Визначення алгоритму аналізу та вивчення траєкторій міської вулично-дорожньої мережі
DOI:
https://doi.org/10.15587/1729-4061.2024.298274Ключові слова:
точка перевантаження, алгоритм кластеризації на основі сітки методом K-середніх, кластеризація траєкторії, паралельні обчисленняАнотація
Об’єктом дослідження є алгоритм кластеризації з використанням різних технологій.
У роботі порівнюються алгоритми кластеризації, які найчастіше використовуються для аналізу траєкторій міської вулично-дорожньої мережі. Для визначення часу обчислень, точності та способів підвищення швидкості обчислень проведено експерименти з різними обсягами великих даних. Результати можуть бути використані для боротьби з заторами в перевантажених районах та вулицях міста. Враховуючи широке використання алгоритмів кластеризації для вирішення різних завдань, у дослідженні пропонується впровадження методів GCM, SPGK для моніторингу та аналізу стану перевантаження міських доріг. Робота виконувалася за наступними кроками: дослідження та вибір методів за ефективністю та витратами часу, впровадження технологій паралельних обчислень для підвищення швидкості обчислень, демонстрація роботи обраного методу на основі зібраних даних реального міста з візуалізацією результатів. Доведено, що алгоритм моделі кривої росту майже в 5 разів ефективніший за метод ліктя та алгоритм x-середніх. Виконано обчислення часу, відведеного на обробку даних. Збільшення обсягу оброблюваних даних показало майже стабільний час виконання t = 3 c для алгоритму GCM для даних обсягом майже до 2000 одиниць. Показана ефективність SPGK-середніх за різних значень кількості точок. Представлені моделі транспортної мережі міста Ченду, отримані за допомогою алгоритму кластеризації з максимальною щільністю сітки околиць. Через великий розмір сітки є деякі відхилення між сіткою та дорожньою мережею. Така помилка пояснюється похибкою до одиниці між точками та реальною сіткою.
Отримані результати показують, як можна вплинути на оптимізацію перевантажених доріг. Вони надають інформацію для отримання даних про доступні маршрути, що дозволяє аналізувати вулично-дорожню мережу окремо та в цілому
Посилання
- Lu, M., Liang, J., Wang, Z., Yuan, X. (2016). Exploring OD patterns of interested region based on taxi trajectories. Journal of Visualization, 19 (4), 811–821. https://doi.org/10.1007/s12650-016-0357-7
- Li, T., Wu, J., Dang, A., Liao, L., Xu, M. (2019). Emission pattern mining based on taxi trajectory data in Beijing. Journal of Cleaner Production, 206, 688–700. https://doi.org/10.1016/j.jclepro.2018.09.051
- Tang, J., Liu, F., Wang, Y., Wang, H. (2015). Uncovering urban human mobility from large scale taxi GPS data. Physica A: Statistical Mechanics and Its Applications, 438, 140–153. https://doi.org/10.1016/j.physa.2015.06.032
- Liu, X., Luan, X., Liu, F. (2018). Optimizing manipulated trajectory based on principal time-segmented variables for batch processes. Chemometrics and Intelligent Laboratory Systems, 181, 45–51. https://doi.org/10.1016/j.chemolab.2018.08.010
- Izakian, H., Pedrycz, W., Jamal, I. (2015). Fuzzy clustering of time series data using dynamic time warping distance. Engineering Applications of Artificial Intelligence, 39, 235–244. https://doi.org/10.1016/j.engappai.2014.12.015
- D’Urso, P., De Giovanni, L., Massari, R. (2018). Robust fuzzy clustering of multivariate time trajectories. International Journal of Approximate Reasoning, 99, 12–38. https://doi.org/10.1016/j.ijar.2018.05.002
- Lee, J.-G., Han, J., Whang, K.-Y. (2007). Trajectory clustering. Proceedings of the 2007 ACM SIGMOD International Conference on Management of Data. https://doi.org/10.1145/1247480.1247546
