یک چارچوب جمع‌آوری داده‌های حمل و نقل شهری مبتنی بر حسگر یکپارچه: روش‌شناسی و پروژه‌های آزمایشی در سنگاپور

یک چارچوب جمع‌آوری داده‌های حمل و نقل شهری مبتنی بر حسگر یکپارچه: روش‌شناسی و پروژه‌های آزمایشی در سنگاپور

این مقاله طراحی و نتایج اولیه یک چارچوب یکپارچه برای جمع‌آوری داده‌های حمل و نقل شهری را که در سایت آزمایشی سنگاپور در حال توسعه است، نشان می‌دهد. این چارچوب مبتنی بر قابلیت‌های حسگر/نقشه‌برداری نسل بعدی است تا مدل‌سازی لجستیک تفکیکی آینده را برای پشتیبانی از سیاست‌گذاری در سیستم‌های حمل و نقل شهری امکان‌پذیر سازد. تلاش پیشنهادی برای جمع‌آوری داده‌های حمل و نقل، از ثبت‌کننده‌های GPS فراگیر، فناوری‌های پیشرفته حسگر و ارتباطات و معماری یادگیری ماشینی برای ارائه داده‌های قبلاً غیرقابل دستیابی استفاده می‌کند که منعکس‌کننده اطلاعات مشاهده‌شده به جای اطلاعات بیان‌شده در مورد تصمیمات حمل‌کنندگان، شرکت‌های حمل و نقل و رانندگان کامیون هستند. ساختار کلی چارچوب جمع‌آوری داده‌های پیشنهادی شامل موارد زیر است: (الف) دستگاه‌های حسگر برای ردیابی محموله‌ها، وسایل نقلیه و رفتار راننده؛ (ب) یک پایگاه داده سرور پشتیبان که داده‌های جمع‌آوری‌شده را جمع‌آوری و پردازش می‌کند (ج) ابزارهای گزارش‌دهی و نظرسنجی مبتنی بر وب و تبلت. این پروژه در مرحله پیاده‌سازی است و برخی از رویکردهای پیشنهادی در حال آزمایش هستند. نتایج امیدوارکننده‌ای تاکنون به دست آمده است، که به طور خاص به قابلیت جمع‌آوری مخفیانه‌ی انبوهی از اطلاعات ارزشمند اشاره دارد که منجر به کیفیت و کمیت بهتر داده‌ها می‌شود.

مقدمه

این مقاله، طراحی و نتایج اولیه یک چارچوب یکپارچه برای جمع‌آوری داده‌های حمل و نقل شهری را که در سایت آزمایشی سنگاپور در حال توسعه است، نشان می‌دهد. این چارچوب مبتنی بر قابلیت‌های حسگر/نقشه‌برداری نسل بعدی است تا مدل‌سازی و سیاست‌گذاری آینده در سیستم‌های حمل و نقل شهری را امکان‌پذیر سازد. به طور خاص، هدف اصلی این تحقیق، توسعه اثبات مفهوم مجموعه‌ای منسجم، مقیاس‌پذیر و جامع از تمام داده‌های حمل و نقل (تولید، لجستیک، حمل و نقل) با هدف ردیابی وسایل نقلیه و محموله‌ها و بررسی عوامل حمل و نقل مربوطه، با استفاده از فناوری‌ها و رویکردهای حسگر پیشرفته و به دست آوردن داده‌های حمل و نقل شهری بی‌سابقه است. انگیزه این تحقیق این واقعیت است که قدرت توضیحی مدل‌های حمل و نقل موجود اغلب به دلیل کمبود داده‌ها محدود می‌شود، که به معنای ساده‌سازی فرضیات و مبانی رفتاری محدود رویکردهای مدل‌سازی فعلی برای مدل‌سازی و سیاست‌گذاری حمل و نقل شهری است. در عوض، این امر معمولاً منجر به مطالعات امکان‌سنجی و سیاست‌ها و سرمایه‌گذاری‌های بعدی مبتنی بر پیش‌بینی‌های مغرضانه می‌شود.

