استفاده از داده های تلفن هوشمند برای استخراج شاخصی برای تحرک مشترک بین افراد

خلاصه

پتانسیل داده های بزرگ جغرافیایی چند سالی است که توجه را به خود جلب کرده است. علیرغم نفوذ بیشتر و بزرگ‌تر فناوری‌های قابل حمل (دستگاه‌های عشایری و پوشیدنی مانند تلفن‌های هوشمند و ساعت‌های هوشمند)، فرصت‌های آن‌ها برای تجزیه و تحلیل رفتار سفر هنوز نسبتا ناشناخته است. هدف اصلی مطالعه ما استخراج الگوهای تحرک انسان از ردیابی GPS به منظور استخراج شاخصی برای افزایش تحرک مشارکتی (CM) بین افراد است. مرحله اول، استخراج مدت زمان و مکان فعالیت، با استفاده از ابزارهای تشخیص خودکار پیشرفته انجام می شود. از داده‌های حسگرها برای بازسازی مکان و مدت زمان فعالیت افراد در طول زمان استفاده می‌شود. برای ساخت شاخص، در مرحله دوم، متغیرها و روش‌های مختلفی را برای مطالعات موردی خاص تعریف کردیم. داده های حسگر گوشی های هوشمند از تعداد محدودی از افراد و به مدت یک هفته جمع آوری می شود. این داده ها برای ارزیابی شاخص پیشنهادی استفاده می شود. بر اساس مقدار شاخص، ما پتانسیل شناسایی CM را در میان گروه‌هایی از کاربران، مانند اشتراک‌گذاری منابع سفر (به‌عنوان مثال، اشتراک‌گذاری خودرو، اشتراک‌گذاری پارکینگ) و زمان (زمان‌بندی مجدد و ترتیب‌دهی مجدد فعالیت‌ها) تحلیل کردیم.

کلید واژه ها:

الگوهای حرکتی انسان تحرک مشترک ؛ داده های بزرگ جغرافیایی ؛ ردیابی GPS ; سیستم های حسگر

1. معرفی

امروزه، حمل و نقل سریع و آسان بخشی ضروری از جامعه مدرن بوده است، اما تراکم ترافیک بدون تغییرات بزرگ در رفتار سفر شهروندان به سمت جایگزین های سفر کارآمدتر، پایدار و زیست محیطی بدتر خواهد شد [1 ] .

راه حل های مختلفی برای حل این مسائل بررسی شده است، و مهم است که بدانیم در واقع چه چیزی باعث ازدحام ترافیک می شود. جالب توجه است، با توجه به [ 2]، میانگین تعداد سرنشین در هر خودرو (با احتساب وسایل نقلیه معمولی با پنج سرنشین با احتساب راننده) برای کشورهای اروپایی تقریباً 1.45 مسافر است. این به این معنی است که وسایل نقلیه اغلب در اشغال کم، تنها 29 درصد اشغال، و حتی گاهی اوقات بدون اشغال کار می کنند. تحرک مشترک، مانند به اشتراک گذاشتن منابع سفر (به عنوان مثال، همراهی با اتومبیل، اشتراک سواری، اشتراک خودرو) و زمان (تغییر برنامه ریزی و ترتیب دادن مجدد فعالیت های مشترک)، توجه تعداد بیشتری از محققان را به خود جلب کرده است. مطالعات متعددی قبلاً تأثیرات تحرک مشارکتی را بر محیط، سیستم حمل و نقل و تأثیرات آن بر رفتار افراد نشان داده‌اند (به عنوان مثال، [ 3 ، 4 ، 5 ، 6 ، 7» را ببینید.]). مطالعات دیگر عواملی را که بر فعالیت های مشارکتی تأثیر می گذارند تجزیه و تحلیل می کنند. کار در [ 8 ] یک نظرسنجی برای تجزیه و تحلیل نظرات مردم در مورد فعالیت های همنشینی انجام داد. نتایج نشان داد که 55 درصد از پاسخ‌دهندگان به دلیل مشکل در یافتن فردی با مکان و برنامه مشابه، کارپول نکردند و 45 درصد انعطاف‌پذیری رانندگی انفرادی را ترجیح می‌دهند. نظرسنجی دیگری که توسط [ 9 ] انجام شد، نشان داد که برنامه نامناسب همراهی و سطح اعتماد بین افراد غریبه دو مانع اصلی برای فعالیت‌های همراه است. سوالی که در این زمینه مطرح می شود این است که چگونه می توانیم آن مسائل را حل کنیم تا افراد بیشتری را به سمت تحرک مشارکتی جذب کنیم.

پیشرفت‌های فناوری اخیر در دستگاه‌های عشایری و پوشیدنی (تلفن‌های هوشمند و ساعت‌های هوشمند) همراه با نفوذ فناوری‌های قابل حمل در بازار و آخرین پیشرفت‌ها در حمل‌ونقل به عنوان گزینه‌ای جذاب برای سنجش رفتارهای انسانی در مقیاس بزرگ ظاهر می‌شوند [10 ] . فن‌آوری‌های حسگر تعبیه‌شده در دستگاه‌های تلفن همراه حمل‌شده توسط مسافران می‌توانند مقدار بی‌سابقه‌ای از داده‌های مربوط به الگوهای تحرک انسان را تولید کنند [ 11 ]. می توان استدلال کرد که امروزه ما فناوری ها و ابزارهایی برای حل آن مسائل داریم. راه حل می تواند ترکیبی از طرح های تحرک مشترک با فناوری های موجود و توسعه ITS جدید مبتنی بر داده باشد [ 12]]. در این زمینه، ITS باید اطلاعات فردی و بلادرنگ درباره همه کاربران و جایگزین‌های اشتراک‌گذاری ارائه دهد و به آنها توصیه کند که در شرایط خاص کدام راه‌حل اشتراک‌گذاری را انتخاب کنند تا در هزینه، زمان صرفه‌جویی کنند و همچنین انعطاف‌پذیر باشند. در این زمینه، جمع‌آوری و پردازش خودکار مجموعه‌های داده عظیم تولید شده، به منظور شناسایی الگوهای سفر و تعامل احتمالی بین شرکت‌کنندگان سیستم بدون دخالت پاسخ‌دهندگان، بسیار مهم است [13 ] .

در این زمینه، هدف اصلی این مطالعه استخراج شاخصی برای آشکار کردن گزینه‌های بالقوه تحرک مشترک بین افراد با استفاده از داده‌های خودکار جمع‌آوری‌شده از حسگرهای گوشی‌های هوشمند است. این نشانگر می‌تواند توسط ITS به منظور ارائه توصیه‌هایی برای همه ترکیب‌های سیستم‌های اشتراک‌گذاری تحرک مشترک (به عنوان مثال، اشتراک خودرو، اشتراک‌گذاری پارکینگ، اشتراک خودرو) استفاده شود. شاخص پیشنهادی باید ترجیحات فردی، برنامه زمان بندی کل زنجیره فعالیت ها را در نظر بگیرد و نسبت به تغییرات پویا در سناریوهای مختلف حساس باشد. در عین حال، روش پیشنهادی باید به اندازه کافی ساده باشد تا بتواند محاسبات را تقریباً در زمان واقعی انجام دهد.

ساختار باقی مانده این مقاله به شرح زیر است. در بخش 2 ، مطالعه حاضر را در حوزه تحقیقاتی خدمات اشتراک گذاری حمل و نقل چارچوب می دهیم. ما همچنین سهمی را در بررسی روش‌شناسی برای استخراج مدت زمان و مکان فعالیت از ردیابی GPS ارائه می‌کنیم. شاخص تحرک مشترک پیشنهادی در بخش 3 تعریف شده است و پس از آن آزمایش و نتایج در بخش 4 ارائه می شود . در نهایت، بحث و دیدگاه‌ها را در بخش 5 و سپس نتیجه‌گیری مقاله در بخش 6 را تشریح می‌کنیم .

2. کارهای مرتبط

در بخش اول این بخش، مطالعه حاضر را در حوزه تحقیقاتی خدمات اشتراک حمل و نقل چارچوب بندی می کنیم و سؤال تحقیق و انگیزه این تحقیق را تدوین می کنیم. در بخش دوم این بخش، کار مرتبط را برای استخراج مدت زمان و مکان فعالیت از داده‌های خام ردیابی GPS جمع‌آوری‌شده تجزیه و تحلیل می‌کنیم. این اولین گام مهم به منظور تبدیل داده های خام بی معنی جمع آوری شده به دانش است که می تواند هم توسط محققین در تجزیه و تحلیل فرآیند و هم سیستم های ICT در محاسبه داده های ارائه شده مورد استفاده قرار گیرد.

2.1. خدمات تحرک مشترک

راه‌حل‌های اشتراک‌گذاری مختلفی به عنوان خدمات خصوصی و عمومی وجود دارد که شامل منابع، شرایط و رویه‌های عملیاتی متفاوتی است. ما می توانیم این خدمات را به اشتراک گذاری مشترک و سرویس های اشتراک همزمان دسته بندی کنیم. در حالی که در اشتراک‌گذاری مشترک (مثلاً هم‌نشینی)، هدف گروه‌بندی افراد بیشتر در خودروهای کمتر است، در اشتراک‌گذاری همزمان (مثلاً اشتراک‌گذاری خودرو، اشتراک‌گذاری پارکینگ)، هدف تشدید استفاده از منابع است. در این مطالعه، ما راه حلی را برای ترکیب خدمات فوق در یک سیستم تحرک مشترک (CM) بررسی می کنیم. سوالی که مطرح می شود این است که چگونه می توان CM را در ترکیب خدمات به گونه ای ارزیابی کرد که همه آن خدمات بتوانند مکمل یکدیگر باشند. بنابراین، مفهوم سیستم CM ارائه شده در این مطالعه با ویژگی های زیر مشخص می شود:

منابعی که می‌توان بین کاربران به اشتراک گذاشت، هم می‌تواند منابع خصوصی (مثلاً خودروهای شخصی) و هم منابع ارائه‌شده توسط اشخاص ثالث عمومی یا خصوصی (مانند سیستم اشتراک خودرو، پارکینگ‌ها) باشد.
ITS به طور مداوم الگوهای سفر و ترجیحات را برای همه کاربران در یک سیستم محیط بسته جمع آوری می کند
برای سرویس‌های اشتراک‌گذاری مشترک، کاربران باید برای استفاده همزمان از یک منبع (مثلاً یک ماشین) مطابقت داشته باشند. این الزام هم برای سفرهای مکرر (همراهی با اتومبیل) و هم برای اشتراک گذاری سواری فوری (اشتراک گذاری پویا) قابل اجرا است.
برای سرویس های اشتراک گذاری همزمان، کاربران سازگار باید مطابقت داشته باشند تا بتوانند از منابع بدون همپوشانی استفاده کنند
ITS به عنوان یک سیستم توصیه/مشاوره عمل می کند و سازگاری برای استفاده از ترکیبات مختلف منابع توسط گروهی از کاربران را اندازه گیری می کند.
هدف CM در سطح سیستم، مطابقت دادن کاربران به منظور به حداکثر رساندن استفاده از منابع با ترکیب خدمات مختلف برای استفاده توسط کاربران سازگار است. در سطح فردی، هدف این است که اطمینان حاصل شود که هزینه کل هر فرد کمتر از زمانی است که آنها از سیستم اشتراک اشتراکی استفاده نکنند.

حتی اگر ادبیات بر اهمیت خدمات ذکر شده در بالا در مشکلات تراکم ترافیک تأکید کرده باشد، بسیاری از ادبیات فقط به بخش‌هایی از آن خدمات و اهداف و به ندرت در روش‌شناسی ترکیبی توجه ویژه‌ای دارند. در ادامه این بخش، مرتبط ترین ادبیات را برای این موضوع ارائه می کنیم.

مسئله تطابق مسافر یکی از مهمترین ویژگی هاست و اخیراً توجه بیشتری را در ادبیات به خود جلب کرده است [ 14 ]. کار در [ 15 ] بر مسئله بهینه سازی یافتن تطابق کارآمد بین مسافران و رانندگان متمرکز بود. الگوریتم‌های بهینه‌سازی برای سیستم‌های سواری منطبق پیچیده نیز در [ 16 ] بررسی شده‌اند. یک چالش واقعی برای مشکل تطبیق ابعاد بالا، توسعه سیستم های توصیه پیچیده است. کار در [ 17 ] به بررسی توابع مورد نیازی می‌پردازد که باید در سیستم‌های پیشنهادی آینده برای انبوه‌سازی مشکل تطبیق اشتراک سواری پیاده‌سازی شوند. برخی از الگوریتم‌های سریع برای تولید کوتاه‌ترین مسیر با در نظر گرفتن نیازهای مختلف پیشنهاد شده‌اند ([ 18، 19 ])، در حالی که آنها ارزیابی هزینه های مربوط به هر راه حل ارائه شده را در نظر نمی گیرند. در این مقاله، ما شاخصی را پیشنهاد می‌کنیم که می‌تواند توسط یک سیستم توصیه برای ارزیابی CM بین افراد سازگار، با در نظر گرفتن کل هزینه (یعنی انعطاف‌پذیری، زمان و هزینه‌های پولی) استفاده شود.

تأثیر آن بر رفتار مسافران و هزینه های سیستم حمل و نقل در ادبیات نسبتاً ناشناخته است. برخی از مطالعات تطابق افراد را در سیستم‌های اشتراک‌گذاری تنها با استفاده از زمان‌های خروج ترجیحی و استراتژی‌های تطبیق مختلف در زمان واقعی ارزیابی می‌کنند ([ 20 ، 21 ]). مطالعات دیگر کاهش هزینه‌های سفر را در هنگام اشتراک‌گذاری سواری اندازه‌گیری کردند ([ 22 ، 23 ]). علاوه بر هزینه سفر، شاخص پیشنهادی از این مطالعه هزینه سیستم را نه تنها برای اشتراک سواری، بلکه چندین سرویس اشتراکی ترکیبی (به اشتراک گذاری پارکینگ، اشتراک خودرو) را در مطالعات موردی مختلف ارزیابی خواهد کرد. علاوه بر این، ارزش هزینه را نه تنها در سطح سیستم، بلکه در سطح فردی نیز ارزیابی می کند.

