برای ارزیابی وضعیت ازدحام در محیط شهری با داده های GPS  پیشنهاد می کنیم، به صورتی که وضعیت ازدحام منطقه را با استفاده از ویژگی های مختلفی از جمله تراکم، سرعت، جریان و وضعیت قبلی تخمین می زنیم، که در میان این ویژگی ها جریان ترافیک و وضعیت قبلی (ترکیبی از فاکتور زمان و مکان) در سایر روش های موجود استفاده نشده اند.

به منظور اطمینان از صحت و کارایی وزن پویا را بر روی داده ها و پارامترها در روش MDE اعمال  می کنیم. به منظور ارزیابی روش ارائه شده آن را بر داده های gps شهرهای  پکن و شانگهای در مقیاس بزرگ اعمال میکنیم. نتایج بدست آمده روی این دو دیتا ست واقعی نشان دهنده پیشرفت چشم گیر روش ارائه شده در مقابل سایر روش های موجود می باشد.

• 

Efficient Traffic Congestion Estimation using Multiple Spatio-temporal Properties

Abstract—Traffic estimation is an important issue to analyze the traffic congestion in large-scale urban traffic situations. Recently, many researchers have used GPS data to estimate traffic congestion.

However, how to fuse the multiple data reasonably and guarantee the accuracy and efficiency of these methods are still challenging problems. In this paper, we propose a novel method Multiple Data Estimation (MDE) to estimate the congestion status in urban environment with GPS trajectory data efficiently, where we estimate the congestion status of the area through utilizing multiple properties, including density, velocity, inflow and previous status.

Among them, traffic inflow and previous status (combination of time and space factors) are not both used in other existing methods. In order to ensure the accuracy and efficiency, we apply dynamic weights of data and parameters in MDE method. To evaluate our methods, we apply it on large-scale taxi GPS data of Beijing and Shanghai. Extensive experiments on these two real-world datasets demonstrate the significant improvements of our method over several state-ofthe- art methods.