همانطور که در بخش ۲ به آن اشاره شد، گروه‌های تحقیقاتی مختلفی در سراسر جهان در تحقیقات حمل و نقل شهری (جمع‌آوری داده‌ها، مدل‌سازی، سیاست‌گذاری) فعال هستند. به طور کلی، در حالی که برخی فناوری‌ها در تلاش برای جمع‌آوری داده‌های مربوط به حمل و نقل شهری، مانند GPS برای ردیابی نمونه‌ای از وسایل نقلیه، به کار گرفته می‌شوند، این تلاش برای جمع‌آوری داده‌ها هنوز تا حد زیادی سنتی است. به عنوان یک نتیجه کلی نهایی، فناوری اطلاعات و ارتباطات نسل بعدی و راه‌حل‌ها (عملیات مبتنی بر ترافیک در زمان واقعی، خدمات انعطاف‌پذیر پاسخگو به حمل و نقل، طرح‌های قیمت‌گذاری پویا و نوآورانه، محل‌های بارگیری هوشمند، گزینه‌های لجستیک مشارکتی نسل بعدی، بزرگی و تأثیرات حرکات مرتبط با تجارت الکترونیک) توسط فناوری‌ها امکان‌پذیر می‌شوند اما به اندازه کافی توسط مدل‌ها پشتیبانی نمی‌شوند – مدل‌هایی که در فرمول‌بندی‌های نظری خود بسیار مفصل هستند اما معمولاً با پویایی کلی شهری ادغام نمی‌شوند و توسط داده‌ها پشتیبانی نمی‌شوند.

بنابراین، علیرغم اهداف بلندپروازانه و پیشگامانه در مدل‌سازی و مدیریت حمل و نقل شهری نسل بعدی، جمع‌آوری داده‌ها همچنان به عنوان یک محدودیت عمده در درک و مدل‌سازی حمل و نقل شهری (کارگاه DLR، ۲۰۱۴) و همچنین فقدان مدل‌های رفتاری مناسب برای پشتیبانی از مدل‌های مبتنی بر عامل شبیه‌سازی خرد، شناخته می‌شود. علیرغم ماهیت اختصاصی داده‌های مربوط به حمل و نقل بار در سیستم‌های حمل و نقل بار، هنوز نیاز زیادی به درک دقیق رفتار بازیگران در بازارهای حمل و نقل بار وجود دارد (MesaArango and Ukkusuri, ۲۰۱۴). در حالی که نیاز به قابلیت‌های مدل‌سازی و شبیه‌سازی یکپارچه حمل و نقل بار برای تجزیه و تحلیل راه‌حل‌ها و سیاست‌ها غیرقابل انکار است، پلتفرم‌های شبیه‌سازی حمل و نقل میکروسکوپی فعلی به شبیه‌سازی مدل‌های لجستیک بسیار خاص، مانند تصمیمات عملیاتی فرستنده و حامل در مورد تخصیص و مسیریابی وسیله نقلیه، محدود شده‌اند (Barcelo et al, ۲۰۰۵). تنها چند چارچوب مدل‌سازی و شبیه‌سازی پیشرفته که بر تصمیمات سفر چندوجهی مسافران متمرکز شده‌اند، مانند MATSim (Schroeder و همکاران، ۲۰۱۲) و SimMobility (Lu و همکاران، ۲۰۱۵)، اخیراً اولین گام‌ها را برای در نظر گرفتن حرکات کامیون‌ها و تعاملات آنها با سایر روش‌های سفر مسافران برداشته‌اند، اما با کمبود داده‌ها برای ساخت مدل‌های لازم برای نمایش تعاملات پیچیده دست و پنجه نرم کرده‌اند.

