بررسی الگوریتم‌هایی برای آشکارسازی تورهای وسایل نقلیه باری، انواع تورها و انواع زنجیره‌های تور از داده‌های ردیابی وسایل نقلیه GPS و فعالیت‌های توقف

بررسی الگوریتم‌هایی برای آشکارسازی تورهای وسایل نقلیه باری، انواع تورها و انواع زنجیره‌های تور از داده‌های ردیابی وسایل نقلیه GPS و فعالیت‌های توقف

تورها و زنجیره‌های تور وسایل نقلیه باری، عناصر ضروری شبیه‌سازی‌های حمل و نقل شهری مبتنی بر عامل پیشرفته و همچنین واحدهای کلیدی برای تجزیه و تحلیل تقاضای وسایل نقلیه باری هستند. مسیرهای GPS معمولاً برای استخراج تورها و زنجیره‌های تور وسایل نقلیه استفاده می‌شوند و در مقیاس وسیع، به عنوان مثال، برای شرکت‌های مدیریت ناوگان در دسترس قرار گرفته‌اند. در حالی که روش‌هایی برای پردازش این داده‌ها با هدف تجزیه و تحلیل و مدل‌سازی عملیات وسایل نقلیه باری مبتنی بر تور پیشنهاد شده است، اما با توجه به پیامدهای فرضیات اساسی، به طور کامل بررسی نشده‌اند. در این زمینه، ما الگوریتم‌های مختلف تخصیص ایستگاه به تور، شناسایی نوع تور و زنجیره تور را با هدف آشکار کردن پیامدهای آنها آزمایش می‌کنیم. به طور خاص، ما الگوریتم تخصیص ایستگاه به تور سنتی را با استفاده از مکان یک “مبنا” به عنوان نقطه شروع/پایان تورها، در مقابل سایر الگوریتم‌ها با استفاده از فعالیت‌های توقف یا استفاده از ظرفیت بار مقایسه می‌کنیم. علاوه بر این، ما الگوریتم‌های شناسایی نوع تور/زنجیره با وضوح بالا را با در نظر گرفتن انواع توقف‌ها و تکرار بازدیدها بررسی می‌کنیم. برای شناسایی زنجیره تور، ما دو الگوریتم را بررسی می‌کنیم: یکی نوع زنجیره تور در سطح روز را بر اساس نوع تور غالب شناسایی شده برای دوره 1 روز تعریف می‌کند و دیگری نوع زنجیره تور را بر اساس میانگین تعداد توقف‌ها در هر تور بر اساس نوع توقف تعریف می‌کند. برای هدف نمایشی، ما روش‌ها را بر روی داده‌های یک نظرسنجی مبتنی بر GPS در مقیاس بزرگ که طی سال‌های 2017-2019 در سنگاپور انجام شده است، اعمال می‌کنیم. ما الگوریتم‌ها را در ارزیابی همگنی الگوی روزانه عملیات وسایل نقلیه باری مقایسه می‌کنیم. تجزیه و تحلیل ما نشان می‌دهد که پیش‌بینی تورها، انواع تورها و انواع زنجیره تور به شدت به فرضیات مورد استفاده وابسته است، که بر اهمیت انتخاب دقیق و افشای روش‌های پردازش داده‌ها تأکید می‌کند. در نهایت، بررسی همگنی الگوی روزانه، تفاوت‌های عملیاتی را در انواع وسایل نقلیه و صنایع نشان می‌دهد.

مقدمه

داده‌های GPS برای وسایل نقلیه باری به دلیل استقرار سیستم‌های مخابراتی در شرکت‌هایی با ناوگان‌های بزرگ و شرکت‌های مدیریت ناوگان، به طور فزاینده‌ای در دسترس است. یک نمونه شناخته شده از چنین داده‌هایی، مجموعه داده‌های GPS کامیون موسسه تحقیقات حمل و نقل آمریکا (Short 2014) است. بر اساس برخی معیارها، مانند حجم زیاد و ماهیت فرعی آن، ردیابی GPS وسایل نقلیه باری را می‌توان به عنوان کلان داده در نظر گرفت. تلاش‌های اختصاصی برای جمع‌آوری داده‌ها نیز پیچیده‌تر می‌شوند، مانند ادغام دستگاه‌های مجهز به GPS و بررسی‌های دیجیتالی حمل و نقل باری مجهز به GPS (Alho و همکاران، 2018). در نتیجه، داده‌های مسیر و سطح توقف بیشتری برای مطالعه بیشتر حرکات وسایل نقلیه باری در دسترس است.