شکل دیگری از خدمات اشتراک‌گذاری مشترک، تمرین نیمه سازمان‌یافته اشتراک‌گذاری سواری است که در ادبیات به عنوان هم‌نشینی انعطاف‌پذیر تعریف شده است ([ 5 ، 24 ، 25 ، 26]]). این امر به ویژه در جاهایی که خطوط وسایل نقلیه پرشمار اجرا می شود محبوبیت پیدا می کند زیرا افراد خواهان استفاده از این خطوط سریعتر و کاهش عوارض هستند. در این نوع سرویس اشتراک گذاری، مسافران و رانندگان به صورت خودجوش در مکان های خاص بدون اطلاع یا تبادل اطلاعات با یکدیگر ملاقات می کنند. یکی از مزیت های طرح منعطف همنشینی، راحتی ارائه شده برای عدم تعهد خاص است. عیب آن این است که به تعداد زیادی کاربر نیاز دارد. با شاخص پیشنهادی، هدف ما این است که عملکرد سیستم‌های توصیه را نه تنها برای سرویس اول، بلکه برای جمع‌بندی برنامه‌ریزی‌شده گسترش دهیم. در این صورت امکان ارزیابی عود، اما همچنین اشتراک گذاری پویا در یک معیار واحد و انتخاب بهترین گزینه ها برای گروه های مختلف کاربران بر اساس امتیاز سازگاری بین افراد و راه حل های اشتراک گذاری موجود. علاوه بر این، سیستم به تعداد زیادی کاربر نیاز ندارد. در صورتی که هیچ تطابقی بین گروهی از کاربران یافت نشد یا امتیاز سازگاری پایین باشد، یک سیستم توصیه‌های آینده توصیه‌های شخصی در مورد چگونگی تغییر رفتار (مثلاً برنامه‌ریزی مجدد و ترتیب مجدد فعالیت‌ها) به منظور افزایش تطابق ارسال می‌کند. نرخ و امتیاز سازگاری بین افراد.

با ظهور اینترنت، تعدادی از آژانس های تطبیق خصوصی برای ارائه خدمات اشتراک گذاری سواری متنوع برای مسافران پدید آمدند. کار در [ 27 ] بررسی گسترده ای از این آژانس ها را با این نتیجه ارائه می دهد که هنوز هم، اشتراک گذاری سواره رو به کاهش است. مشکلات اصلی شناسایی شده برنامه، تقسیم هزینه و انتخاب یک مسیر خاص است که برای هر مسافر مفید است. این نشان دهنده نیاز به سیستم ها و خدمات نوآورانه ای است که برای تغییر رفتار مردم به سمت یک اقتصاد اشتراکی کارآمدتر، پایدار و سازگار با محیط زیست ضروری هستند.

چالش ها و محدودیت های فوق حاکی از اتوماسیون کل فرآیند و روشی برای ارزیابی هر متغیر و محدودیت خاص سرویس در یک متریک است. اتوماسیون کل فرآیند می‌تواند یک ویژگی جذاب باشد زیرا وظیفه کاربران را برای وارد کردن دستی و ویرایش مداوم برنامه سفر، و همچنین جستجو برای بهترین راه‌حل‌ها و شرکای اشتراک‌گذاری برای CM از بین می‌برد. بنابراین، مکان، مبدا، مقصد، زمان حرکت و توالی فعالیت ها باید به طور خودکار از داده های جمع آوری شده استخراج شود. در بخش بعدی، روش‌های استخراج مدت زمان و مکان فعالیت از داده‌های خام GPS را بررسی می‌کنیم تا به طور خودکار توالی فعالیت‌ها و الگوهای سفر فردی را شناسایی کنیم.

مطالعه تکرارها در الگوهای سفر فعالیت‌های فردی نشان داده است که تکراری بودن فعالیت‌های افراد تحت تأثیر عوامل متعددی مانند انواع فعالیت‌ها، دسترسی به مکان‌های مختلف و تعهدات متفاوت است. علاوه بر این، [ 28 ] نشان داد که انواع مختلف فعالیت ها الگوهای متفاوتی از تکرار دارند. جالب توجه است، [ 29 ] نشان می دهد که در دوره یک مطالعه شش هفته ای، 70٪ از تمام سفرها رفتار تکراری بازدید از همان 2-4 مکان دارند. بر اساس آن یافته‌ها، می‌توانیم استدلال کنیم که با استفاده از مکان‌های مکرر پاسخ‌دهندگان، می‌توانیم رفتار شاخص تحرک مشترک پیشنهادی را مدل‌سازی و ارزیابی کنیم.

حریم خصوصی یکی دیگر از چالش‌های موجود در طرح‌های خدمات اشتراک‌گذاری است. یکی از نگرانی ها خطر تبادل اطلاعات خصوصی با افراد غریبه است [ 30 ]. از دست دادن حریم خصوصی به دلیل جمع آوری سیستماتیک داده ها از اطلاعات خصوصی یکی دیگر از نگرانی های اصلی است [ 31 ]. ما با پیشنهاد اجرای طرح های خدمات اشتراکی در سطح سازمان به این موضوع می پردازیم. در این مقاله، ما مطالعات موردی مختلف را در یک محیط بسته بررسی می‌کنیم که در آن اعتماد بین افراد بسیار بالاتر است و سازمان‌ها علاقه‌مند به نگهداری امن اطلاعات حساس ناشناس در داخل هستند.

2.2. روش‌های استخراج مدت و مکان فعالیت

استخراج خودکار مکان های فعالیت و مکان های دیدنی یک الزام اجباری در مطالعه رفتار حرکتی است و این باید به طور دقیق توسط دستگاه های عشایری و پوشیدنی انجام شود. این دستگاه‌ها می‌توانند مقدار زیادی از نقاط مکان را جمع‌آوری کنند، که با مختصات موقعیت همراه با تاریخ و زمانی که حسگر اطلاعات مکان را گرفته است، نمایش داده می‌شود. برای تبدیل داده‌های نقاط موقعیت خام به دانشی که یک ماشین می‌تواند آن را درک کند یا یک انسان می‌تواند تجسم و تفسیر کند، این داده‌ها باید به مکان‌های دیدنی تبدیل شوند که به عنوان نقاط مبدا و مقصد تعریف می‌شوند. در این بخش، مرتبط‌ترین روش‌ها و الگوریتم‌های مورد استفاده محققان برای استخراج مدت زمان و مکان فعالیت را با استفاده از منابع داده، دستگاه‌ها، حسگرها،

در ابتدا، محققان از داده های به دست آمده از دستگاه های مختلف GPS و سایر منابع سنتی استفاده کردند. کار در [ 32] از یک گیرنده GPS پوشیدنی و یک ثبت کننده اطلاعات GPS برای جمع آوری اطلاعات از شش کاربر به مدت هفت ماه استفاده کرد. خوشه‌های مکان‌ها با استفاده از گونه‌ای از الگوریتم خوشه‌بندی k-means به منظور شناسایی مکان‌ها و مکان‌های فرعی کاربر استفاده شده‌اند. آنها نتایج را در سیستمی ادغام می‌کنند که می‌تواند این مکان‌ها را در یک مدل پیش‌بینی از حرکات کاربر بگنجاند. چندین کاربرد بالقوه از این مدل ها ارائه شده است، از جمله سناریوهای تک کاربره و چند کاربره. دقت روش مورد آزمایش قرار نگرفت، اما آنها استدلال کردند که این روش می‌تواند مبنای الگوریتم‌های پیش‌بینی آینده، فرکانس نسبی و احتمال مکان‌ها در زمان باشد.

در [ 33]، داده ها با استفاده از دستگاه های GPS دستی که توسط دو نفر به مدت یک سال حمل می شد جمع آوری شد. با استفاده از رویکرد کلاسیک، این روش دنباله زمانی مکان‌های ضبط‌شده را می‌گیرد و از مجموعه‌ای از قوانین تصمیم‌گیری، بر اساس فاصله و زمان بین نقاط، برای شناسایی خوشه‌ها استفاده می‌کند. این الگوریتم تجمعی به طور مکرر نقاط GPS را آزمایش می کند تا تعیین کند که آیا آنها در فاصله آستانه معین باقی می مانند یا خیر. اگر زمان بین اولین و آخرین نقطه مشاهده شده از مدت اقامت از پیش تعریف شده بیشتر شود، خوشه اختصاص داده می شود. مدل‌های احتمالی برای مدل‌سازی تاریخچه مکان و احتمالات قرار گرفتن در یک مکان در یک بازه زمانی معین ایجاد شده‌اند. حتی اگر دقت روش ارزیابی نشود، این می تواند نقطه شروعی برای کاوش در آینده مدل های احتمالی تاریخچه مکان باشد.

به روشی مشابه، [ 34 ] از یک معیار آستانه سرعت برای شناسایی مکان‌های فعالیت از سوابق GPS کامیون‌ها در یک معدن روباز استفاده کنید. حتی اگر الگوریتم ارائه شده بسیار سریع باشد، این عمدتا به دلیل این واقعیت است که محاسبات بسیار ساده هستند، با داده های به دست آمده از مناطق کم سرعت بدون تغییرات زیاد و بدون در نظر گرفتن زمان. از آنجایی که دقت روش آزمایش نشده است، این می تواند یک روش مکمل برای شناسایی خطاهای GPS (به اصطلاح “پرش های مافوق صوت”) باشد تا یک روش کارآمد برای استخراج مکان و مدت فعالیت ها.

پیشرفت تکنولوژی در دستگاه‌های تلفن همراه و سیستم‌های حسگر، جمع‌آوری و پردازش داده‌ها را به روشی بسیار آسان‌تر و با دقت بالاتر ممکن کرد. کار در [ 35] یک رویکرد جدید برای استخراج توقف از مسیرهای منفرد با نویز با استفاده از روش خوشه‌بندی توالی گرا پیشنهاد کرد. در این روش اطلاعات مکانی و زمانی به عنوان ورودی در نظر گرفته می شود. الگوریتم پیشنهادی قادر به تشخیص توقف های موثر و کنار گذاشتن توقف های مثبت کاذب است. قابلیت دسترسی در یک نمودار نشان داده می شود که ساختار خوشه بندی و سطوح مختلف یک مسیر خاص را نشان می دهد. حتی اگر الگوریتم دقت بسیار خوبی 91.3% در تشخیص توقف های موثر و حذف توقف های مثبت کاذب داشته باشد، فقط بر روی مجموعه داده های کوچک، برای فواصل کوتاه در مقیاس کوچک آزمایش شده است. روش پیشنهادی مستلزم محاسبات بالا، بارگیری تمام مکان‌های GPS و سپس محاسبه با استفاده از ابزارهای مختلف است که برای فواصل کوچک و بسیار دقیق مناسب است.

علاوه بر داده های GPS، [ 36] همچنین از داده‌های شتاب‌سنج گوشی‌های هوشمند، با استفاده از پنج ویژگی مشتق شده بر اساس ویژگی‌های حسگرها و فردیت رفتار انسان در سفر استفاده کرد. آنها روش جدیدی را برای استخراج خودکار سفرها بر اساس داده های جمع آوری شده به طور مداوم پیشنهاد می کنند. در حالی که روش‌های مرسوم مبتنی بر تشخیص مناطق اقامتی با مرزی است که از خطا برای سفرهای مسافت کوتاه رنج می‌برند، نویسندگان نشان دادند که روش پیشنهادی قادر است سفرها را به درستی استخراج کند و در طبقه‌بندی هر نقطه GPS چه در یک نقطه اقامت یا چه در سفر، نقاط پرت را سرکوب کند. . علاوه بر این، این روش از خطای موقعیت یابی GPS به عنوان یک ویژگی مثبت برای طبقه بندی یک مکان داخلی به عنوان نقطه اقامت استفاده می کند. حتی اگر روش پیشنهادی دقت امیدوار کننده 89.4 درصدی را نشان دهد و سفرهای مسافت کوتاه را به درستی طبقه بندی کرد، این بیشتر برای استخراج سفرها مناسب است تا مکان ها. با این وجود، سنسورهای GPS و شتاب سنج با حداکثر شدت استفاده می شوند.

تا آنجا که ما می دانیم، یکی از پیشرفته ترین روش ها برای کشف مکان های دیدنی از داده های تلفن هوشمند چند وجهی در مطالعه ای ارائه شده است که توسط [ 37] انجام شده است.]، که دو سطح مختلف از تجمع یا خوشه بندی را برای به دست آوردن نقاط مورد علاقه در نظر می گیرند. در سطح اول خوشه‌بندی، نقاط مکان با استفاده از روش خوشه‌بندی مبتنی بر زمان در مکان‌های مورد علاقه گروه‌بندی می‌شوند. در سطح دوم، نقاط اقامت با استفاده از یک الگوریتم خوشه‌بندی مبتنی بر شبکه در مناطق اقامت گروه‌بندی می‌شوند. یک سیستم کلاینت-سرور بر روی گوشی های هوشمند نصب شده است که اطلاعات موقعیت مکانی را با ادغام سنسورهای GPS، WiFi، GSM و شتاب سنج و غیره جمع آوری می کند. این روش از الگوریتمی برای یادگیری مکان های دیدنی نه تنها از داده های GPS، بلکه از دکل های تلفن همراه WiFi، بلوتوث و GSM استفاده می کند. داده ها در یک پایگاه داده محلی از مکان های مرتبط با هر موجودیت اسکن شده به طور مداوم ذخیره می شوند. این یک روش کارآمد برای به دست آوردن مکان از داده های تلفن همراه چند وجهی با دقت حتی در مکان های داخلی است. این استراتژی منجر به صرفه جویی قابل توجهی در عمر باتری، تغییر حالت های مختلف صرفه جویی در مصرف انرژی می شود (به عنوان مثال، GPS برنامه ریزی شده است تا زمانی که مکان با نقشه WiFi به دست می آید یا تلفن ثابت است، به طور خودکار خاموش شود). علاوه بر این، با استفاده از این روش، امکان بازسازی داده های مکان از دست رفته وجود دارد (به عنوان مثال، اگر GPS روشن نباشد، مکان توسط شبکه WiFi تنظیم می شود). این یکی از مناسب‌ترین روش‌های یافت شده بود، به طوری که در مطالعه موردی مشابهی با مقاله فعلی آزمایش می‌شود. تنها اشکال این است که تکرار نتایج بسیار سخت تر است زیرا چارچوب و الگوریتم ها در یک برنامه تلفن همراه خصوصی پیاده سازی شده اند.

