تحلیل جریان‌های بار شهری و جابجایی کالاهای خرده‌فروشی با استفاده از داده‌های مسیر GPS و کاربری زمین

در سال‌های اخیر، داده‌های GPS در مورد حرکات کامیون‌ها بسیار بیشتر در دسترس قرار گرفته‌اند و محققان و متخصصان را به استفاده از این منابع برای تولید انبوه داده‌ها و اطلاعات مربوط به جریان‌های OD کامیون‌ها سوق داده‌اند. در این مطالعه، از حجم زیادی از داده‌های GPS کامیون‌ها برای بررسی ویژگی‌های حمل و نقل بار، به ویژه در کاربری‌های OD و کلاس‌های وسایل نقلیه باری، استفاده شده است. هدف از این مطالعه، درک ویژگی‌های جریان‌های بار منطقه برنامه‌ریزی کلان‌شهر شیکاگو (CMAP) است. این داده‌ها در درجه اول برای کسب بینش در مورد ماهیت حرکت کالاهای شهری و توزیع کالاهای خرده‌فروشی استفاده می‌شوند. هدف اصلی در این زمینه، تجزیه و تحلیل جریان‌های بار شهری و حرکت کالاهای خرده‌فروشی است. تجزیه و تحلیل مبتنی بر داده، یافته‌های جالبی را در مورد ماهیت و حجم سفرهای کامیون‌های سبک، متوسط و سنگین که انواع مختلفی از کارکردهای خرده‌فروشی و صنعتی را ارائه می‌دهند، ایجاد می‌کند. انتظار می‌رود طراحی این مطالعه، به ویژه جنبه ترکیب داده‌های کاربری زمین آن، هم متخصصان و هم محققان را در برنامه‌ریزی برای جمع‌آوری داده‌ها، کالیبراسیون مدل و مطالعات حمل و نقل شهری در آینده، یاری کند.

مقدمه

برنامه‌ریزی حمل و نقل یک فرآیند سیستماتیک برای برآورده کردن چالش‌های روز موجود و نیازهای روز آینده سیستم‌های حمل و نقل در مناطق و ایالت‌ها است [1]. الگوهای سفر یا تقاضا در سراسر سیستم حمل و نقل در طول زمان در شهرها و مناطق شهری تغییر می‌کنند. هر منطقه بر اساس الگوهای فعالیت و سفر، نیازهای برنامه‌ریزی حمل و نقل منحصر به فردی دارد. برنامه‌ریزی به جوامع ما کمک می‌کند تا سیستم‌های حمل و نقلی را بسازند، نگهداری و اصلاح کنند که از نیازهای آینده پشتیبانی می‌کنند و به ما این امکان را می‌دهد که ارزیابی کنیم کدام گزینه‌ها یا استراتژی‌ها به ما در دستیابی به اهدافمان کمک می‌کنند. یک سیستم حمل و نقل ناکافی به طور جدی بر اقتصاد یک منطقه و کیفیت زندگی مردم تأثیر می‌گذارد. اما برای برنامه‌ریزی در مورد سیستم حمل و نقل، داده‌های خوب و درک جریان‌های حمل و نقل منطقه‌ای ضروری است.

داده‌های جریان مسافر از نظر تاریخی به خوبی نمایش داده می‌شوند و به طور منظم توسط مناطق شهری جمع‌آوری می‌شوند. این داده‌ها با سایر بررسی‌های جریان مبدا-مقصد مانند سرشماری سفر به محل کار، ACS/PUMS، NHTS [2] که توسط آژانس‌های فدرال انجام می‌شوند، تکمیل می‌شوند. در مقابل، جریان‌های بار، به طور کلی، در برنامه‌های منظم جمع‌آوری داده‌ها بسیار ضعیف نمایش داده می‌شوند. به عنوان مثال، در نمونه‌هایی که شخصاً برای نویسندگان شناخته شده است، یک آژانس از یک بررسی مبدا-مقصد کامیون (OD) دهه 1980 برای پیش‌بینی تقاضای سفر کامیون خود برای سه دهه آینده استفاده کرد، در حالی که دیگری از یک بررسی از اواسط دهه 1990 به مدت تقریباً 20 سال استفاده کرد. با این وجود، وقتی چنین بررسی‌هایی [1]، [3] انجام می‌شوند، بینش ارزشمندی در مورد حرکت بار و ویژگی‌های آن، از جمله تنوع کالاهای حمل شده (به عنوان مثال، کالاها)، الگوهای مبدا-مقصد و مسیریابی در سطح منطقه‌ای ارائه می‌دهند.