با این حال، روش‌های پردازش و تحلیل چنین داده‌هایی برای استفاده در مدل‌سازی حمل و نقل بار به طور کامل بررسی نشده است. به ویژه، یک شکاف تحقیقاتی در مورد تبدیل ردیابی‌های GPS وسایل نقلیه باری به داده‌های سطح تور وجود دارد. اهمیت این فرآیند از آنجا آشکار می‌شود که تورها یکی از واحدهای پذیرفته شده برای تحلیل جریان وسیله نقلیه هستند و علاوه بر این، تورهای وسایل نقلیه باری و زنجیره‌های تور عنصر جدایی‌ناپذیر شبیه‌سازی‌های پیشرفته حمل و نقل شهری مبتنی بر عامل هستند (هانت و استفان ۲۰۰۷؛ دِ بوک و تاواسزی ۲۰۱۸). سوابق خوش‌ساخت و غنی از اطلاعات تورهای کامیون، پتانسیل افزایش تکرار زنجیره‌های تور وسایل نقلیه باری را در یک محیط شبیه‌سازی برای تحلیل سیاست دارند. تعریف روش‌های شناسایی تورها مستقیماً به مدل‌سازی زنجیره تور (جینگ و همکاران ۲۰۱۹)، مطالعات موردی شبیه‌سازی مبتنی بر تور (آلهو و همکاران ۲۰۱۹، گوپالاکریشنان و همکاران ۲۰۱۹) و شناسایی جریان‌های کالا و عوامل بار (آلهو و همکاران ۲۰۱۸) کمک می‌کند.

به طور کلی، پیش‌بینی تورهای وسایل نقلیه باری نسبت به تورهای مسافربری چالش برانگیزتر است. برای مسافران، خانه و محل کار نقاط محوری هستند که تورها و زیرتورها در اطراف آنها برگزار می‌شوند. از سوی دیگر، یک وسیله نقلیه باری ممکن است از چندین مکان پارکینگ شبانه بازدید کند (Alho و همکاران، ۲۰۱۸)، که منجر به زنجیره‌های تور با نقاط شروع/پایان متفاوت در سطح روزانه می‌شود. چندین چالش دیگر توسط You و همکاران (۲۰۱۶) به تفصیل شرح داده شده است، مانند دسترسی محدود به داده‌ها و افزایش رفتار زنجیره‌ای سفر (در مقایسه با تورهای مسافربری). باید اذعان کرد که در حالت ایده‌آل، داده‌های مربوط به “حقیقت زمینی” در مورد عضویت در توقف به تور، نوع تور و زنجیره تور جمع‌آوری می‌شود. تا آنجا که ما می‌دانیم، هیچ اجماعی در مورد تعریف “تور وسایل نقلیه باری” وجود ندارد. به عبارت دیگر، معیارهایی که شروع و پایان یک تور را تعریف می‌کنند، به خوبی تثبیت نشده‌اند، که این امر تحقیق در این مقاله را بیشتر توجیه می‌کند. این تحقیق قصد دارد تفاوت‌های خروجی ناشی از فرضیات مختلف در فرآیند تخصیص توقف به تور و همچنین در فرآیندهای شناسایی نوع تور و زنجیره تور را بررسی کند. در ادامه، برای نشان دادن چنین پیامدهایی، یک تحلیل توصیفی ارائه می‌شود که در آن یک کاربرد بر پیش‌بینی همگنی الگوی روزانه و تفاوت‌ها در زیرجمعیت‌ها متمرکز است. پیگیری‌های این تحلیل در این مقاله شامل بررسی مفاهیمی مانند گونه‌شناسی تور، به عنوان مثال، ویژگی‌های اپراتور، کالای مورد استفاده، نوع وسیله نقلیه و خدمات حمل و نقل، و توپولوژی تور (به عنوان مثال، ویژگی‌های مکانی تور مانند پوشش مکانی و جابجایی) بر اساس زیرجمعیت است.

ادامه‌ی این مقاله به شرح زیر سازماندهی شده است. بخش دوم مروری بر ادبیات موضوع دارد که تعاریف مجموعه‌ای از اصطلاحات را که هنوز در این حوزه دانش استاندارد نشده‌اند، پوشش می‌دهد؛ بخش سوم شرحی از الزامات داده‌ای برای تحلیل‌های انجام شده در این مقاله و همچنین نمونه‌ی انتخاب شده را شرح می‌دهد؛ بخش چهارم الگوریتم‌های تشکیل تور انتخاب شده و محیط آزمایش را شرح می‌دهد؛ بخش پنجم نتایج آزمایش‌ها را برای مقایسه‌ی الگوریتم‌ها و همچنین پیش‌بینی همگنی الگوی روزانه و تفاوت‌ها در زیرجمعیت‌ها ارائه می‌دهد؛ بخش ششم این مقاله را با خلاصه کردن بینش‌های به‌دست‌آمده برای پردازش داده‌ها و عمل مدل‌سازی، به پایان می‌رساند.(منبع).