به منظور به دست آوردن نتایج مشابه با استفاده از منابع کمتر و زمان پیاده سازی، در این مطالعه از روش توسعه یافته توسط [ 38 ] استفاده می کنیم. الگوریتم پیشنهادی با رویکرد سنتی متفاوت است زیرا نقاط داده را به صورت متوالی تجزیه و تحلیل نمی کند، اما از نقاط GPS برای ساخت یک سطح چگالی هسته استفاده می کند. قله‌ها به‌عنوان توقفگاه‌های ممکن انتخاب می‌شوند و نقاط GPS به عنوان متعلق به یک سفر یا یک مکان توقف طبقه‌بندی می‌شوند. الگوریتم پیشنهادی دارای دقت 92.3٪ است که با یک مجموعه داده مصنوعی آزمایش شده است. علاوه بر این، کد به عنوان ابزاری در دسترس است که می تواند همراه با ArcGIS 10 استفاده شود.

مقایسه ای کنار هم بین روش شناسی های بازرسی شده در جدول 1 ارائه شده است .

3. روش شناسی

در این مقاله، شاخصی پیشنهاد شده است که برای ارزیابی تحرک مشارکتی بین افراد مورد استفاده قرار می‌گیرد و یک امتیاز واحد را ارائه می‌کند که بعداً به عنوان یک شاخص تعریف می‌شود. مشکل شامل ایجاد امتیاز سازگاری برای همنشینی، اشتراک خودرو و اشتراک پارک بین دو یا چند نفر است که مایل به اشتراک گذاری منابع هستند. مقدار شاخص نشان می دهد که آیا سازگاری بین گروهی از کاربران برای استفاده از خدمات اشتراک گذاری و سطح سازگاری وجود دارد یا خیر. این شاخص دارای ویژگی ها و اهداف زیر است:

بهینه‌سازی سیستم: در سطح سیستم، اهداف ارائه امتیاز سازگاری بین افراد برای استفاده از خدمات اشتراک‌گذاری به منظور کاهش انتشار کربن، تراکم ترافیک در جاده‌ها و نیاز به فضای پارک است، مشروط به موارد زیر:

(آ)

به حداقل رساندن مجموع کل هزینه ها (کاهش هزینه منابع قابل اشتراک گذاری)؛

(ب)

به حداکثر رساندن تعداد کاربرانی که به طور همزمان از خدمات اشتراک‌گذاری استفاده می‌کنند (گروه‌بندی افراد بیشتر در خودروهای کمتر).
بهینه سازی فردی: در سطح فردی، هدف به حداقل رساندن هزینه هر یک از شرکت کنندگان در طرح تحرک مشارکتی است.
متریک واحد: این شاخص یک امتیاز سازگاری را ارائه می دهد که ترکیبی از carpooling، اشتراک پارکینگ و اشتراک خودرو در یک نشانگر واحد است.
حساس: مقدار شاخص منعکس کننده هرگونه تغییر در برنامه زمانی افراد، تعداد کاربرانی که منابع را به اشتراک می گذارند، مسیر سفر انتخاب شده یا تعداد منابع مشترک است.
انعطاف پذیر: این نشانگر می تواند برای ارزیابی سازگاری بین افراد برای خدمات اشتراک گذاری طولانی مدت و همچنین برای خدمات اشتراک گذاری فوری استفاده شود.

3.1. مدل مفهومی عمومی شاخص تحرک مشارکتی

این اندیکاتور باید هزینه کل سیستم و همچنین هزینه فردی هر کاربر را با در نظر گرفتن استراتژی های مختلف مبادله در برخی موارد ارزیابی کند. مسئله ریاضی توسعه یافته در اینجا از جنبه های مختلف چالش برانگیز است، به عنوان مثال اجرای قوانین مبادله صحیح با توجه به این واقعیت که ویژگی های مسافران می تواند در طول زمان تغییر کند [39 ] بی اهمیت نیست. این یک مسئله بهینه سازی چند هدفه است که شامل بیش از یک تابع هدف است که باید به طور همزمان بهینه شوند.

تمامی متغیرها و مقادیر هزینه مورد استفاده در این مقاله در لیست زیر توضیح داده شده است. مقادیر هزینه پیش‌فرض مورد استفاده در مثال‌ها و مطالعات موردی ارائه‌شده در این مقاله مشابه مقادیر موجود در ادبیات تخصصی است (به عنوان مثال، [ 39 ] را ببینید). علاوه بر این، از آنجایی که مطالعات موردی در لوکزامبورگ انجام می شود، هزینه پارکینگ بر اساس نرخ های عمومی محلی است.

من	مقدار شاخص تحرک مشارکتی
سی	هزینه انفرادی بدون استفاده از خدمات اشتراک گذاری
$C_{S}$	هزینه فردی هنگام استفاده از خدمات اشتراک گذاری
$C_{r}$	نسبت هزینه بین $C_{S}$ و سی
$C_{c p}$	هزینه کارپولینگ
$C_{p s}$	هزینه اشتراک پارکینگ
$C_{c s}$	هزینه اشتراک خودرو
اف	هزینه های مبتنی بر فاصله	0.15 €/کیلومتر
$T t$	هزینه زمان سفر	0.17 یورو در دقیقه
$T r$	زمان بندی مجدد هزینه	0.17 یورو در دقیقه
پ	هزینه پارکینگ	17,42 € در روز
$T p$	زمان پارکینگ
O	سایر هزینه های مربوط به سفر، به عنوان مثال، عوارض، وینیت و غیره.
$α, β, γ, δ, ϵ$	متغیر وزن برای یک هزینه خاص
n	تعداد کل کاربران

تعریف 1.

هزینه های قابل اشتراک به عنوان هزینه هایی تعریف می شود که می توان در هنگام استفاده از خدمات اشتراک گذاری بین افراد تقسیم کرد: F, P, O

تعریف 2.

هزینه‌های غیرقابل اشتراک به عنوان هزینه‌هایی تعریف می‌شوند که در هنگام استفاده از خدمات اشتراک‌گذاری نمی‌توان بین افراد تقسیم کرد:

T t

T r

تعریف 3.

فاصله در زمان (DT) بین دو فعالیت a و b به عنوان اختلاف زمانی بین شروع (

t_{s}

) زمان فعالیت:

دی تی (الف ، ب) = تی س (الف) - تی س (ب)

(1)

تعریف 4.

فاصله در فضا (DS) بین فعالیت ها با کوتاه ترین فاصله مسیر در شبکه جاده بین مکان های فعالیت نشان داده می شود.

دی اس (ل من ، ل j) = D i s t a n c e ([ایکس من ، y من] (ل من) ، [ایکس j ، y j] (ل j))

(2)

جایی که $l_{i}$ ، $l_{j}$ نشان دهنده شاخص مکان و x، y طول و عرض جغرافیایی هر مکان است.

فرمول‌بندی‌های ریاضی و محدودیت‌های کلی برای شاخص پیشنهادی به شرح زیر تعریف می‌شوند:

من = \sum n i = 1 سی اس ( من ) \sum n i = 1 سی ( من )

(3)

جایی که:

سی اس (i) = α (سی ج ص (i)) + β (سی p s (i)) + γ (سی c s (من))

(4)

سی (i) = α (سی (من ، ج)) + β (تی تی (من ، ج)) + γ (تی r (i)) + δ (ص) + ε (O)

(5)

موضوع:

من < 1

(6)

سی r (من) < 1

(7)

جایی که:

سی r (من) = سی اس ( من ) سی ( من )

(8)

سازگاری بین گروهی از کاربران زمانی وجود دارد که معادلات محدودیت ( 6 ) و ( 7 ) به طور همزمان برآورده شوند. این تضمین می کند که سرویس های اشتراک گذاری هم در سطح سیستم و هم در سطح فردی کارآمد هستند. معادله ( 6 ) تضمین می‌کند که مجموع هزینه‌های فردی زمانی که افراد از خدمات اشتراک‌گذاری استفاده می‌کنند، کمتر از مجموع هزینه‌های فردی است، در حالی که از خدمات مشترک استفاده نمی‌کنند. معادله محدودیت ( 7) تضمین می کند که هزینه فردی برای هر فرد در هنگام استفاده از خدمات اشتراک گذاری از هزینه زمانی که فرد از خدمات استفاده نمی کند بیشتر نباشد. مقدار شاخص همچنین نشان دهنده سطح سازگاری بین افرادی است که از خدمات اشتراک گذاری استفاده می کنند. هرچه مقدار زیر 1 کمتر باشد، هزینه کمتر است و در نتیجه سازگاری بالاتری دارد.

بنابراین، شاخص پیشنهادی به هر هزینه فردی به شرح زیر حساس است:

هزینه های قابل اشتراک بر تعداد افرادی که منبعی را برای یک بخش سفر/دوره زمانی خاص به اشتراک می گذارند تقسیم می شود.
زمان سفر، کل زمان سفر است که در صورت انحراف افزایش می یابد و قابل اشتراک گذاری نیست.
زمان‌بندی مجدد نشان‌دهنده هزینه زمانی برای هر کاربر فردی است که باید فعالیت‌های خود را برای همگام‌سازی با سایر مسافران برنامه‌ریزی کند.
متغیرهای هزینه وزن نشان دهنده وزن هزینه برای هر فرد است. این یک محاسبه هزینه واقعی را ارائه می دهد زیرا، به عنوان مثال، یک کاربر ممکن است به صرفه جویی در هزینه های قابل اشتراک گذاری اهمیتی ندهد، اما هیچ انعطافی برای برنامه ریزی مجدد فعالیت خود ندارد. در این حالت، وزن هزینه های قابل اشتراک می تواند صفر باشد.

در بخش‌های فرعی بعدی، مدل مفهومی هر یک از سرویس‌های اشتراک‌گذاری، یعنی هم‌نشینی، اشتراک پارکینگ و اشتراک‌گذاری خودرو را به تفصیل ارائه می‌کنیم.

3.2. شاخص تحرک مشارکتی برای ارزیابی کارپولینگ

کارپولینگ به اشتراک گذاری سفرهای ماشینی است به طوری که بیش از یک نفر با یک ماشین سفر کنند. زمانی که مسافران در حال استفاده از خودروی شخصی هستند، هزینه سوخت را به اشتراک می گذارند. در مدل مفهومی ما، هزینه‌ها توسط بخشی از سفر که کاربران در آن ماشین را به اشتراک می‌گذارند، تقسیم می‌شود. هزینه بر تعداد افراد داخل خودرو برای آن بخش تقسیم می شود.

در این مورد، شاخص تحرک مشارکتی اعمال شده برای همنشینی با خودرو به صورت معادله ( 3 ) تعریف می‌شود، که در آن:

سی اس (من) = سی ج ص (من)

(9)

سی ج ص (i) = α (اف ( من ، ج ) + O ( من ، ج ) n) + β (تی تی (من ، ج)) + γ (تی r (i))

(10)

سی (i) = α (اف (من ، ج)) + β (تی تی (من ، ج)) + γ (تی r (i)) + δ (O)

(11)

موضوع معادلات ( 6 ) و ( 7 ).

مقدار شاخص اعمال شده برای همنشینی اتومبیل نشان دهنده سازگاری بین دو یا چند مسافر است که با هم کار می کنند. با توجه به معادلات ( 6 ) و ( 7 ) هر چه مقدار این شاخص کمتر باشد، هزینه همنشینی خودرو کمتر می شود و در نتیجه سازگاری بیشتری بین کاربران ایجاد می شود .

3.3. شاخص تحرک مشارکتی برای ارزیابی اشتراک پارکینگ

با استفاده از مدل شاخص مشابه، می توان شاخص سازگاری بین افراد برای خدمات اشتراک پارکینگ را تجزیه و تحلیل کرد. مدل مفهومی برای اشتراک پارکینگ در معادله ( 3 ) تعریف شده است، که در آن:

سی اس (من) = سی p s (من)

(12)

سی p s (i) = α (پ n)

(13)

سی (i) = α (P)

(14)

موضوع معادلات ( 6 ) و ( 7 ).

به منظور نشان دادن کاربردهای مختلف شاخص اشتراک پارکینگ، مطالعات موردی زیر را در نظر می گیریم و مدل و شرایط هر یک از آنها را تعریف می کنیم. در مطالعه موردی اول، شرایط اشتراک پارکینگ را بین گروهی از کاربران وابسته به خودرو که مایل به اشتراک گذاشتن محل پارک به منظور کاهش هزینه هستند، تعریف می‌کنیم. مطالعه موردی دوم به استفاده از پارکینگ اشتراکی در ترکیب با همراهی خودرو می‌پردازد.

3.3.1. شاخص سازگاری اشتراک پارکینگ برای کاربران وابسته به خودرو

سازگاری برای اشتراک پارکینگ بین گروهی از کاربران وابسته به خودرو در بخش 3.3 تعریف شده است با این شرط که فواصل زمانی که آنها از محل پارک استفاده می کنند با هم تداخل نداشته باشند. شکل 1 نمونه ای از نحوه استفاده دو نفر از پارکینگ در طول یک روز را نشان می دهد.