در مجموع، داده‌های مربوط به جریان بار همچنان یک شکاف بزرگ برای اکثر آژانس‌ها است. در حالی که سایر داده‌های بار (مانند تعداد، کلاس وسیله نقلیه، WIM و غیره) به طور مداوم در جاده‌ها با استفاده از آشکارسازهای حلقه‌ای، رادارها و دوربین‌ها جمع‌آوری می‌شوند، این داده‌ها بینش مستقیمی در مورد الگوهای OD ارائه نمی‌دهند. تحقیقات قبلی هنوز از این داده‌ها برای تجزیه و تحلیل OD استفاده کرده‌اند – به عنوان مثال، استخراج داده‌ها در مورد زمان سفر بین مکان‌های حسگر و تجزیه و تحلیل الگوی جریان کامیون با استفاده از شناسایی مجدد ناشناس [4]، [5]. از حسگرهای نوظهور نیز برای ارائه داده‌های وسیله نقلیه با وضوح بالا استفاده شده است [6]، [7]، اما این داده‌ها عموماً نمی‌توانند از بررسی تغییرات شدت سفر در سطح دقیق‌تر، به عنوان مثال، در سطح بسته، پشتیبانی کنند. در نتیجه، بسیاری از آژانس‌ها با استفاده از داده‌های مسیر کامیون سیستم‌های موقعیت‌یابی جغرافیایی (GPS) برای توسعه داده‌های OD برای کامیون‌های سنگین (HDT) کاوش کرده‌اند. برای مثال، آژانس برنامه‌ریزی کلان‌شهر شیکاگو (CMAP) [8] از داده‌های موسسه تحقیقات حمل و نقل آمریکا (ATRI) برای مطالعه گلوگاه‌های منطقه استفاده کرد. انجمن دولت‌های ماریکوپا (MAG) [9] از داده‌های ATRI به عنوان ورودی در ساخت یک مدل جدید حمل و نقل مبتنی بر عامل استفاده کرد. داده‌های کاوشگر GPS همچنین پایه و اساس داده‌های زمان سفر از جمله مجموعه داده‌های تحقیقات مدیریت عملکرد ملی (NPMRDS) است که به طور گسترده برای تجزیه و تحلیل عملکرد سیستم مسافر و بار استفاده می‌شود [10].

با این حال، این مطالعات و سایر مطالعات، به جابجایی کامیون‌های متوسط (MDT) در سطح کلان‌شهر نمی‌پردازند. علاوه بر این، تا آنجا که نویسندگان می‌دانند، هیچ یک از این مطالعات روندهای مسافری و کامیونی را به طور مشترک با استفاده از داده‌های GPS بررسی نمی‌کنند (اگرچه عملکرد سیستم را به طور مشترک برای همه کاربران بررسی می‌کنند). علاوه بر این، به طور کلی، مطالعات قبلی بر عملکرد سیستم حمل و نقل متمرکز بوده‌اند و تأثیر روندهای نوظهور، مانند تجارت الکترونیک، بر جریان بار در طول زمان را مطالعه نکرده‌اند. با این حال، درک جابجایی بار شهری با استفاده از داده‌های GPS همراه با اطلاعات کاربری زمین مرتبط است، زیرا تجارت الکترونیک از کمتر از 1٪ خریدهای خرده فروشی ایالات متحده در سال 2000 به حدود 10٪ در سال 2018 افزایش یافته است [11]. همزمان، در کل، افراد سفرهای خرید کمتری انجام می‌دهند، با حدود 700 سفر خرید یک طرفه سالانه به ازای هر نفر در سال 2001 و 580 سفر در سال 2017 که 17٪ کاهش را نشان می‌دهد [12]. الگوهای ترافیک احتمالاً بر این اساس در حال تغییر هستند، اما برای درک این تغییرات باید تجزیه و تحلیل مبتنی بر داده انجام شود.