از یک طرف، نظرسنجی‌های سنتی و دستی از نمونه‌ای از تمام عوامل مرتبط، بسیار پرهزینه و زمان‌بر هستند و کیفیت و اعتبار پاسخ‌ها به دلایل زیادی زیر سوال می‌رود: نرخ پاسخ پایین، نمونه‌های غیرنماینده بر اساس نمونه‌گیری راحت و تصادفی، دامنه توجه کوتاه پاسخ‌دهنده و توانایی محدود در یادآوری دقیق اطلاعات، عدم توانایی در ثبت انواع اطلاعات مهم (مانند مسیریابی وسایل نقلیه، مسیرهای حمل و نقل). از طرف دیگر، الگوی «کلان داده» امکان جمع‌آوری حجم عظیمی از مشاهدات غیرفعال (مانند حرکات کامیون از طریق ردیابی GPS) را فراهم می‌کند، اما گزینه‌های لجستیک و حمل و نقل اساسی همچنان ناشناخته باقی می‌مانند، همانطور که اطلاعات کلیدی در مورد متغیرهای توضیحی (مانند ویژگی‌های تصمیم‌گیرنده، درک جایگزین‌ها، الگوهای تصمیم‌گیری) مورد نیاز برای مدل‌سازی رفتاری نیز آشکار نمی‌شوند. علاوه بر این، روش‌های سنتی جمع‌آوری داده‌های حمل و نقل به زمان زیادی از طراحی نظرسنجی تا انتشار نهایی نتایج نظرسنجی نیاز دارند که اغلب منجر به پارادوکس به دست آوردن اطلاعات از قبل تاریخ‌دار می‌شود.

تلاش پیشنهادی برای جمع‌آوری داده‌های حمل و نقل، از ثبت‌کننده‌های فراگیر GPS، فناوری‌های پیشرفته حسگر و ارتباطات و معماری یادگیری ماشینی برای ارائه داده‌های قبلاً غیرقابل دستیابی که منعکس‌کننده اطلاعات مشاهده شده و بیان شده در مورد تصمیمات حمل‌کنندگان و معدنچیان است، بهره می‌برد. ساختار کلی چارچوب جمع‌آوری داده‌های پیشنهادی شامل موارد زیر است: (الف) دستگاه‌های حسگر برای ردیابی محموله‌ها، وسایل نقلیه و رفتار راننده؛ (ب) یک پایگاه داده سرور پشتیبان که داده‌های جمع‌آوری شده را جمع‌آوری و پردازش می‌کند؛ (ج) ابزارهای گزارش‌دهی و نظرسنجی مبتنی بر وب و تبلت. نکته مهم این است که اذعان شده است که برای درک تولید کالا (به عنوان تابعی از ویژگی‌های تأسیسات) و همچنین توزیع و کارایی سیستم‌های لجستیک شهری هنگام ترکیب با انتخاب‌های حالت حمل و نقل و استفاده از ظرفیت، به یک بررسی جامع از تمام فعالیت‌های جمع‌آوری داده‌ها، مانند …، نیاز است. بررسی جریان کالا با مشاهدات غیرفعال محموله‌ها همراه خواهد بود و بررسی‌های رانندگان کامیون با مشاهدات وسایل نقلیه مبتنی بر GPS/OBD همراه خواهد شد و یک چارچوب نوآورانه را تشکیل می‌دهد که ما آن را “حسگر زنجیره کالا” (CCS) می‌نامیم. در کنار CCS، یعنی هسته اصلی چارچوب جمع‌آوری داده‌های یکپارچه پیشنهادی، تلاش‌های بیشتری، چه برای مقیاس‌پذیری داده‌ها و چه برای کسب بینش در مورد ویژگی‌های خاص سیستم لجستیک با داده‌های با وضوح بالای محلی، در نظر گرفته شده است. همچنین، رویکرد فناورانه پیشنهادی امکان کاهش زمان اجرای بررسی را فراهم می‌کند و در نتیجه منجر به اطلاعات به‌روزتر می‌شود.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 به بررسی متون کلیدی مربوط به جمع‌آوری داده‌های حمل و نقل و تکنیک‌های بررسی در سراسر جهان می‌پردازد. بخش 3 رویکرد پیشنهادی جمع‌آوری داده‌های حمل و نقل ما را معرفی می‌کند و بخش 4 آزمایش‌های اولیه فناوری‌ها و ارزیابی را نشان می‌دهد. بخش 5 این مطالعه را نتیجه‌گیری کرده و در مورد پیشرفت‌های آینده بحث می‌کند.(منبع)