نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

جابجایی و حمل و نقل افراد و کالاها طبیعتاً فضایی است. بنابراین، اصول جغرافیایی سیستم های حمل و نقل باید به اندازه کافی در مدل های حمل و نقل در نظر گرفته شود. تا همین اواخر، همیشه اینطور نبود. در عوض، تحقیقات حمل و نقل و جغرافیا به طور گسترده به طور مستقل در سیلوهای دامنه تکامل یافته است. با این حال، با توجه به تحولات مفهومی، روش شناختی و فنی اخیر، نیاز به یک رویکرد یکپارچه آشکار است. این مقاله تلاش می‌کند تا پتانسیل سیستم‌های اطلاعات جغرافیایی (GIS) را برای مدل‌سازی حمل‌ونقل ترسیم کند. ما سه زمینه مدل‌سازی حمل‌ونقل را شناسایی می‌کنیم که در آن دیدگاه فضایی می‌تواند به طور قابل‌توجهی به فرآیند مدل‌سازی کارآمدتر و نتایج مدل قابل اعتمادتر کمک کند، یعنی داده‌های مکانی، مدل‌های حمل‌ونقل تفکیک‌شده و نقش تجسم جغرافیایی. برای این سه زمینه، یافته‌های موجود از حوزه‌های مختلف، قبل از اینکه جنبه‌های باز به‌عنوان جهت‌گیری‌های پژوهشی، با سؤالات پژوهشی نمونه تدوین شوند، گردآوری می‌شوند. هدف کلی این مقاله تقویت دیدگاه فضایی در مدل‌سازی حمل‌ونقل و درخواست برای ادغام بیشتر GIS در حوزه مدل‌سازی حمل‌ونقل است.
کلید واژه ها: 

GIS ; تحقیق حمل و نقل ؛ داده ها ; مدل های حمل و نقل ؛ تجسم جغرافیایی

 

1. معرفی

حمل و نقل تابعی از اجسام متحرک (مانند افراد یا کالاها) در دو بعد زمان و مکان فیزیکی است. اگرچه ماهیت فضایی تحرک آشکار است، اما اغلب در مدل سازی حمل و نقل نادیده گرفته می شود. از سال های اولیه سیستم های اطلاعات جغرافیایی (GIS)، جامعه جغرافیایی وابستگی زیادی به تحقیقات تحرک و حمل و نقل دارد. برای مثال، مفهوم مسیرهای فضا-زمان هاگرستراند [ 1 ]، شالوده مفهومی پارادایم مدل‌سازی مبتنی بر فعالیت را فراهم می‌کند، که در حال حاضر رویکرد مدل‌سازی ترجیحی در بسیاری از مدل‌ها [ 2 ] است. کاربرد محاسباتی و تحلیلی مسیرهای فضا-زمان هاگرستراند در یک GIS [ 3] را می توان به ترتیب سنگ بنای حوزه جغرافیای حمل و نقل و GIS برای حمل و نقل (GIS-T) دانست. سهم GIS در تحقیقات حمل و نقل متعاقباً در طول دهه 1990 افزایش یافت، همانطور که مقالات مفهومی واترز [ 4 ]، میلر [ 5 ]، تیل [ 6 ] و گودچایلد [ 7 ] در نوبت قرن بیست و یکم به وضوح نشان می‌دهند. در همان زمان، جغرافیا و GIS یک موضوع مهم در مدل سازی حمل و نقل سنتی باقی ماندند. در اولین ویرایش های کتاب درسی استاندارد توسط اورتوزار و ویلومسن [ 8]، برای نام بردن تنها یک مثال برجسته، GIS فقط به صورت حاشیه ای پوشش داده شده است. ویژگی‌ها و روابط فضایی در چارچوب‌های مدل‌سازی حمل‌ونقل استاندارد بسیار انتزاع شده‌اند، در حالی که GIS در درجه اول به عنوان ابزاری برای آماده‌سازی داده‌ها و تا حدی کمتر برای تجسم استفاده می‌شود [9 ] .
از آغاز قرن بیست و یکم، همه چیز به طور اساسی تغییر کرده است. حداقل سه مسیر اصلی نوآوری قابل شناسایی است. اول، ICT (فناوری اطلاعات و ارتباطات) نه تنها نحوه جابجایی افراد و کالاها، بلکه آنچه را که ما در مورد این تحرک می دانیم نیز تغییر داده است. ظرف چند سال، وضعیت از کمبود داده به سیل حسگرها و جریان های داده تبدیل شده است [ 10]]؛ دوم، سیاست مجبور است از پارادایم یک زیرساخت در حال گسترش به مدیریت ترافیک هوشمندتر حرکت کند. بنابراین، مدیریت فعال تقاضا و عرضه ترافیک و فعال کردن پتانسیل های استفاده نشده مانند حمل و نقل عمومی، تحرک فعال، طرح های اشتراک گذاری یا لجستیک هوشمند ضروری است. سیستم‌های حمل‌ونقل هوشمند مورد نیاز (ITS) بر داده‌های دقیق و مؤلفه‌های ارتباط، مدیریت و تجزیه و تحلیل با عملکرد خوب تکیه می‌کنند، که هر یک دارای مفهوم فضایی متمایز هستند [ 11 ، 12 ]. سوم، در جامعه مدل‌سازی حمل‌ونقل، یک تغییر الگو از مدل‌های انبوه، با مدل چهار مرحله‌ای (FSM) به عنوان برجسته‌ترین نمونه (به مک نالی [ 13 مراجعه کنید)] برای یک نمای کلی)، به مدل‌های مبتنی بر فعالیت و مقیاس خرد، قابل مشاهده است. در ارتباط با این تغییر، ارتباط فضای جغرافیایی به طور گسترده مورد تایید قرار گرفته است [ 2 ، 14 ].
با توجه به ادغام رو به رشد عملکردهای جغرافیایی و مدل سازی حمل و نقل، این مقاله بر سه جنبه کلیدی تمرکز دارد که نویسندگان آن را به هر دو مرتبط می دانند: GIS و جامعه تحقیقاتی حمل و نقل، یعنی داده ها برای مدل های حمل و نقل، مدل های تفکیک شده، و نقش تجسم (geo-). هر یک از این موضوعات از منظر فضایی صریح بررسی می شود.
ساختار مقاله به شرح زیر است: پس از یک مرور کلی و مختصر از سهم فعلی GIS در مدل‌سازی حمل‌ونقل، سه جنبه ذکر شده در بالا به تفصیل بررسی می‌شوند. برای هر موضوع، وضعیت موجود از منظر فضایی توصیف می شود. متعاقباً، مسائلی که هنوز حل نشده مطرح شده و در جهت‌های تحقیقاتی کلیدی جمع‌آوری می‌شوند. بخش پایانی یافته های اصلی را جمع بندی می کند.

2. GIS و مدل سازی حمل و نقل: مروری کوتاه

GIS و تحقیقات حمل و نقل همیشه به هم مرتبط بوده اند. بنابراین، تصمیم گیری در نهایت دشوار است که آیا مدل سازی حمل و نقل یک حوزه کاربردی از GIS است یا قابلیت های فضایی در مدل های حمل و نقل گنجانده شده است. نمونه هایی در هر دو حوزه وجود دارد و محصولات نرم افزاری مدل سازی حمل و نقل فعلی به طور فزاینده ای قابلیت های یکپارچه GIS را ارائه می دهند.
GIS محیط های توانمندی برای جمع آوری، مدیریت، تجزیه و تحلیل و تجسم داده های مکانی است. آنها امکان ادغام منابع داده های مختلف را در یک چارچوب جغرافیایی مقیاس پذیر، پویا و سازگار فراهم می کنند ( شکل 1 را ببینید ). از طریق مدل‌ها، شبیه‌سازی‌ها و تحلیل‌ها، که هر کدام با در نظر گرفتن صریح ماهیت فضایی حمل‌ونقل، می‌توان اطلاعات جدیدی تولید کرد. علاوه بر این، GIS همچنین تجسم اطلاعات را تسهیل می کند که به عنوان یک پلت فرم ارتباطی با حلقه های بازخورد به یکپارچه سازی داده ها و تنظیمات مدل ها، شبیه سازی ها و تحلیل ها عمل می کند.