فواصل زمانی که هر یک از آنها از پارکینگ استفاده می کنند عبارتند از:

P_{1}

= [

a_{i}

a_{(i + n)}

]؛

P_{2}

= [

b_{i}

b_{(i + n)}

]

در این مورد، شرط اشتراک پارکینگ عبارت است از:

آ i + n < ب من

(15)

معادله محدودیت ( 15 ) تضمین می کند که هیچ تداخلی بین دوره های استفاده از پارکینگ وجود نخواهد داشت.

3.3.2. شاخص اشتراک پارکینگ در ترکیب با Carpooling

مدل مفهومی برای ارزیابی اشتراک پارکینگ بین افراد در ترکیب با همنشینی با خودرو در معادله ( 3 )، که در آن:

سی اس (i) = α (اف ( من ، ج ) + O ( من ، ج ) + پ n) + β (تی تی (من ، ج)) + γ (تی r (i))

(16)

سی (i) = α (اف (من ، ج) + O (من ، ج) + پ) + β (تی تی (من ، ج)) + γ (تی r (i))

(17)

موضوع معادلات ( 6 ) و ( 7 ).

3.4. شاخص تحرک مشارکتی برای ارزیابی اشتراک خودرو

اشتراک خودرو منبعی است که دارای مدل مفهومی و محدودیت هایی مشابه به اشتراک گذاری پارکینگ است. وسیله نقلیه رزرو شده توسط یک فرد نمی تواند به طور همزمان توسط سایر کاربران استفاده شود، به عنوان معادله ( 15 ). تنها یک استثنا وجود دارد، زمانی که گروهی از کاربران نیاز به استفاده همزمان از سیستم اشتراک گذاری خودرو و

D S

D T

چون مبدأ و مقصد صفر هستند، آنگاه می‌توانند فوراً با استفاده از سیستم اشتراک‌گذاری خودرو همراه شوند.

کارآمدترین راه برای استفاده از سیستم اشتراک خودرو در یک طرح تحرک مشترک، ترکیب با سایر خدمات اشتراک گذاری است، در مورد ما، اشتراک خودرو و پارکینگ. در این مورد، شاخص باید در طول یک زنجیره از فعالیت ها، برای یک دوره طولانی تر ارزیابی شود، به عنوان مثال، زنجیره فعالیت ها و سفرهای مرتبط بین فعالیت ها در طول یک روز کامل. مدل مفهومی برای ارزیابی اشتراک خودرو برای زنجیره ای از سفرها و در ترکیب با همنشینی خودرو، در واقع در معادلات ( 3 )-( 5 )، موضوع معادلات ( 6 ) و ( 7 ) تعریف شده است.

اساساً، این شاخص هزینه را هنگام استفاده از خودروی شخصی برای بخشی از زنجیره سفر، تقسیم هزینه پارکینگ و استفاده از سیستم اشتراک خودرو برای قسمت دیگر سفرهای زنجیره ای در مقابل هزینه زمانی که از خودروی شخصی برای کل زنجیره سفر استفاده می کند، ارزیابی می کند. به عنوان مثال، در طول یک روز کامل.

تمامی مدل‌های مفهومی تعریف شده در بالا با داده‌های واقعی، در سناریوهای مختلف با انجام آزمایش‌های مختلف، در بخش زیر مورد آزمایش و ارزیابی قرار خواهند گرفت.

4. آزمایش و نتایج

در این بخش، آزمایش‌های انجام‌شده و نتایج به‌دست‌آمده را همراه با جمع‌آوری داده‌ها و جریان کار پردازش داده‌ها شرح می‌دهیم. مراحل جمع آوری و پردازش داده ها در بخش 4.1 توضیح داده شده است . از بخش 4.2 ، نمونه‌ها و مطالعات موردی مختلف را به منظور آزمایش رفتار شاخص در مطالعات موردی مختلف ارائه می‌کنیم.

4.1. جمع آوری و پردازش داده ها

4.1.1. معماری سیستم حسگر

همانطور که در بخش Related Work بحث شد، بازار گوشی های هوشمند و دستگاه های متصل دنیایی از فرصت ها را برای برنامه های کاربردی جدید باز کرده است. در این زمینه، مطالعات انجام شده به عنوان بخشی از این مقاله بر اساس SWIPE، یک پلت فرم منبع باز برای سنجش، ثبت و پردازش پویایی انسان با استفاده از دستگاه های هوشمند است [ 40 ، 41 ]. شکل 2 یک نمای کلی از معماری SWIPE را ارائه می دهد که از دو بخش اصلی تشکیل شده است: یک سیستم حسگر محلی متشکل از یک یا چند تلفن هوشمند و یک پلت فرم تجزیه و تحلیل آنلاین که در آن داده های چندین کاربر و دستگاه جمع آوری و تجزیه و تحلیل می شود. خوانندگان علاقه مند می توانند به [ 40] برای دریافت اطلاعات بیشتر در مورد پارامترهای جمع آوری داده ها (به عنوان مثال، نرخ نمونه برداری و ثبت) و استراتژی های بهینه سازی انرژی موجود.

4.1.2. جمع آوری داده ها

مطالعه ما در داخل دانشگاه لوکزامبورگ آزمایش شد، جایی که داده‌ها از پنج کارمند دانشگاه، هم دانشجو و هم معلم، در طول تقریباً یک هفته جمع‌آوری شد. شرکت کنندگان یک ساعت هوشمند و یک اپلیکیشن موبایلی دریافت کردند که روی گوشی هوشمند اندرویدی آنها نصب شده است. این برنامه در پس‌زمینه، داده‌های حسگرهای گوشی هوشمند و ساعت هوشمند را جمع‌آوری می‌کرد و زمانی که گوشی هوشمند به اینترنت متصل بود، داده‌ها را به سرور ارسال می‌کرد.

حتی اگر داده ها از همه حسگرها جمع آوری شده باشد، در این مقاله، ما فقط از داده های مربوط به مکان (طول و عرض جغرافیایی GPS) و اتصالات WiFi استفاده می کنیم.

جدول 2 خلاصه ای از جمع آوری داده ها را نشان می دهد.

همانطور که مشاهده می شود، هر کاربر تعداد متفاوتی از نقاط داده جمع آوری شده را گزارش کرده است و تفاوت بین برخی از کاربران می تواند کاملاً قابل توجه باشد. این به دلیل این واقعیت است که امکان جمع آوری داده های جغرافیایی در تمام زمان وجود نداشت. در برخی موارد، مشاهده کردیم که کاربران GPS را خاموش کرده یا گوشی هوشمند را به حالت پرواز تغییر می دهند، به عنوان مثال، در طول شب، هنگام سفر یا صرفه جویی در انرژی باتری. در موارد دیگر، GPS به طور تصادفی یا توسط سیستم عامل به منظور صرفه جویی در انرژی خاموش شد. پس از خاموش شدن، کاربران باید دوباره GPS را فعال کنند تا دوباره جمع آوری نقاط داده را شروع کنند. این تفاوت بین تعداد مختلف نقاط داده مکان بین، به عنوان مثال، کاربران P2 و P5 را توضیح می دهد.

از خلاصه جمع آوری داده ها، ما همچنین می توانیم مشاهده کنیم که کاربران مسافت کل متفاوتی را گزارش کردند. این در عوض به رفتارهای مختلف سفر انواع مختلف کاربران مربوط می شود. در مورد ما، دانشجویان و اساتید در جمع آوری داده ها شرکت داشتند. از رفتار سفر آنها، فرضیه های مختلفی می توان استخراج کرد، به عنوان مثال، کاربر P1 یک سفر کوتاه به خارج از کشور در طول هفته و سایر سفرهای بین دانشگاه را گزارش کرد. این رفتار بیشتر برای یک استاد مناسب است تا یک دانشجو، با انعطاف بیشتر و سفر به خارج از کشور در روزهای هفته.

4.1.3. پردازش داده ها

روش‌های جمع‌آوری داده‌ها معمولاً حاوی خطاهایی هستند که منجر به مقادیر خارج از محدوده (مثلاً سرعت وسیله نقلیه: 1500 کیلومتر در ساعت) یا مقادیر گمشده (مثلاً داده‌های جمع‌آوری‌شده بدون هیچ نقطه GPS) می‌شود. اگر سیستم برای فیلتر کردن و پردازش این نوع داده ها طراحی نشده باشد، استفاده از این نوع داده می تواند خطا ایجاد کند [ 42 ].

برای پاک کردن داده ها، سرعت بین هر نقطه متوالی را محاسبه می کنیم تا هرگونه “پرش مافوق صوت” با سرعت زیاد غیر معمول را حذف کنیم. سپس، تمام نقاط باقیمانده بدون مکان GPS حذف شدند، زیرا این نقاط نه تنها برای الگوریتم مورد استفاده برای استخراج فعالیت‌ها بی‌فایده هستند، بلکه می‌توانند به دلیل شکاف در داده‌ها بدون هیچ اطلاعاتی خطا ایجاد کنند.

4.1.4. داده کاوی برای بازسازی مکان های گمشده

داده های مکان را می توان به دلایل مختلفی با خطا به دست آورد. اول، GPS می تواند به طور تصادفی توسط کاربر در هنگام جمع آوری داده ها خاموش شود. در چنین حالتی، سیستم داده ها را از سنسورهای دیگر جمع آوری می کند، اما داده های مکان را نه. دوم، به دلیل اثر دره شهری و موقعیت گوشی هوشمند در طول سفر یا محل نشستن، GPS قادر به تشخیص مکان نبود یا مختصات مکانی ثبت شده ممکن است اشتباه باشد [ 43 ].

برای بازسازی مکان های گمشده، یک فرآیند داده کاوی با استفاده از مکان های GPS موجود و اطلاعات WiFi به منظور بازسازی مکان های فعالیت روزانه افراد اعمال شده است. تقریباً یک سوم از داده های GPS بازیابی شده است.

4.1.5. استخراج مدت زمان و مکان فعالیت

همانطور که در بخش 2.2 بحث شد ، در این مطالعه، روش توسعه یافته توسط [ 38 ] با ArcToolbox [ 44 ] استفاده شد. الگوریتم نیاز به تعریف پارامتر مکانی و زمانی دارد. پارامتر فضایی یا مقدار پهنای باند مربوط به پهنای باند هسته (

K B

). متغیر زمانی حداقل مدت اقامتی را که یک نقطه باید داشته باشد تا به عنوان مکان توقفی که در آن یک فعالیت انجام می شود یا به عنوان یک نقطه سفر واجد شرایط باشد، تعریف می کند. علاوه بر این، پارامترهای دیگری باید تعریف شوند، مانند تعداد دفعات نمونه گیری مجدد یا حداقل مدت زمان بازدید از یک مکان تا به عنوان یک فعالیت باقی بماند. مقادیر زیر برای پارامترها، به دنبال توصیه و آزمایش‌های نویسندگان و آزمایش‌هایی که برای مشاهده بالاترین دقت ممکن انجام داده‌ایم، استفاده شد: KB = 275، تعداد دفعات نمونه مجدد = 180، حداقل مدت زمان بازدید = 360، minDuration2keepHS = 360.

در مطالعه موردی خاص ما، از آنجایی که ما در حال مطالعه تحرک مشارکتی در داخل یک شبکه بسته از پاسخ دهندگان هستیم که محل کار یکسانی دارند، فرضیه ما این بود که بیشترین مکان هایی که پاسخ دهندگان از آنها بازدید می کنند، محل خانه و محل کار است. از آنجایی که محل کار مشخص است، ما محاسباتی را انجام دادیم تا یک روش خودکار برای استخراج مکان خانه بدست آوریم. ابتدا، فعالیت‌های مکرر انجام‌شده توسط پاسخ‌دهندگان را در بازه زمانی ۹ بعد از ظهر تا ۹ صبح بررسی کردیم و آن مکان‌ها را با معنای خانه از پیش تعیین کردیم. روش کلی دیگر برای یافتن مکان های خانه و محل کار طبق فرضیه ما، محاسبه کل زمان صرف شده در هر مکان است. در جدول 3می‌توان مشاهده کرد که برای همه پاسخ‌دهندگان، مکانی که در طول هفته بیشتر وقت خود را در آن سپری می‌کنند، محل خانه و پس از آن محل کار است. علاوه بر این، می بینیم که کل زمان صرف شده در مکان های دیگر به طور کلی کمتر از زمان صرف شده در محل کار است.

از جدول 3 ، می توانیم مشاهده کنیم که فاصله قابل توجهی بین، به عنوان مثال، زمان سپری شده در خانه برای

P_{5}

و بقیه کاربران این نشان می‌دهد که الگوریتم قادر به طبقه‌بندی نقاط خام GPS به عنوان یک مکان نبود، زیرا یا GPS خاموش بود یا امکان دریافت مکان از ساختمان مربوطه وجود نداشت.

مکانهای خانه استخراج شده هر پاسخگو (

P_{1}

–

P_{5}

) در شکل 3 با رنگ آبی ترسیم شده اند و محل های کار معمولی با رنگ قرمز مشخص شده اند. این مکان‌ها در مقاله کنونی برای ارزیابی شاخصی برای ارزیابی سازگاری گروهی از افراد برای استفاده از همراهی خودرو، اشتراک پارکینگ یا ماشین، و همچنین سناریوهایی با راه‌حل ترکیبی بین همه آن گزینه‌ها استفاده می‌شوند.

4.1.6. فاصله زمان و مکان بین فعالیت ها

فاصله در شبکه بین مکان فعالیت ها، اطلاعات مهم مورد استفاده در این مطالعه است. پس از استخراج مکان و مدت زمان فعالیت هر کاربر، فاصله در شبکه بین تمام مکان‌های استخراج‌شده با استفاده از مسیریابی دسته‌ای دوستانه محاسبه شد [ 45 ]. شکل 4 ماتریس فواصل بین تمام 28 مکان استخراج شده از هر پنج کاربر را نشان می دهد.