مطالعات در مورد روندهای تجارت الکترونیک بسیار محدود است و مطالعات موجود بر دیدگاه تقاضای خانوار [13] تمرکز دارند. وانگ و ژو [14] از مجموعه داده‌های NHTS 2009 برای بررسی سفرهای باری ایجاد شده توسط واحدهای مسکونی استفاده کردند، به طوری که تحویل‌های تجارت الکترونیک به خانوارها در یک منطقه بزرگ در شمال ایالت نیویورک انجام می‌شود. کائو و چن [15] در مطالعه دیگری در مورد دیدگاه تقاضای خانوار، تأثیر دسترسی به خرید بر فراوانی خرید الکترونیکی را برای منطقه شهری مینیاپولیس و سنت پاول در مینه سوتا بررسی کردند. محققان مدل‌ها و چارچوب‌هایی [16]-[18] را در مورد حمل و نقل شهری و لجستیک شهری در سطح تجمیع شده برای برنامه‌ریزی، سیاست‌گذاری و غیره توسعه می‌دهند. اخیراً تحویل مواد غذایی و وعده‌های غذایی بر اساس تقاضا رواج پیدا کرده است که پیچیدگی دیگری را به برنامه‌ریزی حمل و نقل اضافه می‌کند. چندین مطالعه [19]-[21] این موضوع را در زمینه انرژی و انتشار گازهای گلخانه‌ای بررسی کرده‌اند. استینسون و انام [22] تجارت الکترونیک را در سطح دقیقی برای منطقه کلان‌شهری [22] با استفاده از پلتفرم مدل‌سازی مبتنی بر عامل POLARIS [23] بررسی می‌کنند. بر اساس مطالعه استینسون و انام [22]، در حالی که تجارت الکترونیک باعث افزایش سفرهای تحویل بسته با کامیون شده است، اثر خالص تجارت الکترونیک کاهش در VMT و مصرف سوخت به دلیل کاهش عمده در سفرهای خرید است.

در نتیجه، در حالی که آژانس‌ها برنامه‌هایی برای جمع‌آوری سیستماتیک داده‌های مربوط به جریان مسافر و خانوار دارند، جمع‌آوری داده‌های مربوط به جریان بار به ندرت انجام می‌شود. بنابراین، آژانس‌ها اغلب فاقد بینش در مورد الگوهای سفر کامیون‌ها هستند. علاوه بر این، آژانس‌ها شروع به جمع‌آوری و تجزیه و تحلیل داده‌های GPS کامیون‌ها برای اندازه‌گیری عملکرد و توسعه مدل تقاضای سفر کرده‌اند، اما تجزیه و تحلیل در مورد MDT به ویژه کمیاب است. بر اساس این شکاف‌ها، این مطالعه به بررسی الگوهای حرکت کامیون‌های باری در منطقه CMAP با یک مجموعه داده GPS کامیون در دنیای واقعی می‌پردازد. این مقاله به شرح زیر سازماندهی شده است. بخش بعدی منابع داده مورد استفاده در این مقاله را شرح می‌دهد. پس از آن مجموعه‌ای از تجزیه و تحلیل داده‌ها و یافته‌ها آمده است. در نهایت، نتیجه‌گیری ارائه شده است.(منبع).