2.1. ویژگی ها و روابط فضایی

در یک مدل حمل و نقل انبوه استاندارد، سیستم‌های GI عمدتاً برای پردازش داده‌ها، تعیین مناطق تحلیل ترافیک (TAZ) و تجسم نتایج مدل به کار گرفته شده‌اند. TAZ مرجع فضایی مدل های حمل و نقل مبتنی بر تقاضا را تشکیل می دهد، جایی که تعداد سفرها از، به و از طریق این مناطق تخمین زده می شود. برای این تخمین‌ها، داده‌های مختلف اجتماعی-دموگرافیک، اقتصادی و ساختاری در یک تحلیل رگرسیونی به یکدیگر مرتبط می‌شوند و به مدل تغذیه می‌شوند، که سپس تقاضای سفر را بر اساس تولید سفر و جاذبه سفر برای هر TAZ محاسبه می‌کند. وابستگی های فضایی، و همچنین تغییرات درون و روابط فضایی بین TAZ، به طور گسترده در این مرحله نادیده گرفته می شوند. در مرحله بعدی FSM، سفرهای تولید شده در کل منطقه مورد مطالعه توزیع می شود. این معمولاً در ماتریس‌های مبدا-مقصد (OD) انجام می‌شود که فقط اطلاعات فضایی بسیار انتزاعی را نشان می‌دهند. با استفاده از مدل های فیزیکی (مانند مدل های گرانشی)، سفرهای تولید شده بر اساس ماتریس OD توزیع می شوند [8 ]. کاستی‌های رویکردهای ساده‌گرایانه در مدل‌سازی تقاضا به طور گسترده، هم از نظر مفهومی [ 15 ] و هم از نظر روش‌شناختی [ 16 ] مورد بحث قرار گرفته است. از منظر جغرافیایی، حداقل سه مفهوم، که در پاراگراف‌های زیر بحث می‌کنیم، برای هر مدل تقاضای انبوه، اما به‌ویژه برای مدل‌های تقاضای انبوه، مرتبط هستند: مقیاس‌بندی و پهنه‌بندی، وابستگی‌های فضایی، و ناهمگونی فضایی (نگاه کنید به شکل 2 ) .
در مورد FSM، مناطق تجزیه و تحلیل ترافیک نقش اصلی را ایفا می کنند: پس از مشخص شدن، نمی توان آنها را تغییر داد مگر اینکه پارامترسازی مدل از ابتدا شروع شود. در ارتباط با ترسیم مناطق، مسئله واحد منطقه ای قابل اصلاح (MAUP) است. به طور خلاصه، MAUP اثر مقیاس (سطح تجمع فضایی) و پهنه بندی فضایی را بر نتایج مدل یا تحلیل توصیف می کند [ 17 ]. MAUP به طور گسترده تایید شده است، به عنوان مثال، در آمار منطقه ای [ 18 ] یا بهداشت عمومی [ 19 ]، هر دو حوزه که از واحدهای مرجع فضایی کم و بیش به طور دلخواه تعریف شده، مانند مرزهای اداری استفاده می کنند. میلر [ 5 ] و ویگاس و همکاران. [ 20] به طور گسترده در مورد مفاهیم MAUP برای مدل‌سازی حمل‌ونقل بحث کرده و سهم بالقوه GIS در برخورد با آن را توصیف می‌کند. اگر داده‌های خام در دسترس باشد، از GIS می‌توان برای ارزیابی اثر مقیاس‌بندی و منطقه‌بندی و ترسیم TAZ بهینه‌شده استفاده کرد. اثرات مقیاس‌بندی و منطقه‌بندی، به معنای وسیع‌تر، نه تنها در مدل‌های مبتنی بر تقاضا، بلکه تقریباً در همه انواع مدل‌های حمل‌ونقل مرتبط است. به عنوان مثال، والنتین و لویدل [ 21 ]، تأثیر ترسیم‌های فضایی مختلف منطقه مورد مطالعه را بر نتیجه شبیه‌سازی ترافیک دوچرخه مبتنی بر عامل برای سالزبورگ نشان دادند.
معمولاً TAZ یا سایر موجودات فضایی به طور مستقل از یکدیگر و بر اساس متغیرهای ورودی مختلف مشخص می شوند. در انجام این کار، ارتباط یا وابستگی فضایی (برای یک نمای کلی به پائز و اسکات [ 22 ] مراجعه کنید) بین این موجودیت ها تا حد زیادی نادیده گرفته می شود. برخلاف اکثر روال‌های آماری، که به نمونه‌های مستقل نیاز دارند، تحلیل‌های جغرافیایی عملکرد شباهت و مجاورت فضایی را که معمولاً به عنوان “قانون اول جغرافیا” نامیده می‌شود، در نظر می‌گیرد [23 ] . با توجه به مدل‌سازی حمل‌ونقل، می‌توان فرض کرد، برای مثال، شباهت رفتارهای تحرک به نزدیکی فضایی عوامل مربوطه و مبدا و مقصد آنها بستگی دارد [24] .]. از سوی دیگر، خوشه بندی فضایی مبدا و مقصد بر تقاضای سفر تأثیر می گذارد. بولدوک و همکاران [ 25 ] احتمالاً یکی از اولین نویسندگانی بودند که به تأثیر خودهمبستگی فضایی بر ماتریس های جریان OD اشاره کردند. روش‌های تحلیل جغرافیایی به تعیین درجه وابستگی فضایی [ 26 ] و محاسبه صحیح آن در مراحل مدل‌سازی و تحلیل متوالی کمک می‌کنند.
مفهوم ناهمگونی فضایی ارتباط تنگاتنگی با وابستگی فضایی دارد. در حالی که می توان فرض کرد که بسیاری از فرآیندهای فضایی به صورت خطی در مقیاس کلان مرتبط هستند، این لزوماً در سطح خرد صادق نیست. در اینجا تأثیر مکان یا عملکرد مجاورت می تواند در فضا (غیر ساکن) متفاوت باشد. نادیده گرفتن اثر ناهمگونی فضایی ممکن است به پارامترسازی مدل مغرضانه یا تفسیر گمراه کننده نتایج تحلیل منجر شود [ 22 ]. به منظور مقابله با ناهمگونی فضایی، تکنیک‌های متعددی در کاربردهای GIS، مانند تحلیل رگرسیون وزن‌دار جغرافیایی (GWR) توسط Brunsdon و همکاران، توسعه و پیاده‌سازی شده‌اند . [ 27]، که می تواند برای تعیین و وزن پارامترهای مدل های حمل و نقل استفاده شود.