از شکل 4 ، می توان مشاهده کرد که برخی از مکان ها بسیار نزدیک، زیر 100 متر هستند. ما به آن نقاط به عنوان مکان های مشترک بین کاربران اشاره می کنیم. از آنجا که پاسخ دهندگان از مجموعه داده های ما همکاران هستند، مکان های مشترک را می توان به عنوان نماینده محل کار شناسایی کرد. سایر مکان ها بیش از 20 کیلومتر فاصله با سایر مکان ها دارند، به این معنی که کاربر خارج از شهر یا کشور سفر کرده است.

استخراج مدت زمان فعالیت و داده های مکان و به دنبال آن محاسبه فواصل بین فعالیت ها، که در بخش های قبلی توضیح داده شد، داده های لازم را فراهم می کند، که به ما در تجزیه و تحلیل بیشتر تحرک مشارکتی کمک می کند.

نقشه کشی

D T

بین فعالیت های استخراج شده، توالی فعالیت ها را برای هر فرد به دست آوردیم. شکل 5 نمای کلی از توالی فعالیت های استخراج شده را برای هر پنج کاربر نشان می دهد.

فعالیت هایی که در یک مکان مشترک انجام می شوند با رنگ قرمز مشخص شده اند. در مطالعه موردی خاص ما، مکان مشترک برای همه کاربران، دانشگاه لوکزامبورگ است که همه پاسخ دهندگان در آنجا کار می کنند. فعالیت های انجام شده در مکان های مختلف به رنگ خاکستری نشان داده شده است. شکاف بین فعالیت های برجسته نشان دهنده دوره های زمانی است که الگوریتم نقاط را به عنوان مکان طبقه بندی نکرده است. این اتفاق می افتد یا اگر پاسخ دهندگان در حال حرکت باشند یا اگر امکان به دست آوردن موقعیت GPS وجود نداشته باشد. علاوه بر این، ما می توانیم آن کاربر را ببینیم

P_{4}

و کاربر

P_{5}

از یک مکان در دوره های زمانی مختلف بازدید کرده اند، که با رنگ سبز مشخص شده است.

فاصله در شبکه بین مکان های خانه و محل کار از شکل 3 در جدول 4 ارائه شده است .

نمودار توپولوژیکی فواصل در شبکه بین مکان های خانه و محل کار محاسبه شده با استفاده از داده های جدول 4 در شکل 6 ارائه شده است .

این داده های ورودی ما برای ارزیابی تحرک مشترک بین افراد در سناریوهای مختلف به منظور آزمایش رفتار شاخص مشارکتی پیشنهادی خواهد بود.

4.2. شاخص تحرک مشترک برای کارپولینگ

مثال 1.

سازگاری Carpooling:

در این مثال، ما سازگاری را برای کارپول کردن بین آزمایش می کنیم

P_{3}

P_{5}

برای رفت و آمد کاری فرض بر این است که همه کاربران در سیستم به یک ماشین شخصی دسترسی دارند و می توانند به تنهایی رانندگی کنند یا می توانند یک سواری را به سایر کاربران ارائه دهند. علاوه بر این، متغیر هزینه وزن برای هر کاربر ( α ، β ، γ ) را برابر با یک در نظر می گیریم. این امر تخصیص سفرها را آسان تر می کند و همچنین تمرکز را روی محاسبه شاخص باقی می گذارد.

کوتاه ترین مسیر بین

P_{3}

P_{5}

و محل کار است

P_{5} \to P_{3} \to W

. با استفاده از معادلات و محدودیت های بخش 3.2 ، محاسبات به شرح زیر است:

سی من (پ 5) = اف (پ 5 ، دبلیو) + تی تی (پ 5 ، دبلیو) = 1 ، 91 € سی من (پ 3) = اف (پ 3 ، دبلیو) + تی تی (پ 3 ، دبلیو) = 1 ، 52 € سی ج ص (پ 5) = اف (پ 5 ، پ 3) + تی تی (پ 5 ، پ 3) + اف ( پ 3 ، دبلیو ) 2 + تی تی (پ 3 ، دبلیو) = 1 ، 76 € سی ج ص (پ 3) = اف ( پ 3 ، دبلیو ) 2 + تی تی (پ 3 ، دبلیو) = 1.19 € سی r (پ 5) = سی ج ص ( پ 5 ) سی من ( پ 5 ) = 0 ، 92 سی r (پ 3) = سی ج ص ( پ 3 ) سی من ( پ 3 ) = 0 ، 78 من = سی ج ص ( پ 5 ) + سی ج ص ( پ 3 ) سی من ( پ 5 ) + سی من ( پ 3 ) = 0 ، 86

(18)

همانطور که از شاخص کارپول مشاهده می کنیم، معادله ( 6 ) مورد نیاز برای سازگاری برآورده شده است. علاوه بر این، معادله شرط ( 7 ) برآورده شده است، به این معنی که هزینه همنشینی برای هر یک از آنها کمتر از هزینه سفر به تنهایی با ماشین شخصی خودشان است. علاوه بر این، ما می توانیم توجه داشته باشیم که استفاده از carpool برای کاربر راحت تر است

P_{3}

، زیرا او کل هزینه سفر را با او تقسیم می کند

P_{5}

، بدون هیچ وقت اضافی به دلیل انحراف درگیر. برای

P_{5}

، همچنین استفاده از خودروی شخصی راحت تر از مسافرت با ماشین شخصی خود است حتی اگر او انحراف داشته باشد، زیرا هزینه سفر قسمت دوم با آنها تقسیم می شود.

P_{3}

این مثال نشان می‌دهد که چگونه این نشانگر به‌طور خودکار نشان می‌دهد که جمع‌بندی کلی خودرو در هر سفری کارآمد است، اما همچنین مزایایی را برای هر فرد ارائه می‌دهد. این بدان معناست که بر اساس امتیاز فردی، هر کاربر می تواند ارزیابی کند که آیا سود اقتصادی برای او کافی است یا خیر و پیشنهاد کارپولینگ را بپذیرد یا رد کند. حتی اگر این راه حل قابل پیش بینی باشد و بسیار ساده به نظر برسد، این روش تفکر انسان را تکرار می کند و احتمال پذیرش یک پیشنهاد اشتراک گذاری توسط کاربر افزایش می یابد. البته هر فرد برداشت متفاوتی از هزینه و فایده اقتصادی دارد و این در مثال های بعدی که متغیرهای وزن هزینه دارای مقادیر و نتایج متفاوتی هستند بررسی خواهد شد.

مثال 2.

ناسازگاری Carpooling:

یکی از اهداف اصلی اشتراک‌گذاری مشترک، گروه‌بندی افراد بیشتر در خودروهای کمتر است. به حداکثر رساندن تعداد مسافران و به حداقل رساندن هزینه کلی و همچنین هزینه فردی یک چالش در یک مشکل اشتراک سواری پویا است. با استفاده از مجموعه داده ارائه شده، ما تحرک مشترک را برای همه کاربران با هم ارزیابی خواهیم کرد. مشابه مثال 1، فرض بر این است که همه کاربران به خودروهای شخصی دسترسی دارند. علاوه بر این،

T r = 0

، به این معنی که برنامه آنها هماهنگ است.

برای اینکه با هم سوار شوند، یک راننده باید بقیه مسافران را سوار کند. مشکل عبارت است از یافتن کوتاه ترین مسیر در شبکه که از تمام محل سکونت کاربران می گذرد و در محل کار مشترک برای همه کاربران به مقصد نهایی می رسد. این را می توان با الگوریتم معروف Dijkstra حل کرد. کوتاه ترین مسیر ارائه شده در شکل 7 به شرح زیر است:

P_{1} \to P_{2} \to P_{4} \to P_{3} \to P_{5} \to W

مشابه مثال 1، محاسبه شاخص مشترک و نتایج متغیرهای هزینه بین هر پنج کاربر به شرح زیر است:

$C_{i} (P_{1}) = 3, 17 €$	$C_{i} (P_{2}) = 1, 80 €$	$C_{i} (P_{3}) = 1, 52 €$	$C_{i} (P_{4}) = 2, 05 €$	$C_{i} (P_{5}) = 1, 91 €$
$C_{c p} (P_{1}) = 5, 52 €$	$C_{c p} (P_{2}) = 3, 01 €$	$C_{c p} (P_{3}) = 1, 65 €$	$C_{c p} (P_{4}) = 2, 00 €$	$C_{c p} (P_{5}) = 1, 26 €$
$C_{r} (P_{1}) = 1, 48$	$C_{r} (P_{2}) = 1, 66$	$C_{r} (P_{3}) = 1, 08$	$C_{r} (P_{4}) = 0, 97$	$C_{r} (P_{5}) = 0, 66$
$I_{C P} = \frac{C_{c p} (P_{1}) + C_{c p} (P_{2}) + C_{c p} (P_{3})}{C_{i} (P_{1}) + C_{i} (P_{2}) + C_{i} (P_{3})} = 1, 22$

در این مثال خاص، گروهی که توسط هر پنج کاربر تشکیل شده است، برای کارپولینگ سازگار نیست. مجموع هزینه سیستم زمانی که کاربران با خودروی شخصی خود سفر می کنند، بیشتر از زمانی است که با ماشین شخصی خود سفر می کنند. جالب توجه است، همانطور که می بینیم از

C_{r}

ارزش ها، کاربران

P_{4}

P_{5}

تنها کسانی هستند که در این مورد سود می برند.

سوالی که مطرح می شود این است: حداکثر تعداد کاربرانی که می توانند در این مطالعه موردی با هم جمع شوند چقدر است؟ برای ارائه پاسخ، شاخص را با تعداد کاربران مختلف محاسبه می کنیم. نتایج ترسیم شده در شکل 8 نشان می دهد که در این مطالعه موردی خاص، بهترین شاخص را می توان با گروه بندی سه کاربر آخر به منظور داشتن کمترین مقدار شاخص زیر یک با حداکثر تعداد کاربران به دست آورد.

این آزمایش نشان می‌دهد که شاخص تحرک مشارکتی می‌تواند در سطح سیستم نیز برای گروه‌بندی افراد بیشتر در خودروهای کمتر مورد استفاده قرار گیرد، اما در عین حال، در سطح فردی، همه کاربران از استفاده از خدمات اشتراک‌گذاری سود می‌برند. این نشانگر به تغییرات پویا حساس است، به عنوان مثال، حداکثر تعداد کاربرانی که می‌توانند در یک سفر همنشینی از یک مبدأ به یک مقصد بپیوندند یا کارایی در سطح سیستم و فردی در صورتی که کاربر خاصی در حال پیوستن به سفر مشترک باشد. ما می‌توانیم نتیجه بگیریم که نشانگر انعطاف‌پذیر است و این پتانسیل را دارد که در زمان واقعی نیز از آن استفاده شود، و سیستم می‌تواند به عنوان مثال، به کاربری که رانندگی می‌کند در سفر جاده‌ای خود توصیه کند که او بتواند انتخاب کند. -افزایش سایر کاربران سازگار؛ و همه مسافران منفعت اقتصادی خواهند داشت. این می تواند برای افرادی که در حال رفت و آمد یا مسافرت هستند مفید باشد، به عنوان مثال، شرکت های تاکسی و حمل و نقل خودرویی که می توانند بدون هیچ گونه مداخله دیگری مشتریان جدید را به طور موقت در زمان واقعی پیدا کنند. تنها شرط این است که سیستم به اطلاعات مبدا-مقصد برای هر کاربر و تمایل آنها برای شرکت در طرح‌های تحرک مشترک نیاز دارد.

مثال 3.

شاخص کارپولینگ با فعالیت های برنامه ریزی مجدد:

در این مثال، هدف ما ارزیابی سازگاری carpooling بین کاربران است

P_{3}

P_{4}

P_{5}

در صورتی که فعالیت های آنها هماهنگ نباشد.

T r

و متغیرهای هزینه وزن، همانطور که در رابطه ( 10 ) تعریف شده است، در نظر گرفته می شوند. در شکل 9 ، ما می توانیم مشاهده کنیم

D T

بین فعالیت های همه کاربران برای یک روز، استخراج شده از شکل 5 .

از شکل 9 ، هر دو

P_{3}

P_{4}

تقریباً ساعت 10:47 شروع به کار کنید. بنابراین، آنها بسیار هماهنگ هستند، و

D T

بین آنها بسیار کوچک است. مقادیر شاخص جمع‌بندی محاسبه‌شده عبارتند از

I = 0.80

C_{r} (P_{3}) = 0.78

C_{r} (P_{4}) = 0.82

در نتیجه آنها سازگاری بسیار خوبی برای کارپولینگ دارند زیرا هر دو معادله محدودیت ( 6 ) و ( 7 ) برآورده می شوند.

همچنین ممکن است برای

P_{5}

برای پیوستن به ridesharing، اما می بینیم که معمولاً او 45 دقیقه زودتر از آن به محل کار می رسد.

P_{3}

P_{4}

. در این شرایط، کاربران باید برای دستیابی به همگام سازی و امکان کارپول، فعالیت های خود را مجددا برنامه ریزی کنند.

بنابراین سه سناریو به شرح زیر در نظر گرفته شده است. در سناریوی اول، فرض بر این است که

P_{5}

می پذیرد که فعالیت خود را مجدداً برنامه ریزی کند زیرا برنامه منعطفی دارد و در نتیجه برای او،

α = 1

β = 1

γ = 0

همانطور که در معادله ( 10 ) تعریف شده است، و زمان بندی مجدد به عنوان هزینه دیده نمی شود. در نتیجه، این سناریو به عنوان یک هماهنگی کامل بین افراد تغییر شکل می دهد زیرا

T_{r} (P_{5}) = 0

. در سناریوی دوم،

P_{5}

می پذیرد که سناریوی خود را دوباره زمان بندی کند، اما α ، β و γ توسط کاربر (برابر یک) برای همه کاربران در نظر گرفته می شود، در نتیجه برای

P_{5}

، زمان بندی مجدد مربوطه دارای هزینه اضافی است. سناریوی سوم مشابه سناریوی دوم است با این تفاوت که

P_{3}

P_{4}

فعالیت خود را تغییر خواهند داد. بنابراین، هر دوی آنها هزینه زمان بندی مجدد خواهند داشت.

