فایل ورد کامل برآورد حجم ترافیک شهری با استفاده از داده های مداری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل برآورد حجم ترافیک شهری با استفاده از داده های مداری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۵۲ صفحه

نتیجه گیری
ما یک چارچوب جدید گسترش می دهیم که هر دوی تکنیک های فراگیری ماشینی به شدت مقیاس پذیر و نظریه های جریان ترافیکی خوب تثبیت شده را به منظور برآورد حجم ترافیک شهری با استفاده از داده های حاصل از از مدارهای GPS و چندین منبع دیگر ادغام می کند. ما مجموعه ای از ویژگی های جریان ترافیکی حاصل از مدار های GPS را بر اساس نظریه جریان ترافیکی استخراج می کنیم، که منجر به کیفیت برآورد بهبود یافته می شود. ویژگی های مرتبط که در ساختار وابستگی در تعیین حجم ترافیک درگیرند، همچنین با استفاده از شبکه های بیزی نیمه مشاهده شده بررسی شده اند. فهمیده شده است که جاده های سطح بالاتر (گروه و ) در مقایسه با جاده های کوچک، دارای ساختار شبکه بیزی بسیار متفاوتی هستند و تحت تأثیر عوامل کمتری قرار می گیرند. چارچوب با استفاده از یک مجموعه داده مداری GPS حاصل از ، تاکسی پکن در طی یک دوره روزه و داده های حجمی حقیقی میدانی حاصل از کلیپ ویدیوئی ارزیابی شده است. نتایج نشان می دهند که چارچوب به MRE کلی درصدی در همه گروه های جاده ای دست می یابد. علاوه بر این، هنگامی که در بزرگراه ها اعمال می شود، MRE می تواند به میزان درصد کم باشد. ارزیابی نتایج نشان می دهد که چارچوب ما نسبت به روش های پایه از نظر اثربخشی و مقیاس پذیری، بهتر عمل می کند. در حال حاضر، چارچوب ما در برآورد حجم ترافیک برای جاده های سطح پایین تر (MRE = 50 درصد برای جاده های گروه ) کم دقت تر است. این امر عمدتا به این دلیل است که ترافیک در جاده های کوچک فاقد نظم است و نمودارهای مبنا برای این جاده ها معمولا به خوبی حرکت داده نشده اند. از این رو، ویژگی های مربوط به جریان ترافیکی استخراج شده برای درک کامل رابطه بین سرعت – جریان کافی نیستند. مطالعات بعدی می تواند به منظور کشف روش های بهتر برای جاده های سطح پایین تر انجام شود. این امر، همچنین به منظور گسترش چارچوب بوسیله ترکیب داده های ترافیکی حسگرهای ترافیکی موجود در شهر، که دقت برآورد را بیشتر بهبود خواهد داد، معنی دار خواهد بود.

عنوان انگلیسی:Citywide Traffic Volume Estimation Using Trajectory Data~~en~~

CONCLUSION

We develop a new framework that integrates both highly scalable machine learning techniques and well-established traffic flow theories to estimate the citywide traffic volume using data from GPS trajectories and several other sources. We extract a set of traffic flow features from GPS trajectories based on the traffic flow theory, which lead to improved estimation quality. The relevant features that involved in the dependency structure in determining traffic volume are also investigated using partially observed Bayesian networks. It is found that higher level roads (Group 1&2) possesses very different Bayesian network structure compared with small roads and impacted by fewer factors. The framework is evaluated using a GPS trajectory dataset from 33,000 Beijing taxis over a period of 118 days and ground truth volume data from 4,980 video clips. The results show that the framework achieves overall MRE of 32.2 percent on all groups of roads. Moreover, when applied to highways, the MRE can be as low as 23.6 percent. The evaluation results show our framework outperforms the baseline approaches in terms of effectiveness and scalability. Currently, our framework is less accurate in estimating traffic volume for lower level roads (MRE=50 percent for Group 3 roads). This is mainly because the traffic on small roads lacks regularity and the fundamental diagrams for these roads are usually not well-behaved. Hence the extracted traffic flow related features are not sufficient to fully capture the speed-flow relationship. Future work can be done to explore better methods for lower level roads. It will also be meaningful to extend the framework by incorporate traffic data from existing traffic sensors in the city, which will further improve the estimation accuracy.

$$en!!