2.2. نمونه هایی برای رویکردهای مدل سازی حمل و نقل جغرافیایی

میلر و شاو [ 12 ] مورد قانع‌کننده‌ای برای تحلیل‌های مکانی به عنوان عناصر یکپارچه مدل‌های حمل‌ونقل به منظور افزایش امکانات برنامه‌ها و کیفیت پیش‌بینی‌ها ایجاد کردند. اثر گنجاندن آمار و تجزیه و تحلیل فضایی در یک مدل تقاضای سنتی، در میان دیگران، به طرز چشمگیری توسط لوپس و همکاران نشان داده شد. [ 28 ]، اگرچه کاربرد نهایی به یک مدل ترافیک ایستا و تک وجهی محدود می شود. طبق دانش ما، در حال حاضر تنها نمونه های بسیار کمی وجود دارد که در آن مدل های حمل و نقل چندوجهی با درجه بالایی از انعطاف پذیری مکانی و زمانی تنظیم شده است. چن و همکاران [ 29] یک مفهوم شی گرا برای یک مدل داده GIS-T پیشنهاد کرد که امکان تغییر ویژگی های اشیاء حمل و نقل را فراهم می کند. اگرچه درجه خاصی از پویایی را می توان در این چارچوب نمایش داد، داده های ورودی بلادرنگ پیاده سازی نشدند. گرئولیچ و همکاران [ 30 ] یک چارچوب انعطاف‌پذیر برای یک مدل مبتنی بر عامل (ABM) پیشنهاد کرد، که در آن ماموران می‌توانند سفر خود را در صورت وقوع رویدادهای غیرمنتظره برنامه‌ریزی کنند. علاوه بر محدودیت های محاسباتی ABM، در دسترس بودن داده های مناسب یک گلوگاه بوده است. هر دو عامل ممکن است ارتباط خود را در آینده نزدیک از دست بدهند. دشواری ترکیب داده های (در زمان واقعی) از منابع مختلف توسط نانت و همکاران نشان داده شد. [ 31]. آنها داده‌های آشکارسازهای حلقه و داده‌ها را با وضوح زمانی و مکانی دقیق از سنسورهای GPS و بلوتوث در یک مدل پیش‌بینی ترافیک در زمان واقعی برای بخش بسیار کوچکی از یک شبکه جاده‌ای شهری یکپارچه کردند.
صرف نظر از پارادایم مدل‌سازی، چند وجهی و بین وجهی یک چالش جدی در مدل‌های حمل‌ونقل فعلی است. در حالی که ترافیک وسایل نقلیه را می توان در مدل های تقاضا نشان داد، ترافیک دوچرخه و عابران پیاده به سختی به اندازه کافی ثبت می شود. بنابراین، دوبلر و لمل [ 32] چارچوب مدلی را توسعه داد که ترکیبی از مدل‌های تقاضای مقیاس کلان را با مدل‌های مقیاس خرد، مبتنی بر نیرو و مبتنی بر عامل تسهیل می‌کند، که در آن مدل دوم به منظور نشان دادن حالت‌های فعال حمل‌ونقل است. با چنین رویکردی، تعصب جغرافیایی در مدل‌های تقاضا برای حالت‌های چندگانه می‌تواند، حداقل تا حدی معین، غلبه شود. بدون مقیاس‌پذیری مکانی، MAUP برای مدل‌های تقاضای چندوجهی آشکار می‌شود: TAZ، که ممکن است برای ترافیک موتوری (با برد بزرگ‌تر) مناسب باشد، به سختی قادر است به اندازه کافی محدوده معمولی ترافیک دوچرخه یا عابران پیاده را در همان زمان ثبت کند. این یک دلیل مفهومی اصلی است که چرا بسیاری از مدل های تقاضا انتخاب حالت را ساده می کنند و تنها یک حالت حمل و نقل را در نظر می گیرند [ 13]] یا خود را محدود به تغییرات بسیار مشابه یک روش حمل و نقل (به عنوان مثال، روش های مختلف حمل و نقل عمومی [ 33 ]) می کنند. مشکلات مدل‌های حمل‌ونقل بسیار انباشته برای نمایش کارآمد چند وجهی حداقل تا حدی به دلیل نمایش انتزاعی (به عنوان مثال، مرکزهای متصل TAZ در یک ماتریس OD) یا غفلت از فضا است. در مقابل، جاده خطی یا فضای زیرساخت به عنوان یک نمودار جغرافیایی مرجع در یک GIS نشان داده می شود [ 34]. این نمایش در یک مدل داده لبه گره یک بعدی، همراه با ویژگی های مرتبط، به مدل های جریان واقعی از حالت های مختلف اجازه می دهد، که می توانند به طور مستقل اجرا شوند و متعاقباً بر روی مرجع فضایی مشترک پیش بینی شوند. علاوه بر این، یک مدل داده مبتنی بر نمودار، مقیاس‌پذیری، سطوح چندگانه انتزاع و دانه‌بندی مدل، و همچنین ترکیبی از عناصر سیستم استاتیک و پویا [29]، که همه اجزای ضروری «هوشمند»، چند و چند هستند را می‌دهد. مدل های حمل و نقل بین وجهی
در دو دهه گذشته، تغییری از مدل‌های حمل‌ونقل در مقیاس منطقه‌ای به شبیه‌سازی در سطح تفکیک شده یا فردی صورت گرفت. این امر با افزایش فوق العاده قدرت محاسباتی و بهبود قابل توجه در دسترس بودن داده ها امکان پذیر شده است. نقش GIS که با این تغییر مفهومی و پیشرفت‌های بخش ICT مرتبط است – که سیل داده‌ها را تسهیل می‌کند – مهم‌تر شده است. مدل‌های تفکیک‌شده به هوش مکانی بسیار بیشتری نسبت به مدل‌های حمل‌ونقل انباشته نیاز دارند [ 12 ]. بنابراین، درک سیستم های حمل و نقل – از جمله زیرساخت ها، وسایل نقلیه و افراد – به عنوان سیستم های پیچیده در فضا و زمان و رفتار تحرک به صورت فردی، می تواند به طور قابل توجهی توسط GIS افزایش یابد [2 ] .

3. داده های مکانی برای مدل های حمل و نقل

اگرچه داده های مکانی در نهایت برای هر مدل حمل و نقل مهم هستند، به ندرت در ادبیات مدل سازی حمل و نقل به طور صریح به آنها پرداخته می شود. در اکثر نشریات و کتاب‌های درسی، داده‌ها داده‌شده در نظر گرفته می‌شوند، بدون توجه به تأثیر عظیم کیفیت، مقیاس، به‌موقع بودن یا سطح تجمیع داده‌ها بر اعتبار مدل‌ها و استحکام نتایج. McNally و Rindt [ 16 ] بیان کردند که، “در زمینه تحقیقات حمل و نقل، هیچ چیز ارزشمندتر و در عین حال به طور همزمان محدودتر از داده ها برای اعتبار سنجی نظریه و مدل ها نیست” (ص. 63). با در نظر گرفتن این موضوع، وضعیت فعلی به طور انتقادی قبل از تدوین دستورالعمل‌های تحقیقاتی در مورد داده‌های مکانی برای مدل‌های حمل‌ونقل منعکس خواهد شد.

3.1. وضعیت فعلی

مدل های حمل و نقل به طور اساسی به داده های ورودی کافی بستگی دارد. بنابراین، نوع داده، مناسب بودن را برای مدل ها و اهداف مختلف تعریف می کند. علاوه بر این، ناهمگونی قالب‌های داده مانعی برای ادغام منابع مختلف داده است. برای آماده سازی زمینه برای جهت گیری های تحقیقاتی بعدی، چهار نوع عمده داده و پیامدهای مربوط به آنها برای مدل های حمل و نقل به طور خلاصه در پاراگراف های زیر توضیح داده شده است. متعاقباً، در مورد قالب‌های داده مربوطه و تلاش‌های فعلی برای استانداردسازی بحث می‌کنیم. در نهایت، مسائل مربوط به مدل های داده های مکانی و کیفیت داده ها مطرح می شود.