مقایسه مقدار شاخص و هزینه هر فرد در سناریوهای پیشنهادی در شکل 10 نشان داده شده است .

از این مطالعه موردی، می‌توان استدلال کرد که شاخص کارپول پیشنهادی به هر گونه هزینه اضافی در هر شرایطی حساس است. بر اساس مقدار شاخص، یک سیستم توصیه‌ای که گزینه‌های متعددی برای همگام‌سازی کاربر دارد، می‌تواند راه‌حل بهینه را برای مشاوره دادن به کاربران درباره نحوه زمان‌بندی مجدد یا ترتیب‌دهی مجدد فعالیت‌های خود انتخاب کند تا هزینه کلی سیستم را به حداقل برساند و همچنین هزینه‌های فردی را برای همه کاربران متعادل کند. . علاوه بر این، این شاخص به ادراک هزینه فرد حساس است و مقدار شاخص را با در نظر گرفتن مقدار وزن برای هر متغیر درگیر محاسبه می کند. این اندیکاتور به هرگونه تغییر در وزن متغیرهای هزینه برای هر کاربر حساس است و مقدار شاخص نهایی برای گروهی از افراد می تواند به شدت تحت تأثیر وزنی باشد که هر فرد به متغیر هزینه خود اختصاص می دهد. این بدان معناست که گروهی از کاربران می توانند سازگار باشند یا نه فقط به این دلیل که برداشت های متفاوتی در مورد سود اقتصادی و مبادله بین راحتی، صرفه جویی در پول و انعطاف پذیری دارند، مثلاً برای تغییر زمان خروج یا رسیدن خود. همگام سازی کاربران و بهینه سازی استفاده از منابع موجود از دیگر اهدافی است که مدل شاخص پیشنهادی می تواند به آنها کمک کند.

4.3. شاخص تحرک مشارکتی برای اشتراک پارکینگ

در این بخش، مدل های مفهومی تعریف شده در بخش 3.3.1 و بخش 3.3.2 را با مثال هایی از مجموعه داده ها ارزیابی می کنیم.

4.3.1. شاخص سازگاری اشتراک پارکینگ برای کاربران وابسته به خودرو

در این سناریو، فرض بر این است که هزینه پارکینگ روزانه در محل کار وجود دارد. در صورت استفاده از یک پارکینگ، این هزینه می تواند بین چند نفر تقسیم شود. مشکل شامل یافتن کاربران سازگار وابسته به خودرو است که با معادله ( 15 ) مطابقت دارند. برای یافتن کاربران سازگار، ما محاسبه می کنیم

D S

D T

بین مکان پارکینگ و فعالیت های کاربران شکل 11 نتایج را برای دو کاربر در طول یک روز نشان می دهد.

هنگامی که فاصله صفر است، کاربران فعالیتی را در مکانی نزدیک به پارکینگ انجام می دهند. در مطالعه موردی ما، پارکینگ در محل کار است. از شکل 11 مشاهده می کنیم که فواصل زمانی که در آن

P_{1}

P_{2}

در محل پارکینگ معادله محدودیت ( 15 ) را برآورده می‌کنند و در نتیجه برای اشتراک پارکینگ سازگار هستند. اگر این یک رفتار تکراری است که می توان آن را در دوره های زمانی طولانی مشاهده کرد، آنها برای اشتراک طولانی مدت پارکینگ سازگار هستند.

با داشتن داده‌های رفتار سفر برای یک دوره زمانی طولانی و برای تعداد بیشتری از پاسخ‌دهندگان، با استفاده از شاخص پیشنهادی، می‌توان در مقیاس بزرگ سازگاری بین همه کاربران را برای اشتراک‌گذاری طولانی‌مدت پارکینگ محاسبه کرد. به این ترتیب می توان از پارکینگ به نحو احسن استفاده کرد و تعداد پارکینگ های مورد نیاز را کاهش داد. این می تواند هم برای افرادی که می خواهند هزینه پارکینگ را به اشتراک بگذارند و هم برای سازمان هایی که هدفشان کاهش فضای پارکینگ و هزینه های مربوطه است مفید باشد. این نشانگر همچنین می‌تواند تغییرات پویای طولانی‌مدتی را که در رفتار سفر هر کاربر ظاهر می‌شود و پیشنهاد راه‌حل‌های اشتراک‌گذاری مختلف بر اساس دانش جدید، به عنوان مثال، تغییر محل سکونت یا محل کار، اما همچنین مکان‌های مکرر بازدید شده جدید، به عنوان مثال، ثبت کند. یک رستوران جدید، دوستان جدید و غیره

4.3.2. شاخص اشتراک پارکینگ در ترکیب با Carpooling

در این مطالعه موردی، ما ارزیابی می‌کنیم که این شاخص چگونه رفتار می‌کند زمانی که سناریویی با هزینه پارکینگ روزانه و در ترکیب با خدمات هم‌نشینی در نظر گرفته می‌شود. برای این مطالعه موردی، از داده‌های ورودی از مثال 2 استفاده می‌کنیم که از آن مقادیر شاخص برای موقعیتی که ممکن است هر پنج با هم جمع شوند و هیچ هزینه پارکینگی وجود ندارد، داریم و شاخص را همانطور که در بخش 3.3 تعریف شده است محاسبه می‌کنیم . .2 . ما نتایج مثال 2 را با وضعیتی مقایسه می کنیم که هزینه پارکینگ روزانه وجود دارد که می توان آن را به اشتراک گذاشت تا مشاهده کنیم که چگونه خط مشی هزینه پارکینگ می تواند بر ادراک و هزینه های مربوط به خدمات همنشینی اتومبیل تأثیر بگذارد. نتایج در شکل 12 ارائه شده است .

از شکل 12 مشاهده می کنیم که در شرایطی که هزینه پارکینگ وجود ندارد، مقدار شاخص با مقدار شاخص بالاتر از یک نشان دهنده عدم سازگاری برای کارپولینگ است. در این صورت، آنها با هم جمع نمی شوند، یعنی جای پارک بیشتری اشغال شده است.

در شرایطی که آنها باید هزینه پارکینگ بپردازند، مقدار شاخص نشان دهنده سازگاری عالی هنگام به اشتراک گذاشتن هزینه سواری و پارکینگ، هم در سطح سیستم، بلکه در سطح فردی است. نتایج حاصل از این مطالعه موردی نشان می‌دهد که این شاخص می‌تواند به عنوان شاخصی برای ارزیابی تأثیر سیاست‌ها و قیمت‌های مختلف هزینه پارکینگ مورد استفاده قرار گیرد. شاخص پیشنهادی می تواند بخشی از یک سیستم توصیه برای مشاوره به کاربران برای به اشتراک گذاشتن هزینه پارکینگ با سایر کاربران سازگار در ترکیب با سایر خدمات اشتراکی باشد. در این مورد، همنشینی با خودرو.

4.4. شاخص تحرک مشترک برای اشتراک گذاری خودرو

به منظور ارزیابی شاخص اشتراک خودرو، ما یک مطالعه موردی را در نظر می گیریم که اشتراک خودرو، اشتراک خودرو و پارکینگ را ترکیب می کند. علاوه بر این، ما کل زنجیره فعالیت یک روز کامل را در نظر می گیریم، همانطور که در بخش 3.4 بحث شد . شکل 13 وضعیت مشابهی را در مثال 1 نشان می دهد. از این مثال، ما می دانیم که

P_{3}

P_{5}

هنگام رفت و آمد از خانه و محل کار در هنگام صبح و محل کار از خانه در عصر، برای کارپولینگ سازگار هستند و همچنین هزینه پارکینگ را به اشتراک می گذارند. در این مطالعه موردی، تفاوت این است که

P_{3}

باید از محل کار اولیه (

W 1

) به جلسه ای در (

W 2

) و بازگشت به (

W 1

). در این مورد، زنجیره فعالیت برای

P_{3}

است:

P 3 \to W 1 \to W 2 \to W 1 \to P 3

برای سفرها

P 3 \to W 1

W 1 \to P 3

، او قصد دارد با استفاده از خودروی شخصی رفت و آمد کند و هزینه پارکینگ را با کاربر تقسیم کند

P_{5}

. با این حال، زیرا او باید یک اضافی ایجاد کند

W 1 \to W 2 \to W 1

سفر می کند و کاربر دیگری برای کارپول ندارد، او قصد دارد تمام روز از ماشین شخصی خود استفاده کند زیرا برنامه فشرده ای دارد و نمی تواند زمان را از دست بدهد. این قطعاً به معنای هزینه اضافی است زیرا در این شرایط، او هزینه های مربوطه را تقسیم نخواهد کرد.

حالا فرض کنیم که او به سیستم اشتراک خودرو دسترسی دارد. این گزینه به او انعطاف‌پذیری می‌دهد تا برای سفرها کارپول کند

P 3 \to W 1

W 1 \to P 3

با کاربر

P_{5}

و از سیستم اشتراک خودرو برای سفر استفاده کنید

W 1 \to W 2 \to W 1

به منظور ارزیابی رفتار شاخص در این مطالعه موردی، شاخص را محاسبه می کنیم که

P_{3}

از خودروی شخصی برای کل زنجیره نوک استفاده می‌کند در مقابل شرایطی که هنگام رفت‌وآمد با استفاده از خودروی مشترک، تقسیم هزینه پارکینگ با

P_{5}

و با استفاده از سیستم اشتراک خودرو. محاسباتی که در معادلات ( 3 )–( 5 ) تعریف شده اند عبارتند از:

سی من (پ 3) = اف (ص 3 ، دبلیو 1) + اف (W 1 ، W 2) + اف (W 2 ، W 1) + اف (W 1 ، پ 3) + پ = 26.45 e سی من (پ 5) = 1.91 e سی س (پ 3) = اف ( ص 3 ، دبلیو 1 ) 2 + اف (W 1 ، W 2) + اف (W 2 ، W 1) + اف ( W 1 ، پ 3 ) 2 + پ 2 = 10.51 e سی س (پ 5) = 1.76 e سی r (پ 3) = 0.39 سی r (پ 5) = 0.92 من = 0.43

(19)

در این مطالعه موردی، مقادیر شاخص نشان می دهد که بهترین گزینه برای

P_{3}

این است که برای سفرهای رفت و آمد کارپول کنید و برای سایر سفرها از اشتراک خودرو استفاده کنید. علاوه بر این،

P_{3}

P_{5}

برای استفاده از سرویس های اشتراک گذاری سازگار هستند، هر دوی آنها در هزینه های سفر و پارکینگ مربوطه صرفه جویی می کنند.

ما می‌توانیم استدلال کنیم که شاخص پیشنهادی می‌تواند برای ارزیابی تحرک مشترک بین افراد در یک محیط بسته، با در نظر گرفتن کل زنجیره فعالیت‌ها و ترکیب‌های بین تمام خدمات اشتراک‌گذاری استفاده شود. مقادیر به‌دست‌آمده را می‌توان توسط یک ITS استفاده کرد که به‌عنوان مشاور سفر عمل می‌کند، که به‌طور خودکار کارآمدترین خدمات اشتراک‌گذاری را پیدا می‌کند و به هر کاربر در سیستم توصیه می‌کند، نه تنها یک بار استفاده از سرویس، بلکه کل زنجیره سفر را برای یک بار در نظر می‌گیرد. روز علاوه بر این، این اندیکاتور قادر به ارزیابی و بهینه سازی طرح ها و حالت های اشتراک گذاری ترکیبی در یک نشانگر، به روشی سریع و ساده است. مشاور سفر می‌تواند ترکیب‌های مختلفی را امتحان کند و راه‌حل‌های مختلفی را پیشنهاد دهد که کاربران بسته به ترجیحات و محدودیت‌های خود می‌توانند از بین آنها انتخاب کنند.

5. بحث و دیدگاه

پیشرفت‌های فناوری در دهه‌های اخیر و در دسترس بودن داده‌های دستگاه‌های عشایری و پوشیدنی، درک الگوهای حرکتی انسان را مستقیماً از داده‌های جمع‌آوری‌شده توسط آن دستگاه‌ها تسهیل کرده است. مطالعات، مدل‌ها و روش‌های راه‌حل متعددی برای مدیریت بهتر سیستم‌های حمل‌ونقل پیشنهاد شده‌اند. در این مطالعه، ما استفاده از ITS را در ترکیب با فناوری‌های واقعی و با خدمات اشتراک‌گذاری به عنوان راه‌حلی مؤثر برای مشکلات تراکم ترافیک بررسی می‌کنیم. مطالعه کنونی همراه با دیگران از بررسی ادبیات، بر نیاز به تغییر در رفتار سفر شهروندان به سمت تحرک مشترک پایدار و کارآمد در میان گروه‌های کاربران تأکید کرد. در این مورد، ITS باید فعالانه توصیه هایی را به کاربران ارائه دهد و آنها را تشویق کند تا زمان بندی مجدد،

این فرآیند باید با استفاده از روش‌های مشابهی که در این مقاله ارائه شده است، کاملاً خودکار شود. داده ها باید به طور دقیق جمع آوری شوند (بر اساس فردی و در زمان واقعی از دستگاه های تلفن همراه در دسترس باشند) و پردازش شوند. چارچوب ارائه شده در مقاله حاضر با هدف استفاده از مزایای کامل داده های جمع آوری شده و تبدیل آن به دانش است. روش‌ها و الگوریتم‌های پیچیده‌تر یادگیری ماشین و داده‌کاوی را می‌توان برای استخراج دانش از داده‌های خام، با استفاده از یک استراتژی ترکیب داده‌ها از همه حسگرهای ساخته شده در دستگاه‌های تلفن همراه استفاده کرد. این بدان معنی است که ITS باید از مزایای کلان داده های جغرافیایی و نفوذ بیشتر در بازار فناوری های قابل حمل بهره مند شود. با این، نسل بعدی پلتفرم‌های مشترک ITS می‌توانند به طور فعال توصیه‌هایی را به منظور تغییر رفتار سفر کاربر به سمت راه‌حل‌های اشتراک‌گذاری کارآمد، پایدار و سازگار با محیط‌زیست ارائه دهند. ITS باید به‌عنوان مشاوری عمل کند که به شهروندان در انتخاب‌های روزانه‌شان کمک می‌کند تا به تغییرات قابل توجهی در رفتار سفر دست یابند.