- Wang, L., Hu, K., Ku, T., Yan, X. (2013). Mining frequent trajectory pattern based on vague space partition. Knowledge-Based Systems, 50, 100–111. https://doi.org/10.1016/j.knosys.2013.06.002
- Rempe, F., Huber, G., Bogenberger, K. (2016). Spatio-Temporal Congestion Patterns in Urban Traffic Networks. Transportation Research Procedia, 15, 513–524. https://doi.org/10.1016/j.trpro.2016.06.043
- Kan, Z., Tang, L., Kwan, M.-P., Ren, C., Liu, D., Li, Q. (2019). Traffic congestion analysis at the turn level using Taxis’ GPS trajectory data. Computers, Environment and Urban Systems, 74, 229–243. https://doi.org/10.1016/j.compenvurbsys.2018.11.007
- Pattara-atikom, W., Pongpaibool, P., Thajchayapong, S. (2006). Estimating Road Traffic Congestion using Vehicle Velocity. 2006 6th International Conference on ITS Telecommunications. https://doi.org/10.1109/itst.2006.288722
- Shi, W., Kong, Q.-J., Liu, Y. (2008). A GPS/GIS Integrated System for Urban Traffic Flow Analysis. 2008 11th International IEEE Conference on Intelligent Transportation Systems. https://doi.org/10.1109/itsc.2008.4732569
- Kong, Q. J., Li, Z., Chen, Y., Liu, Y. (2009). An Approach to Urban Traffic State Estimation by Fusing Multisource Information. IEEE Transactions on Intelligent Transportation Systems, 10 (3), 499–511. https://doi.org/10.1109/tits.2009.2026308
- Yang, Y., Xu, Y., Han, J., Wang, E., Chen, W., Yue, L. (2017). Efficient traffic congestion estimation using multiple spatio-temporal properties. Neurocomputing, 267, 344–353. https://doi.org/10.1016/j.neucom.2017.06.017
- Lu, S., Knoop, V. L., Keyvan-Ekbatani, M. (2018). Using taxi GPS data for macroscopic traffic monitoring in large scale urban networks: calibration and MFD derivation. Transportation Research Procedia, 34, 243–250. https://doi.org/10.1016/j.trpro.2018.11.038
- Hartigan, J. A., Wong, M. A. (1979). Algorithm AS 136: A K-Means Clustering Algorithm. Applied Statistics, 28 (1), 100. https://doi.org/10.2307/2346830
- Arthur, D., Vassilvitskii, S. (2007). K-means++: the advantages of careful seeding. SODA '07: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027–1035.
- Cordeiro de Amorim, R., Mirkin, B. (2012). Minkowski metric, feature weighting and anomalous cluster initializing in K-Means clustering. Pattern Recognition, 45 (3), 1061–1075. https://doi.org/10.1016/j.patcog.2011.08.012
- Ng, R. T., Han, J. (2002). CLARANS: a method for clustering objects for spatial data mining. IEEE Transactions on Knowledge and Data Engineering, 14(5), 1003–1016. https://doi.org/10.1109/tkde.2002.1033770
- Shahbaba, M., Beheshti, S. (2012). Improving X-means clustering with MNDL. 2012 11th International Conference on Information Science, Signal Processing and Their Applications (ISSPA). https://doi.org/10.1109/isspa.2012.6310493
- Abdiakhmetova, Z. M. (2017). Wavelet data processing in the problems of allocation in recovery well logging. Journal of Theoretical and Applied Information Technology, 95 (5). Available at: https://www.kaznu.kz/content/files/news/folder23320/2017%20%D0%A1%D0%BA%D0%BE%D0%BF%D1%83%D1%81%207Vol95No5.pdf
- Turken, G., Pey, V., Abdiakhmetova, Z., Temirbekova, Z. (2023). Research on Creating a Data Warehouse Based on E-Commerce. 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST). https://doi.org/10.1109/sist58284.2023.10223542
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Lyazat Naizabayeva, Gulzat Turken, Zukhra Abdiakhmetova, Zhanerke Temirbekova, Maxatbek Satymbekov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