3.1.1. انواع داده (جغرافیایی).

تاکنون اکثر مدل های حمل و نقل منحصراً بر داده های استاتیک متکی هستند. اینها مجموعه داده هایی هستند که در یک نقطه خاص از زمان برای یک هدف خاص تولید می شوند. به عنوان مثال می توان به نمودارهای شبکه جاده ها، خاطرات سفر، سرشماری، یا داده های کاربری زمین و غیره اشاره کرد. مقدار داده های ثابت و در دسترس بسته به منطقه تجزیه و تحلیل متفاوت است. داده‌های باز (دولتی) و داده‌های فضایی جمع‌آوری‌شده، با OpenStreetMap به عنوان برجسته‌ترین نمونه، بسیاری از تحلیل‌های جغرافیایی مرتبط با حمل و نقل را تسهیل می‌کنند. در ایالات متحده، داده های اجتماعی-دموگرافیک تا حد زیادی در دسترس است، در حالی که این وضعیت در بیشتر نقاط اروپا کمتر آزاد است. همین امر در مورد جدول زمانی حمل و نقل عمومی نیز صادق است، اما با تنوع بیشتر در دسترس بودن بین شهرها و مناطق. عمدتاً به دلایل حفظ حریم خصوصی، تقریباً در همه جا با داده های مربوط به آدرس به صورت محدود برخورد می شود. بنابراین، داده های آماری در سطح فرد یا خانوار مربوط به بلوک ها، مناطق سرشماری، یا شبکه های منظم به عنوان واحد مرجع فضایی است. در اتحادیه اروپا،35 ]. انتظار می رود جنبه دوم منجر به نسبت مثبت تری بین در دسترس بودن داده ها و دسترسی باشد.
اگرچه داده‌های پویا و مرتبط با تحرک در حجمی ناشناخته تولید می‌شوند، عموماً نسبت به داده‌های استاتیک کمتر در دسترس هستند. این را می توان حداقل با دو عامل توضیح داد. اول، بیشتر داده‌های حسگر در سیستم‌های بسته و اغلب اختصاصی تولید می‌شوند. خارج از محیط عملیات به سختی قابل دسترسی هستند، مگر برای اهداف تحقیقاتی خاص (رجوع کنید به Liu et al. [ 36 ]، Castro et al. [ 37 ] or Calabrese et al. [ 38]] به عنوان نمونه). دوم، نگرانی ها و مقررات مربوط به حریم خصوصی مانع انتشار داده های حسگر شخصی مستقل از وجود و در دسترس بودن آنها می شود. وضعیت برای داده‌های رسانه‌های اجتماعی با کد جغرافیایی متفاوت است، که به طور بالقوه به عنوان پروکسی برای تحرک جمعی عمل می‌کنند و اغلب از طریق رابط‌های برنامه‌نویسی برنامه (API) قابل دسترسی هستند. مستقل از منبع داده، داده‌های پویا را می‌توان به دو دسته تقسیم کرد: حسگرهای متحرک که در آن حرکت در فضا و زمان حس می‌شود و حسگرهای ثابت که دائماً یک پدیده خاص را اندازه‌گیری می‌کنند.
توسعه‌های شهر هوشمند با فراوانی حسگرهای به هم پیوسته، حجم عظیمی از داده‌ها را فراهم می‌کنند که اغلب به عنوان «داده بزرگ» نامیده می‌شود [ 39 ]. بسیاری از مجموعه‌های داده در این زمینه برای تحقیقات حمل‌ونقل بسیار مرتبط هستند، زیرا جریان افراد و کالاها در فضا را از طریق سیستم‌های عامل [ 40 ]، شبکه تلفن همراه [ 41 ]، بلوتوث [ 42 ] یا رسانه‌های اجتماعی [ 43] حس می‌کنند.]. این مجموعه داده‌ها از نظر مفهومی با داده‌های نمونه‌گیری شده متفاوت هستند، که معمولاً در مدل‌های حمل و نقل تاکنون استفاده شده‌اند. به‌جای نمونه‌های نماینده‌ای که از آنها جمعیت و ویژگی‌های آن تخمین زده می‌شود، داده‌های بزرگ به طور بالقوه امکان در نظر گرفتن جمعیت کامل (حسی) را فراهم می‌کند. از آنجایی که داده های نمونه برداری شده، مانند خاطرات سفر، دارای اشکالاتی هستند (از جمله اندازه نمونه کوچک، محدودیت در مقیاس زمانی و مکانی، یا فرکانس به روز رسانی کم، برای نام بردن چند مورد)، داده های سیستم های فراگیر به عنوان یک جایگزین امیدوارکننده در نظر گرفته می شوند [38، 44 ] . با این حال، علاوه بر چالش‌های فنی در مدل‌سازی و پیوند داده‌ها از این منابع [ 45 ]، پرسش‌های مفهومی و اخلاقی همچنان بی‌پاسخ باقی مانده‌اند [ 46 ].
برخلاف داده‌های استاتیک و پویا جمع‌آوری‌شده، داده‌های مشتق‌شده لزوماً مستقیماً جمع‌آوری نمی‌شوند، بلکه بر اساس نمونه‌ها و/یا جدول‌های زمانی تخمین زده می‌شوند. داده‌های شبیه‌سازی‌شده، درون‌یابی و برون‌یابی معمولاً بسته به الگوریتم‌های پردازش داده، درجه زیادی از تنوع را نشان می‌دهند. بنابراین، برای تفسیر نتایج مدل، دانستن تاریخچه پردازش آن‌ها (الگوریتم‌های کاربردی) در صورتی که این داده‌ها به عنوان متغیرهای ورودی استفاده شوند، اهمیت حیاتی دارد. در مدل های حمل و نقل، داده های مشتق شده، به عنوان مثال، برای پیش بینی ماتریس های جریان OD آینده یا برای پارامترهای جمعیت بر اساس نمونه ها استفاده می شوند [ 8 ].

3.1.2. فرمت ها و استانداردهای داده های حمل و نقل

تنوع انواع داده ها به طور مستقیم با فراوانی قالب های داده برای داده های مربوط به حمل و نقل منعکس می شود. اگر چه چندین صنعت و قانونیاستانداردها وجود دارد، مقدار قابل توجهی از داده ها هنوز در قالب های بسته گرفته و مدیریت می شوند. بنابراین، این استانداردها برای قابلیت همکاری و هماهنگی، دو جنبه کلیدی برای مدل های حمل و نقل و سیستم های حمل و نقل هوشمند (ITS) مانع هستند. برای داده‌های مکانی مرتبط با زیرساخت (به عنوان مثال، نمودار شبکه دیجیتال جاده)، حداقل استانداردهای ملی در بسیاری از کشورها وجود دارد. فراتر از آن، دستورالعمل های بین المللی برای استانداردهای ابرداده، درجه خاصی از قابلیت همکاری را برای این داده ها تضمین می کند. علاوه بر این تلاش‌ها برای استانداردسازی داده‌های معتبر، داده‌های باز و منبع‌جمعی به طور فزاینده‌ای مرتبط هستند. OpenStreetMap خود را به عنوان یک پلت فرم یکپارچه سازی برای انواع داده های ایستا تثبیت کرده است و در حال حاضر با موفقیت در مدل های حمل و نقل استفاده شده است [ 47]]. گوگل بر اساس پورتال مسیریابی محبوب خود، استانداردی را برای اطلاعات حمل و نقل عمومی ثابت و بی‌درنگ (PT) ایجاد کرده است. اگر چه بیشتر و بیشتر اپراتورهای PT داده های خود را به دنبال مشخصات خوراک حمل و نقل عمومی (GTFS) [ 48 ] ارائه می دهند، اما در دسترس بودن و کیفیت هنوز جا برای بهبود باقی می گذارد [ 49 ]. برخلاف تلاش‌های استانداردسازی در بخش PT یا برای داده‌های زیرساخت، به‌ویژه داده‌های پویا به سختی استانداردسازی می‌شوند. بنابراین، آنها از کمبود قابل توجه قابلیت همکاری رنج می برند. برای مثال، داده‌های شناور خودرو (FCD)، هنوز در سیستم‌های بسته حس می‌شوند. ناوگان خودروهای شناور برای اهداف تحقیقاتی تأسیس شده اند [ 50 ، 51 ، 52]، اما عمدتا برای خدمات اختصاصی داده های خصوصی و ارائه دهندگان ناوبری (TomTom (آمستردام، هلند)، INRIX (Kirkland، WA، ایالات متحده آمریکا) و دیگران).