شاخص توسعه یافته در این مطالعه با هدف پر کردن شکاف بین ITS و نیازها و ترجیحات کاربر است. با استفاده از این شاخص، یک ITS می‌تواند تحرک مشترک بین کاربران را به روشی سریع‌تر، انعطاف‌پذیر و قابل اعتماد ارزیابی کند. همانطور که با مطالعات موردی واقعی در مقاله حاضر ارائه شده است، سیستم می تواند به طور خودکار فرصت های اشتراک را بیابد و تغییرات رفتاری متفاوتی را به منظور سازگاری با سایر کاربران برای خدمات اشتراک گذاری توصیه کند.

از مطالعات موردی ارائه شده، می توان استدلال کرد که چنین مشاور مسافرتی ITS برای انواع مختلف سازمان ها و جوامع مناسب است. در این مدل، ITS به اعضا توصیه می‌کند که فعالیت‌های خود را به منظور سازگاری با سایر کاربران داخل سازمان برای استفاده از سرویس‌های اشتراک‌گذاری در یک سیستم CM، مجدداً سفارش یا زمان‌بندی کنند. این منجر به مزایای زیادی در سطح شرکت خواهد شد، زیرا، به عنوان مثال، کارمندان کمتری با اتومبیل شخصی خود رفت و آمد خواهند کرد. این امر می تواند منجر به صرفه جویی در شرکت های بزرگ شود که معمولاً باید پارکینگ های بزرگ را برای کارمندان خود اجاره کنند. مطالعات موردی ارائه شده در این مقاله نشان می دهد که هزینه پارکینگ می تواند افراد بیشتری را تشویق کند تا گزینه رفت و آمد مشترک را اتخاذ کنند. علاوه بر این،

در سطح بالاتر (مثلاً در سطح شهر)، افراد کمتری با خودروهای شخصی خود رفت و آمد می کنند، در نتیجه خودروهای کمتری در جاده ها و ازدحام ترافیک کمتری در ساعات اوج مصرف خواهند داشت. مقادیر اندیکاتور شامل متغیر هزینه سیستم نیز می شود. دیدگاه کلی در مورد هزینه های سیستم سازمان می تواند شاخص خوبی برای ارزیابی تاثیر سیاست های مختلف برنامه ریزی شده توسط مقامات محلی باشد.

طرح تحرک مشارکتی ارائه شده در این مطالعه می تواند مزایای بزرگی نیز در سطح خرد برای هر کاربر فردی در سیستم داشته باشد. صرفه جویی در هزینه، به عنوان مثال، سوخت، هزینه پارکینگ و زمان کمتری که در هنگام رفت و آمد صرف می شود، مشوق های قوی هستند که می توانند مسافران بیشتری را به سمت یک رفتار مسافرتی سازگار با محیط زیست و پایدار جذب کنند.

از آنجایی که فعالیت‌های کاربر تکراری است، تمام محاسبات انجام‌شده برای کاربران و سناریوهای مختلف می‌تواند توسط یک ITS برای بهینه‌سازی سرعت ذخیره شده و دوباره استفاده شود. این یک الزام اجباری است زمانی که تعداد زیادی محاسبات برای جوامع بزرگ وجود دارد. در نهایت، کل فرآیند باید کاملاً خودکار باشد تا کاربر مجبور نباشد به صورت دستی درخواست‌هایی را در سیستم انجام دهد (به عنوان مثال، جستجوی سواری یا همکار برای به اشتراک گذاشتن هزینه پارکینگ). کل تعامل انسان و ماشین باید به حداقل برسد تا جایی که کاربر فقط باید یک دکمه را فشار دهد تا تأیید کند که سیستم مقصد بعدی را به درستی پیش‌بینی کرده است و کاربر توصیه ارائه شده توسط سیستم را می‌پذیرد.

ما می توانیم استدلال کنیم که روش پیشنهادی دارای نقاط قوت متعددی است که در مثال های اثبات مفهوم ارائه شده توضیح داده شده است. ما نشان می‌دهیم که شاخص می‌تواند طرح‌های اشتراک‌گذاری ترکیبی، حالت‌های اشتراک‌گذاری و منابع را در یک شاخص واحد ارزیابی کند. نسبت به تغییرات پویا حساس است، انعطاف پذیر است و می تواند در مسائل بهینه سازی چند هدفه استفاده شود. با این حال، نتایج و دقت مدل به کیفیت داده های ورودی بستگی دارد. این بدان معناست که برای استفاده، شاخص باید به عنوان یک جزء، بخشی از یک سیستم پیچیده که در آن داده‌ها به صورت خودکار جمع‌آوری، جمع‌آوری و پردازش می‌شوند و یک سیستم توصیه‌ای که محاسبات مختلف را بر اساس مدل پیشنهادی انجام می‌دهد، یکپارچه شود. بهترین راه حل ها را با در نظر گرفتن تمام اهداف، ترجیحات کاربر و محدودیت ها انتخاب می کند. به دست آوردن برخی از متغیرها، به عنوان مثال، وزن هزینه برای هر کاربر، ممکن است بسیار سخت باشد، و اینها عناصر اجباری هستند که می توانند تأثیر زیادی بر نتیجه نهایی داشته باشند. این نشانگر فقط روی یک مجموعه داده کوچک، با مدت زمان محدود و تنها پنج کاربر آزمایش شده است. با این حال، به دلیل وجود متغیرها، مسیرها، طرح‌ها و حالت‌های اشتراک‌گذاری، ترجیحات و محدودیت‌های کاربر، اما همچنین راه‌حل‌های چندهدفه، محاسبات به سرعت بسیار فشرده می‌شود و این می‌تواند به منابع محاسباتی بزرگ و روش‌های بهینه‌سازی برای محاسبه نیاز داشته باشد. با مدت زمان محدود و تنها پنج کاربر. با این حال، به دلیل وجود متغیرها، مسیرها، طرح‌ها و حالت‌های اشتراک‌گذاری، ترجیحات و محدودیت‌های کاربر، اما همچنین راه‌حل‌های چندهدفه، محاسبات به سرعت بسیار فشرده می‌شود و این می‌تواند به منابع محاسباتی بزرگ و روش‌های بهینه‌سازی برای محاسبه نیاز داشته باشد. با مدت زمان محدود و تنها پنج کاربر. با این حال، به دلیل وجود متغیرها، مسیرها، طرح‌ها و حالت‌های اشتراک‌گذاری، ترجیحات و محدودیت‌های کاربر، اما همچنین راه‌حل‌های چندهدفه، محاسبات به سرعت بسیار فشرده می‌شود و این می‌تواند به منابع محاسباتی بزرگ و روش‌های بهینه‌سازی برای محاسبه نیاز داشته باشد.

6. نتیجه گیری و کار آینده

در این مقاله، ما یک شاخص برای افزایش تحرک مشارکتی پیشنهاد می‌کنیم که می‌تواند توسط یک مشاور سفر برای توصیه فعالانه اقدامات مختلف به سمت یک رفتار مسافرتی سازگار با محیط زیست و پایدار استفاده شود. این تحقیق محدودیت ها و متغیرهای مختلفی را ارائه می دهد که باید هنگام ارزیابی تحرک مشترک بین افراد بر اساس راه حل های مختلف به اشتراک گذاری در نظر گرفته شوند. آزمایش‌ها و مطالعات موردی هم‌نشینی، اشتراک‌گذاری پارکینگ و اشتراک‌گذاری خودرو با استفاده از داده‌های واقعی جمع‌آوری‌شده از دستگاه‌های تلفن همراه مورد بررسی قرار گرفت. این آزمایش‌ها تایید کرد که شاخص پیشنهادی نسبت به تغییرات دینامیکی حساس است، انعطاف‌پذیر است و می‌تواند در مسائل بهینه‌سازی چند هدفه استفاده شود. نتیجه می گیریم که رفتار طرح ها و حالت های اشتراک گذاری ترکیبی را می توان در یک شاخص واحد ارزیابی کرد.

مسیرهای زیادی برای گسترش این کار وجود دارد. روش‌های ارائه‌شده در این مطالعه نشان‌دهنده نظریه‌ای است که باید با روش‌های پیچیده ML و هوش مصنوعی ترکیب شود تا موتور یک ITS را توسعه دهد که آینده‌ای روشن در سیستم‌های ترافیکی نسل بعدی دارد. چالش توسعه نمونه اولیه یک ITS دقیق است که قادر به اجرای وظایف و عملیات پیچیده، به عنوان مثال، یادگیری خودکار، پیش‌بینی، بهینه‌سازی و مدیریت سیستم‌های مشارکتی، برای اشتراک منابع خواهد بود.

در تحقیق حاضر، ما عمدتاً از داده‌های مکانی جمع‌آوری‌شده از دستگاه‌های تلفن همراه استفاده کرده‌ایم. کاوش های آینده سیستم سنجش نیز به منظور استفاده از ترکیب داده ها بین تمام حسگرهای تلفن همراه موجود از دستگاه های عشایری و پوشیدنی مانند گوشی های هوشمند و ساعت های هوشمند انجام خواهد شد. هر حسگر اضافی داده های مهمی را به ارمغان می آورد که باید برای به دست آوردن دانش جدید مورد بهره برداری قرار گیرد.

در حالی که ما مشکل تحرک مشارکتی را در نظر می گیریم، رویکرد ما هنوز در مقیاس کوچک است، عمدتاً به دلیل جمع آوری داده های محدود و تمرکز بر جنبه نظری به جای پیاده سازی در دنیای واقعی. چالش‌های دیگر مربوط به استفاده از داده‌های واقعی در مقیاس بزرگ جمع‌آوری‌شده از تلفن‌های هوشمند، هزینه بالای جمع‌آوری داده‌ها و جنبه حفظ حریم خصوصی است. برای بررسی‌ها و جمع‌آوری داده‌هایی که حاوی اطلاعات حساس هستند، باید مجوزهای لازم از مراجع تخصصی دریافت شود. سپس، پروتکل های ناشناس سازی داده ها باید با استفاده از انواع مختلف پاکسازی اطلاعات با هدف حفاظت از حریم خصوصی پیاده سازی شوند. پروتکل های رمزگذاری،

یک جهت جالب استفاده از روش ها و سناریوهای مشابه برای مجموعه داده های بزرگتر با تعداد کاربران بیشتر و برای مدت زمان طولانی یا استفاده از مجموعه داده های تولید شده مصنوعی است. هر دو روش مشکلات پیچیده ای را به همراه دارند زیرا مجموعه داده های بزرگتر به روش ها، ابزارها و بهینه سازی های تخصصی برای اجرای محاسبات فشرده نیاز دارند. علاوه بر این، مجموعه داده‌های مصنوعی و شبیه‌سازی‌ها باید رفتار سفر مشابه الگوهای تحرک کاربران واقعی را به تصویر بکشند.