3.1.3. مدل های داده، مقیاس و وضوح

با توجه به تغییر مفهومی از مدل‌های حمل‌ونقل مبتنی بر سفر انبوه به مدل‌های حمل‌ونقل مبتنی بر فعالیت و عامل، پیچیدگی داده‌هایی که باید برای مدل‌های حمل‌ونقل ذخیره و مدیریت شوند، به طور قابل‌توجهی افزایش یافته است. بنابراین، مدل‌های داده‌های GIS-T برای انطباق با پیچیدگی داده‌های فضایی، موقتی و اسنادی مرتبط و پویا مورد نیاز هستند. شاو و وانگ [ 53 ] یک پایگاه داده رابطه ای با روال عادی سازی دقیق را به منظور جلوگیری از افزونگی پیشنهاد کردند. برخلاف پایگاه داده رابطه ای، چن و همکاران. [ 29] یک مدل داده شی گرا را ترجیح می دهد، که در آن روابط توپولوژیکی و معنایی امکان ترکیبی از اشیاء ایستا و پویا را فراهم می کند. مستقل از طراحی مفهومی اساسی، مدل‌های داده‌های مکانی برای کاربردهای GIS-T در مدل‌های حمل‌ونقل باید مطابق با الزامات مربوطه تطبیق داده شوند. برای مدل‌های انتقال پویا و پیش‌بینی‌کننده، نمایش داده‌های ایستا در GIS کافی نیست. در عوض، یک GIS عملکردی باید بر اساس مدل‌های داده‌ای ساخته شود که از داده‌های پویا از منابع مختلف پشتیبانی می‌کند تا به عنوان یک محیط یکپارچه عمل کند [ 12 ].
داده های جغرافیایی همیشه در یک مقیاس خاص جمع آوری می شوند. در نتیجه، داده‌ها را نمی‌توان به‌اندازه کافی در مدل‌ها و روال‌های تحلیل در مقیاس دقیق‌تر مورد استفاده قرار داد. به طور مشابه، سطح تجمع، وضوح هر عملیات را بر اساس این داده ها تعریف می کند. تأثیر مقیاس و سطح تجمع اغلب در مدل های حمل و نقل نادیده گرفته می شود. MAUP که در بخش قبل مورد بحث قرار گرفت و مغالطه اکولوژیکی [ 54] با مقیاس فضایی و سطح تجمع مرتبط است.]، که هر کدام اثرات مستقیم و منفی بر نتیجه هر مدلی دارند. علاوه بر عدم آگاهی رایج در مورد مسائل داده های مکانی، مشکلات در دسترس بودن داده ها و هزینه های جمع آوری داده ها دلایلی برای استفاده از داده های نامناسب هستند. به منظور حمایت از کارشناسانی که چندین مجموعه داده ناهمگن را ادغام می کنند، ابزارهای اطلاعاتی برای کیفیت داده و تناسب استفاده توسعه داده شده است [ 55 ]، اما طبق دانش ما، آنها به طور خاص برای مدل های حمل و نقل مشخص نشده اند. علاوه بر ناهمگونی خود داده‌ها، مدل‌سازی حمل و نقل علاوه بر این نیاز به تسلط بر تنوع معنایی در یک محیط چند رشته‌ای دارد. از آنجایی که ناهمگونی فضایی و اسنادی داده ها یک گلوگاه اصلی در مدل سازی حمل و نقل است، لیانگ و همکاران. [ 56] توسعه هستی شناسی ها را برای به کارگیری بین دامنه ای از مجموعه داده ها پیشنهاد کرد.
از آنجایی که خطاهای داده مستقیماً بر هر برنامه GIS-T [ 6 ] تأثیر می گذارد، تحقیق در مورد وابستگی متقابل ویژگی های داده و مدل های انتقال از منظرهای مختلف مورد نیاز است. هسته اصلی سوالات مطرح شده در بخش زیر، چالش یافتن یا درک داده های بهینه برای یک بافت مدل معین با هزینه های معقول است.

3.2. جهت گیری های تحقیق

همانطور که در بخش قبل ذکر شد، تحقیقات صریح و کمی در مورد داده های مکانی برای مدل های حمل و نقل انجام شده است و سؤالات مطرح شده در اینجا ممکن است کل دامنه تحقیقات لازم را پوشش ندهد. با این حال، دستورالعمل‌های تحقیقاتی زیر برای GIS-T و همچنین برای جامعه مدل‌سازی حمل‌ونقل مرتبط در نظر گرفته می‌شوند.

3.2.1. در دسترس بودن داده ها، دسترسی و نگرانی های حفظ حریم خصوصی

برای مدت طولانی، در دسترس بودن داده ها گلوگاه هر تحقیق و کاربرد مرتبط با حمل و نقل، به ویژه در اروپا بود. این در طول سال های گذشته به طور مداوم در حال تغییر بوده است. با ابتکارات قانونی و کانال‌های توزیع مبتنی بر وب جدید، تعداد فزاینده‌ای از مجموعه‌های داده، که برای مدل‌سازی حمل‌ونقل (شبکه جاده، آدرس، یا داده‌های وضعیت ترافیک و غیره) مرتبط هستند، در دسترس قرار گرفته‌اند، اگرچه هنوز تفاوت‌های ملی و منطقه‌ای وجود دارد . وجود داشته باشد.
تحقیقات بیشتری باید در مورد اینکه چگونه داده‌های اضافی، که برای مدل‌سازی حمل‌ونقل اهمیت زیادی دارند، می‌توانند در حین رسیدگی به نگرانی‌های حفظ حریم خصوصی در دسترس قرار گیرند، انجام شود. این امر به ویژه برای داده های اجتماعی-دموگرافیک، آماری و داده های حرکتی صادق است. در هر دو مورد، داده‌ها برای اهداف عملیاتی و اداری وجود دارند، اما به دلیل نگرانی‌های مربوط به حریم خصوصی مخفی می‌شوند. تا زمانی که هیچ دستورالعمل و مقررات سیاسی و فنی برای استفاده از این داده ها وجود نداشته باشد، استدلال های قوی برای حفظ قوانین سختگیرانه سیاست داده وجود دارد. روسی و همکاران [ 57 ] نشان داد که مسیرهای GPS از نظر حریم خصوصی چقدر حساس هستند، در حالی که د مونتجویه و همکاران. [ 58] ثابت کرد که حتی داده های حرکتی درشت نیز اطلاعاتی در مورد افراد ارائه می دهد. اوکسانن و همکاران [ 59 ]، بنابراین، روشی برای حفظ حریم خصوصی در نقشه‌های نقاط مهم تحرک پیشنهاد کرد.
در حالی که مقررات قانونی برای حریم خصوصی، حقوق مالکیت و مسائل مربوط به داده‌های معتبر و داده‌های تحرک، که برای اهداف عملیاتی تولید می‌شوند (به عنوان مثال، شبکه تلفن همراه) وجود دارد، وضعیت کمتر روشن است و موضوع بحث است (مالکیت داده، تعریف عمومی در مقابل حوزه خصوصی و غیره ) در زمینه وب 2.0 [ 60 ، 61 ]. با این وجود، پتانسیل داده های وب 2.0 برای تحقیقات تحرک بسیار زیاد است. کروم و همکاران [ 62]، برای مثال، روال‌های تحلیلی را برای بازسازی و پیش‌بینی تحرک از داده‌های توییتر توسعه داد. بنابراین، نه تنها در زمینه مدل‌سازی حمل‌ونقل، لازم است قوانین قانونی، بلکه اخلاقی نیز برای استفاده از داده‌های وب 2.0 تعریف شود، به خصوص که آگاهی از پیامدهای حریم خصوصی در بین کاربران بسیار ضعیف است [63 ] .

3.2.2. کیفیت داده، تناسب استفاده، فراداده و استانداردسازی

در حال حاضر، توجه بسیار کمی به کیفیت و تناسب استفاده از داده ها در مدل های حمل و نقل شده است. تأثیر بر خروجی مدل بسیار زیاد است، اما به ندرت به طور صریح مورد بحث قرار گرفته است. از این رو، ما برای توسعه ابزارهای ارزیابی کیفیت برای داده‌های حمل و نقل و مشخصه‌ای برای حوزه مدل حمل و نقل رویکرد پیشنهاد شده توسط Devillers و همکاران بحث می‌کنیم. [ 55 ]. نیاز فوری برای در نظر گرفتن صریح کیفیت داده ها از افزایش در دسترس بودن داده های جمع آوری شده و ناهمگونی منابع داده به طور کلی ناشی می شود.
بسیاری از مجموعه‌های داده‌ای که در مدل‌های حمل‌ونقل به کار می‌روند، فاقد توصیف صحیح هستند. در نتیجه، اغلب اتفاق می‌افتد که داده‌های زمان‌های مختلف با وضوح و مقیاس اکتساب متفاوت، بدون هیچ مرحله پردازش دیگری با هم ترکیب می‌شوند. بنابراین باید تحقیقاتی در مورد چگونگی در نظر گرفتن ابرداده (داده‌های توصیف‌کننده داده) در مدل‌های حمل و نقل انجام شود. این به ویژه برای داده های مشتق شده، که در آن تاریخ پردازش برای تفسیر داده ها بسیار مهم است، مرتبط است.
فرمت‌ها و رابط‌های استاندارد داده‌ای که به شدت با موضوع فراداده مرتبط هستند. همانطور که در بالا ذکر شد، استانداردهایی برای چندین نوع داده وجود دارد (مانند GTFS برای داده های حمل و نقل عمومی)، اما بسیاری از داده ها هنوز در محیط های بسته و اختصاصی شناسایی و مدیریت می شوند. بنابراین، مسئله دسترسی به داده ها نه تنها به مسائل حریم خصوصی (به بخش قبلی مراجعه کنید)، بلکه به قابلیت همکاری بستگی دارد. در نتیجه تدوین و بکارگیری استانداردها باید در دستور کار پژوهشگران و دست اندرکاران قرار گیرد.

3.2.3. مدل های داده برای محیط های پویا

اکثر برنامه های کاربردی GIS-T و مدل های حمل و نقل به پایگاه داده های رابطه ای یا شی گرا متکی هستند. هر دو رویکرد برای طیف وسیعی از کاربردها مناسب هستند، به ویژه تا زمانی که داده های استاتیک به کار گرفته شوند. الزامات مدل های داده در یک محیط پویا متفاوت است. چالش تحقیق کنونی طراحی مدل‌های داده‌ای است که انعطاف‌پذیر بوده و قادر به مدیریت مقادیر عظیم داده از منابع مختلف، با فرمت‌ها و وضوح‌های مختلف باشند، در حالی که از عملکرد بالا در تحلیل و کارهای تجسم اطمینان حاصل می‌کنند [12 ] . موضوع دیگر، هرچند جدید نیست، در نظر گرفتن زمان کافی در پایگاه‌های اطلاعاتی مکانی است.

3.2.4. ویژگی های داده ها و دام های فضایی

تأثیر داده ها بر اعتبار و پایایی مدل و همچنین بر نمایش های احتمالی آشکار است. با این حال، داده های مکانی اغلب در مدل های غیر مکانی استفاده می شود، بدون در نظر گرفتن ویژگی های مکانی داده های ورودی. اثر سوگیری های فضایی بعدی باید به طور سیستماتیک بررسی و ارزیابی شود. همچنین پژوهش با توجه به مقیاس و سطح تجمیع (رزولوشن) داده ها و مدل ضروری است.
روال‌هایی برای تعیین ویژگی‌های مکانی و مکانی-زمانی داده‌ها، مانند همبستگی خودکار، به خوبی برای داده‌های استاتیک ایجاد شده است [ 26 ، 64 ، 65 ]. بنابراین، می توان بر این اساس تأثیر فضایی روی مدل ها را ارزیابی و حساب کرد. اقدامات مشابه برای داده های مکانی-زمانی بسیار پویا کمتر رایج است. تحقیقات بیشتری در مورد اینکه چگونه وابستگی‌های فضایی در مجموعه‌های داده پویا را می‌توان ارزیابی کرد و روال‌های مدل را بر این اساس تطبیق داد، مورد نیاز است. به طور مشابه، مدل‌های حمل و نقل ارتقا یافته فضایی باید سطح تجمع و مقیاس داده‌های پویا را در نظر بگیرند. روال‌های تجمع و تفکیک انعطاف‌پذیر باید برای مجموعه‌های داده‌های پویا ایجاد شود تا مدل‌های حمل‌ونقل به اندازه کافی تغذیه و کالیبره شوند.

3.2.5. هزینه اکتساب داده و تأثیر آن بر نتایج مدل

با سیل فعلی داده ها از یک سو، و عملکرد فزاینده مدل های حمل و نقل تفکیک شده از سوی دیگر، تغییرات غیرقابل شمارش پارامترسازی و تحلیل مدل در دسترس قرار گرفت. با این وجود، هنوز مشخص نیست که اعتبار و پایایی نتایج مدل به دلیل این فرصت‌های جدید تا چه حد افزایش یافته است. بنابراین، ما پیشنهاد می کنیم رابطه بین مقدار داده های ورودی، و همچنین تلاش (یا هزینه) اکتساب داده و کیفیت نتایج مدل را بررسی کنیم. نتایج به تحقیقات بیشتر و البته تخصیص بودجه برای مدل‌سازی حمل‌ونقل کمک می‌کند.