منابع

هیداس، پ. رام، اس. تغییر رفتار سفر. ترانسپ مهندس اوست 2006 ، 10 ، 1. [ Google Scholar ]
نرخ اشغال وسایل نقلیه مسافری، آژانس محیط زیست اروپا. در دسترس آنلاین: http://www.webcitation.org/6kdUOjoAg (در 19 سپتامبر 2016 قابل دسترسی است).
میلرا، HJ تحرک مشارکتی: استفاده از علم اطلاعات جغرافیایی برای پرورش سیستم های حمل و نقل تعاونی. Procedia Soc. رفتار علمی 2011 ، 21 ، 24-28. [ Google Scholar ] [ CrossRef ]
فرگوسن، ای. ظهور و سقوط کارپول آمریکایی: 1970-1990. حمل و نقل 1997 ، 24 ، 349-376. [ Google Scholar ] [ CrossRef ]
کلی، KL گاه به گاه carpooling-افزایش یافته است. J. Public Transp. 2007 ، 10 ، 119-130. [ Google Scholar ] [ CrossRef ]
مورنسی، سی. دوسوگرایی در اشتراک سواری. حمل و نقل 2007 ، 34 ، 239-253. [ Google Scholar ] [ CrossRef ]
چان، ND; شاهین، SA Ridesharing در آمریکای شمالی: گذشته، حال و آینده. ترانسپ Rev. 2012 , 32 , 93-112. [ Google Scholar ] [ CrossRef ]
لی، جی. امبری، پ. Mattingly، S. سعدآبادی، ک. راسمیدتا، آی. بوریس، ام. چه کسی کارپول را انتخاب می کند و چرا؟: بررسی کارپول های تگزاس. ترانسپ Res. ضبط J. Transp. Res. هیئت 2007 ، 2021 ، 110-117. [ Google Scholar ] [ CrossRef ]
شومیک، اس. آیا استفاده از خودروی شخصی می تواند جاده را پاک کند و هوا را تمیز کند؟ شواهدی از ادبیات در مورد تأثیر خطوط HOV بر VMT و آلودگی هوا. جی. پلان. روشن شد 2012 ، 27 . [ Google Scholar ] [ CrossRef ]
چوجا، د. Dulay, N. پیش بینی رفتار انسان از نقاط داده تلفن همراه منتخب. در مجموعه مقالات دوازدهمین کنفرانس بین المللی ACM در مورد محاسبات همه جا حاضر (UbiComp’10)، کپنهاگ، دانمارک، 26-29 سپتامبر 2010.
لین، ND؛ میلوزو، ای. لو، اچ. پیبلز، دی. چودوری، تی. کمپبل، AT بررسی سنجش تلفن همراه. IEEE Commun. Mag. 2010 ، 48 ، 140-150. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. وانگ، FY; وانگ، ک. لین، WH; خو، X. چن، سی. سیستم های حمل و نقل هوشمند مبتنی بر داده: یک نظرسنجی. IEEE Trans. هوشمند ترانسپ سیستم 2011 ، 12 ، 1624-1639. [ Google Scholar ] [ CrossRef ]
Zhao, Y. تعیین مکان تلفن همراه و تأثیر آن بر سیستم های حمل و نقل هوشمند. IEEE Trans. هوشمند ترانسپ سیستم 2000 ، 1 ، 55-64. [ Google Scholar ] [ CrossRef ]
شیا، جی. کرتین، KM; لی، دبلیو. ژائو، ی. مدل جدیدی برای سرویس تطبیق کارپول. PLoS ONE 2015 , 10 , e0129257. [ Google Scholar ] [ CrossRef ] [ PubMed ]
آگاتز، ن. اررا، ا. ساولسبرگ، م. Wang, X. بهینه‌سازی برای اشتراک‌گذاری پویا: یک بررسی. یورو جی. اوپر. Res. 2012 ، 223 ، 295-303. [ Google Scholar ] [ CrossRef ]
قسیری، ک. حقانی، ع. حامدی، م. Center, M. Real-Time Rideshare Matching Problem ; مرکز حمل‌ونقل دانشگاه‌های آتلانتیک میانی: پارک دانشگاه، PA، ایالات متحده آمریکا، 2011. [ Google Scholar ]
Gruebele، سیستم تعاملی PA برای زمان واقعی کارپولینگ پویا چند هاپ . مشارکت دانش حمل و نقل جهانی: ژنو، سوئیس، 2008. [ Google Scholar ]
هرباوی، دبلیو. وبر، ام. برنامه ریزی مسیر چندهدفه تکاملی در اشتراک سواری پویا چند هاپ. در کنفرانس اروپایی محاسبات تکاملی در بهینه سازی ترکیبی ; Springer: برلین/هایدلبرگ، آلمان، 2011; صص 84-95. [ Google Scholar ]
دروز، اف. Luxen, D. به اشتراک گذاری سواری چند هاپ. در مجموعه مقالات ششمین سمپوزیوم سالانه در جستجوی ترکیبی، Leavenworth، WA، ایالات متحده، 11-13 ژوئیه 2013; صص 71-79.
Amey, A. یک روش پیشنهادی برای تخمین دوام اشتراک سواری در یک سازمان که در جامعه mit اعمال می شود. در مجموعه مقالات نشست سالانه TRB ; هیئت تحقیقات حمل و نقل: واشنگتن، دی سی، ایالات متحده آمریکا، 2011; صص 1-16. [ Google Scholar ]
بالداچی، آر. مانیزو، وی. Mingozzi، A. یک روش دقیق برای مسئله جمع آوری خودرو بر اساس تولید ستون لاگرانژ. اپراتور Res. 2004 ، 52 ، 422-439. [ Google Scholar ] [ CrossRef ]
گیزبرگر، آر. لوکسن، دی. نوبائر، اس. سندرز، پی. Volker, L. محاسبه انحراف سریع برای به اشتراک گذاری سواری. arXiv , 2009; arXiv:0907.5269. [ Google Scholar ]
کلاینر، ا. نبل، بی. Ziparo, V. مکانیزمی برای اشتراک گذاری پویا سوار بر اساس حراج های موازی. در مجموعه مقالات بیست و دومین کنفرانس مشترک بین المللی در مورد هوش مصنوعی، کاتالونیا، اسپانیا، 16 تا 22 ژوئیه 2011.
LeBlanc، DE Slugging: The Commuting Alternative for Washington, DC ; Forel Publishing: Woodbridge، VA، ایالات متحده آمریکا، 1999. [ Google Scholar ]
اسپیلبرگ، اف. Shapiro, P. عادات جفت گیری راب: تشکیل پویا carpool در راهرو I-95/I-395 ویرجینیای شمالی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2000 . [ Google Scholar ] [ CrossRef ]
بوریس، مگاوات؛ Winn, JR Slugging در هوستون-ویژگی‌های سرنشین تصادفی. J. Public Transp. 2006 . [ Google Scholar ] [ CrossRef ]
فوروهاتا، م. دسوکی، م. اوردونز، اف. برونت، من؛ وانگ، ایکس. کونیگ، اس. رایدشارینگ: جهت گیری های پیشرفته و آینده. ترانسپ Res. روش قسمت B. 2013 ، 57 ، 28-46. [ Google Scholar ] [ CrossRef ]
سوسیلو، یو. Axhausen، KW تکرارها در الگوهای فعالیت روزانه – سفر – مکان: مطالعه ای با استفاده از شاخص هرفیندال – هیرشمن. حمل و نقل 2014 ، 41 ، 995-1011. [ Google Scholar ] [ CrossRef ]
Axhausen، KW; زیمرمن، ا. شونفلدر، اس. ریندسفوزر، جی. هاوپت، تی. مشاهده ریتم های زندگی روزمره: خاطرات سفر شش هفته ای. حمل و نقل 2002 ، 29 ، 95-124. [ Google Scholar ] [ CrossRef ]
Chaube، V. کاوانا، آل. Perez-Quinones، MA استفاده از شبکه های اجتماعی برای ایجاد اعتماد در برنامه های اشتراک گذاری. در مجموعه مقالات 2010 چهل و سومین کنفرانس بین المللی هاوایی در علوم سیستم، هونولولو، HI، ایالات متحده آمریکا، 5-8 ژانویه 2010. صص 1-8.
ایمی، ا. آتانوچی، جی. مشالانی، ر. اشتراک گذاری در زمان واقعی: فرصت ها و چالش ها در استفاده از فناوری تلفن همراه برای بهبود خدمات اشتراک سواری. ترانسپ Res. ضبط J. Transp. Res. هیئت 2011 ، 103-110. [ Google Scholar ] [ CrossRef ]
اشبروک، دی. Starner, T. استفاده از GPS برای یادگیری مکان‌های مهم و پیش‌بینی حرکت بین کاربران متعدد. پارس محاسبات همه جا حاضر. 2003 ، 7 ، 275-286. [ Google Scholar ] [ CrossRef ]
حریهاران، ر. Toyama, K. Project lachesis: Parsing and modeling location historys. در علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2004; صص 106-124. [ Google Scholar ]
آگامنونی، جی. نیتو، جی. Nebot، E. استخراج داده های GPS برای استخراج مکان های مهم. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون (ICRA’09)، کوبه، ژاپن، 12-17 مه 2009. صص 855-862.
شیانگ، ال. گائو، ام. وو، تی. استخراج توقف از مسیرهای پر سر و صدا: رویکرد خوشه‌بندی توالی گرا. ISPRS Int. J. Geo-Inf. 2016 . [ Google Scholar ] [ CrossRef ]
اوهاشی، ح. نگوین، PX؛ آکیاما، تی. یاماموتو، ام. Sato, A. روش استخراج سفر بر اساس ویژگی‌های حسگرها و رفتار سفر انسان برای بررسی سفر مبتنی بر حسگر. J. Inf. روند. 2016 ، 24 ، 39-48. [ Google Scholar ] [ CrossRef ]
مونتولیو، آر. بلوم، جی. Gatica-Perez, D. کشف مکان های دیدنی در زندگی روزمره از داده های گوشی های هوشمند. چندتایی. ابزارهای کاربردی 2013 ، 62 ، 179-207. [ Google Scholar ] [ CrossRef ]
تیری، بی. چایکس، بی. Kestens، Y. تشخیص مکان‌های فعالیت از داده‌های خام GPS: یک الگوریتم جدید مبتنی بر هسته. بین المللی J. Health Geogr. 2013 ، 12 ، 14. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ویتی، اف. کورمن، اف. تجزیه و تحلیل تعادل و حساسیت اشتراک سواری پویا. در مجموعه مقالات شانزدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC 2013)، لاهه، هلند، 6-9 اکتبر 2013. ص 2409-2414.
فی، اس. فرانک، آر. Engel, T. فعالیت تطبیقی و شناسایی زمینه با استفاده از حسگرهای چندوجهی در دستگاه های هوشمند. در محاسبات موبایلی، برنامه ها و خدمات ؛ Sigg, S., Nurmi, P., Salim, F., Eds.; شماره 162 در یادداشت های سخنرانی موسسه علوم کامپیوتر، انفورماتیک اجتماعی و مهندسی مخابرات؛ Springer: برلین/هایدلبرگ، آلمان، 2015; صص 33-50. [ Google Scholar ]
فی، اس. لووتون، ن. غورقه، جی. انگل، تی. رویکرد دو سطحی برای توصیف فعالیت‌های انسانی از داده‌های حسگر پوشیدنی. جی. وایرل. اوباش شبکه محاسبات همه جا حاضر. اپلیکیشن قابل اعتماد 2016 ، 7 ، 3. [ Google Scholar ]
Pyle, D. آماده سازی داده برای داده کاوی ; مورگان کافمن: برلینگتون، MA، ایالات متحده آمریکا، 1999. [ Google Scholar ]
کوی، ی. Ge, SS موقعیت یابی خودکار خودرو با GPS در محیط های دره شهری. IEEE Trans. ربات. خودکار 2003 ، 19 ، 15-25. [ Google Scholar ]
آزمایشگاه SPHERE. در دسترس آنلاین: http://www.spherelab.org/ (دسترسی در 19 سپتامبر 2016).
مدارد دی شاردون، سی. Caruso, G. Friendly Batch Routing (FBR). 2012. در دسترس آنلاین: http://geow.uni.lu/apps/fbr/ (در 19 سپتامبر 2016 قابل دسترسی است).

شکل 1. زمانی از روز که در آن

P_{1}

P_{2}

از پارکینگ استفاده کنید

a_{i}

b_{i}

a_{(i + n)}

b_{(i + n)}

به ترتیب زمان ورود فعالیت است.

شکل 2. نمای کلی از سیستم حسگر ما.

شکل 3. صفحه اصلی (

P_{1}

–

P_{5}

) و محل کار (W) پاسخ دهندگان.

شکل 4. ماتریس فاصله بین مکان هایی با گروه های فاصله اصلی مختلف.

شکل 5. توالی فعالیت ها.

شکل 6. نمودار توپولوژیکی فواصل بین خانه و محل کار پاسخ دهندگان.

شکل 7. کوتاه ترین مسیر بین تمام محل سکونت و محل کار.

شکل 8. مقدار شاخص برای تعداد مختلف کاربر.

شکل 9. فاصله زمانی بین فعالیت های همه کاربران برای یک روز.

شکل 10. شاخص کارپولینگ و هزینه های کاربر فردی برای گزینه های مختلف زمان بندی مجدد.

شکل 11.

D S

D T

بین محل پارک و فعالیت های کاربران

P_{1}

P_{2}

برای یک روز کامل

شکل 12. مقایسه ارزش شاخص و نسبت هزینه های فردی

C_{r}

با و بدون هزینه پارکینگ

شکل 13. مطالعه موردی با ترکیبی از اشتراک خودرو، اشتراک پارکینگ و اشتراک خودرو.

جدول 1. جدول مقایسه بین روش شناسی.

جدول 2. خلاصه جمع آوری داده ها.

جدول 3. زمان صرف شده در همه مکان ها.

جدول 4. ماتریس فاصله بر حسب کیلومتر بین محل کار مشترک و محل سکونت همه کاربران.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی

2. کارهای مرتبط

2.1. خدمات تحرک مشترک

2.2. روش‌های استخراج مدت و مکان فعالیت

3. روش شناسی

3.1. مدل مفهومی عمومی شاخص تحرک مشارکتی

3.2. شاخص تحرک مشارکتی برای ارزیابی کارپولینگ

3.3. شاخص تحرک مشارکتی برای ارزیابی اشتراک پارکینگ

3.3.1. شاخص سازگاری اشتراک پارکینگ برای کاربران وابسته به خودرو

3.3.2. شاخص اشتراک پارکینگ در ترکیب با Carpooling

3.4. شاخص تحرک مشارکتی برای ارزیابی اشتراک خودرو

4. آزمایش و نتایج

4.1. جمع آوری و پردازش داده ها

4.1.1. معماری سیستم حسگر

4.1.2. جمع آوری داده ها

4.1.3. پردازش داده ها

4.1.4. داده کاوی برای بازسازی مکان های گمشده

4.1.5. استخراج مدت زمان و مکان فعالیت

4.1.6. فاصله زمان و مکان بین فعالیت ها

4.2. شاخص تحرک مشترک برای کارپولینگ

4.3. شاخص تحرک مشارکتی برای اشتراک پارکینگ

4.3.1. شاخص سازگاری اشتراک پارکینگ برای کاربران وابسته به خودرو

4.3.2. شاخص اشتراک پارکینگ در ترکیب با Carpooling

4.4. شاخص تحرک مشترک برای اشتراک گذاری خودرو

5. بحث و دیدگاه

6. نتیجه گیری و کار آینده

منابع

قبلییک الگوریتم DBSCAN بهبود یافته برای تشخیص توقف در مسیرهای فردی

بعدیجمع سپاری داده های هواشناسی حسگر موبایل تولید شده توسط کاربر برای متراکم کردن شبکه های ژئوسنسور ایستا

بدون نظر

دیدگاهتان را بنویسید لغو پاسخ