4. GIS و مدل های حمل و نقل تفکیک شده

فاصله فضایی بین فعالیت‌های روزمره – مانند کار، خرید و تفریح ​​- در دهه‌های گذشته به طور قابل‌توجهی افزایش یافته است و تأثیرات مستقیمی بر روال‌های سفر روزانه فردی دارد. مدینه فاضله های شهری مدرن، با مناطق عملکردی کاملاً مجزا (به عنوان مثال رجوع کنید به آنتونی [ 66] برای تأملی در آرمانشهرهای شهری لوکوربوزیه)، بر اساس این ضرورت و توانایی سفر ساخته شده اند. این آرمان‌شهرها نمونه‌های گویا از درک اساسی سفر در مدل‌های حمل‌ونقل تفکیک‌شده هستند، که در آن تحرک ناشی از مشارکت در فعالیت‌هایی است که از نظر فضایی از هم جدا شده‌اند. از این رو، وظیفه اصلی حمل و نقل، اتصال فعالیت ها در مکان های مختلف است. در حالی که مدل‌های حمل‌ونقل انبوه، مانند FSM، بر تعداد سفرها بین مناطق تحلیل ترافیک تمرکز می‌کنند، مدل‌های حمل‌ونقل تفکیک‌شده، سفرهای منفرد را با توجه به زنجیره‌های فعالیت فردی و ترجیحات سفر نشان می‌دهند. بنابراین، جریان‌هایی که از مدل‌های تفکیک‌شده پدید می‌آیند، خلاصه‌ای از ساختار فضای جغرافیایی و رفتار سفر فردی هستند.
بخش زیر مروری بر رویکردهای اصلی مدل‌سازی حمل‌ونقل تفکیک‌شده، و به دنبال آن جهت‌های تحقیقاتی مرتبط با جنبه‌های فضایی ارائه می‌کند.

4.1. وضعیت فعلی

مدل های حمل و نقل نشان دهنده بعد فضایی در سطوح مختلف تفکیک هستند. در یک انتها، مدل‌های مبتنی بر سفر، مانند FSM، وجود دارند که در یک سطح بلندمدت و بسیار تجمیع عمل می‌کنند [ 8 ]. برای پارامترسازی مدل‌های مبتنی بر سفر، می‌توان از داده‌های سرشماری به‌طور گسترده در دسترس استفاده کرد و مدل‌ها از نظر قدرت محاسباتی کارآمد هستند. بنابراین، آنها برای مدت طولانی یک رویکرد عمل گرایانه برای حمایت از برنامه ریزی زیرساخت بوده اند [ 67 ]. نمونه های کاربردی معمولی طراحی شبکه های خیابانی درجه بالاتر یا امکانات حمل و نقل عمومی است. سطح تجمع فضایی در مناطق تحلیل سفر بالا است و برای این منظور کافی است [ 68 ].
در انتهای دیگر سطح تفکیک، رویکردهای مبتنی بر فردی، مانند مدل‌های مبتنی بر فعالیت، ریزشبیه‌سازی‌ها و مدل‌های مبتنی بر عامل قرار دارند. هدف مدل‌های مبتنی بر فعالیت، نمایش مناسب‌تر رفتار اجتماعی انسان است [ 2 ، 14 ، 67 ]. این رویکرد توالی‌های فردی رفتار را شبیه‌سازی می‌کند (که «الگوهای روزانه» نیز نامیده می‌شود)، با این فرض که خانواده‌ها یا سایر ساختارهای اجتماعی به شدت بر رفتار سفر تأثیر می‌گذارند [ 68 ]. الگوهای فعالیت روزانه، سفرهای منفرد را در تورهای پیچیده تر سازماندهی می کند. از نظر مفهومی، مدل‌های مبتنی بر فعالیت همچنان می‌توانند بر اساس واحدهای فضایی تجمیع شده باشند. با این حال، مدل‌های اخیر تمایل دارند از مناطق کوچک استفاده کنند که جزئیات فضایی بیشتری را نشان می‌دهند، مانند بلوک‌های سرشماری یا حتی بسته‌های فردی [69 ]. واقع گرایی رفتاری در مدل های مبتنی بر فعالیت اغلب با رویکرد تفکیک فضایی ریزشبیه سازی همراه است.
ریزشبیه‌سازی به شبیه‌سازی افراد نمونه‌گیری شده از توزیع ویژگی‌های کل اشاره دارد و بنابراین، بر اساس روح مدل‌های آماری سنتی هستند [ 70 ]. از آنجایی که افراد مجرد به صراحت در یک مدل ریزشبیه‌سازی نشان داده می‌شوند، انتخاب‌ها و فعالیت‌های فردی آن‌ها را می‌توان در طول یک شبیه‌سازی ردیابی و به صورت منطقی ترکیب کرد. بنابراین، ریزشبیه‌سازی به توسعه مدل‌های ترافیکی پیچیده‌تر بر اساس انتخاب‌های احتمالی اجازه می‌دهد. نمونه‌گیری احتمالی درجه‌ای از تصادفی بودن را معرفی می‌کند، به طوری که مدل‌های ریزشبیه‌سازی در مقایسه با مدل‌های مبتنی بر سفر قطعی تصادفی هستند.
مدل‌های مبتنی بر عامل، در نهایت، ریشه در نظریه پیچیدگی دارند. کارگزاران افرادی “هوشمند” هستند که از بافت محلی خود آگاه هستند. برخلاف افراد در ریزشبیه‌سازی که مطابق با توزیع احتمال کل عمل می‌کنند، عامل‌ها در ABM بر اساس قوانین در پاسخ به محیط محلی‌شان، به عوامل همسایه‌شان و احتمالاً به تجربیات گذشته‌شان عمل می‌کنند. بنابراین، ارزش افزوده بعد فضایی به عنوان یک چارچوب یکپارچه می تواند به طور کامل در ABM ها آشکار شود. کاربردهای نمونه شامل اثر طرح‌های قیمت‌گذاری جاده بر الگوهای تراکم [ 71 ]، بهینه‌سازی زمان‌بندی سیگنال‌های ترافیکی [ 72 ]، ارتباطات خودرویی [ 73 ]، انتخاب مسیر آگاه از زمینه [ 74 ، 75] است.]، یا مکانیسمی که زمینه ساز پدیده ایمنی در اعداد است [ 76 ]. جنبه منفی رویکردهای مبتنی بر عامل، هزینه محاسباتی بالا [ 77 ، 78 ، 79 ] است، به طوری که وسعت مناطق مدل‌سازی شده، معمولاً به گذرگاه‌های خیابان، مناطق شهری منفرد یا شبکه‌های جاده‌ای انتزاعی محدود می‌شود. اخیراً، ABMها قادر به نمایش مناطق بزرگتر مانند کل مناطق رفت و آمد در اطراف شهرها شده اند [ 21 ، 80 ].
در عمل، تفاوت‌های بین سه رویکرد برای مدل‌سازی حمل‌ونقل تفکیک‌شده، مبهم است. ABM و میکروشبیه‌سازی گاهی اوقات به صورت مترادف استفاده می‌شوند و بسیاری از مدل‌ها ترکیبی از آنها هستند. به طور کلی، استفاده از مدل‌های حمل و نقل تفکیک‌شده هنوز به دلیل در دسترس بودن و دسترسی به داده‌ها و همچنین قدرت پردازش محدود است. با این حال، در حال حاضر مرز با سرعت بالایی در حال پیشبرد است. مجموعه‌ای از چارچوب‌ها برای پشتیبانی از مدل‌سازی تفکیک‌شده برای اهداف برنامه‌ریزی ترافیک و مدیریت در شبکه‌های بزرگ دنیای واقعی، با تمرکز عمدتاً بر روی تولید تقاضا یا تجزیه و تحلیل جریان، توسعه یافته‌اند. نمونه هایی از چنین چارچوب های مدل سازی عبارتند از TAPAS [ 81 ]، MATSIM [ 82 ]، SUMO [ 73 ]، ALBATROSS [ 83]]، TRANSIMS [ 84 ]، VISSIM [ 85 ]، TransCAD [ 86 ] و SACSIM [ 87 ]. علاوه بر این، ابزارهای شبیه‌سازی مبتنی بر عامل چند منظوره با قابلیت‌های انعطاف‌پذیرتر، مانند NetLogo [ 88 ] یا Repast [ 89 ]، در تحقیقات حمل‌ونقل برای کشف پدیده‌های ترافیکی اضطراری، عمدتاً در سطح مفهومی استفاده شده‌اند [ 76 ، 90 ، 91] ].
از منظر جغرافیایی، تغییر به سمت مدل های تفکیک شده به طور کلی و ABM ها به طور خاص، منعکس کننده روندی در جغرافیای حمل و نقل است که از نقشه های ایستا شروع شد و بیشتر به مسیریابی و ناوبری پویا توسعه یافت تا در نهایت رفتار موجودیت های گسسته را در بر گیرد [7 ] . ریزشبیه‌سازی فضایی به یک رویکرد اصلی برای ترکیب بعد جغرافیایی در مدل‌های حمل و نقل پویا تبدیل شده است. با این حال، اگر هدف خاص یک مدل نشان دادن ناهمگونی فضایی و کشف تأثیر آن بر پدیده‌های ترافیکی اضطراری باشد، میکروشبیه‌سازی باید احتمالات کل را برای هر آرایش مکانی خاص در مقیاس محلی تعریف کند. در چنین مواردی استفاده از قوانین زمینه خاص ABMها کارآمدتر است [ 92 ، 93]. حتی اگر ویژگی‌های همه عوامل یکسان باشد، بازنمایی صریح ناهمگونی فضایی منجر به ظهور الگوهای ترافیکی متمایز می‌شود.
در یک ساختار مکانی و زمانی معین، سیستم های حمل و نقل از رفتار انسان و تعاملات آنها پدید می آیند [ 69 ]. در حالی که رفتار را می توان در ریزشبیه سازی مبتنی بر فعالیت رمزگذاری کرد، نمایش تعامل و رفتار تطبیقی ​​در پاسخ به تعامل بین عوامل، مختص ABM ها است. نمی توان آن را با ریزشبیه سازی مبتنی بر احتمال نشان داد. ارزش افزوده نمایش رفتار تطبیقی ​​با ادغام نظریه بازی ارائه می شود. نظریه بازی، به طور کلی، با مدل هایی در مورد چگونگی واکنش مسافران منطقی به رفتار دیگران، یعنی به صورت مشارکتی یا خودخواهانه سر و کار دارد [ 94 ، 95] .]. تئوری بازی با استفاده از مدل‌های حمل‌ونقل فضایی می‌تواند منجر به ظهور الگوهای جریان غیرمنتظره شود. مثال‌ها شامل تعدادی پارادوکس است که در آن رفتار خودخواهانه افراد منجر به تأخیرهای غیرمنتظره در شبکه ترافیک می‌شود که با قصد اقدامات زیرساختی خاصی مقابله می‌کند (به عنوان مثال، [ 96 ]). با این حال، شولز [ 97 ] نشان داد که مدل‌های شبیه‌سازی با عوامل تطبیقی ​​و یادگیری منجر به الگوهای حرکتی مکانی-زمانی متفاوتی نسبت به عوامل کاملاً خودخواه می‌شوند.
چالش عمده‌ای که مدل‌های حمل‌ونقل تفکیک‌شده با آن مواجه هستند، از دست دادن عمومیت به خاطر واقع‌گرایی و مسائل مرتبط اعتبارسنجی مدل است [ 98 ، 99 ]. لیو و همکاران [ 100 ] به عدم تطابق در جزئیات و فراوانی نتایج شبیه‌سازی در مقابل داده‌های تعداد ترافیک اشاره کرد، که معمولاً برای اعتبارسنجی خارجی استفاده می‌شود. بنابراین، آنها پیشنهاد کردند که از داده‌های تلفن همراه به‌صورت لحظه‌ای و تفکیک‌شده برای اعتبارسنجی استفاده شود. یک استراتژی اعتبار سنجی امیدوارکننده برای ABM ها مدل سازی الگو محور است که در حوزه بوم شناسی برای ارزیابی اعتبار مدل ساختاری توسعه یافته است [ 101]. این رویکرد مجموعه‌ای از الگوها را برای ویژگی‌های مختلف و در سطوح مختلف مقیاس تعریف می‌کند که یک مدل برای اثبات اعتبار ساختاری باید به طور همزمان بازتولید کند. با انتقال به مدل‌سازی الگو محور تحقیق تحرک، می‌تواند برای اعتبارسنجی مدل‌های حمل‌ونقل مبتنی بر عامل مفید باشد [ 21 ]. با این حال، Batty و Torrens [ 70 ] نشان دادند که ABMها بر مفروضات بی‌شماری تکیه می‌کنند و بنابراین، تعداد زیادی درجات آزادی را نشان می‌دهند، که اعتبار مفهومی کامل چنین مدل‌هایی را در برابر داده‌ها غیرممکن می‌سازد. برای پرداختن به سوالات معرفت شناختی مرتبط، Millington و همکاران. [ 102 ] برای استفاده از رویکردهای اضافی برای اعتبارسنجی مدل و ارتباطات مبتنی بر روایات استدلال کرد.

4.2. جهت گیری های تحقیق

سوال اصلی که باید تحقیقات را از منظر فضایی هدایت کند این است که نمایش صریح ناهمگونی فضایی در مدل‌های حمل‌ونقل چه چیزی را برای پیشبرد درک ما از سیستم‌های حمل‌ونقل و رفتار تحرک انسانی ارائه می‌دهد. برای بهره برداری کامل از بعد جغرافیایی در مدل های حمل و نقل، تحقیقات بیشتر باید به سمت زمینه های ظهور، انطباق و اعتبار هدایت شود.

4.2.1. پدیده های نوظهور از ناهمگونی فضایی

استفاده از مدل‌های حمل‌ونقل تفکیک‌شده فضایی بر این فرض استوار است که در نظر گرفتن صریح فضای تفکیک‌شده به‌طور بحرانی بر نتایج در سطح کل تأثیر می‌گذارد. استانیلوف [ 103 ] یک نمای کلی از نقش فضا در ABM ها ارائه کرد که به چهار جنبه اصلی مربوط می شود: مسائل مقیاس، فضا به عنوان مؤلفه تعامل، فضا به عنوان ویژگی عوامل و محیط، و نقش فضا در ارتباطات و اعتبار سنجی. تحقیقات بیشتر باید به سمت تجزیه و تحلیل سیستماتیک این جنبه ها در زمینه مدل های حمل و نقل فضایی، به ویژه با توجه به ویژگی های بالقوه به دلیل نمایش فضای شبکه، هدایت شود.

4.2.2. پدیده های اضطراری ناشی از رفتار تطبیقی

مدل‌های مبتنی بر فعالیت، تغییر تمرکز را از مدل‌های تقاضای مبتنی بر کاربری زمین به مدل‌هایی که توسط رفتار انسان کنترل می‌شوند، به همراه داشته است. رویکردهای مبتنی بر عامل، قابلیت کارگزاران را برای تعامل، یادگیری و تطبیق رفتار خود با توجه به تجربیات قبلی و زمینه‌های محلی، بیشتر کرده است. با این حال، تا همین اواخر، ABM های مربوطه تا حد زیادی به بازنمایی های فضایی انتزاعی محدود شده بودند. این محدودیت حداقل به دلیل کمبود داده های کافی بود که امکان توصیف رفتار انسان را فراهم می کند. امروزه، داده‌های مربوط به تحرک فردی انسان به طور فزاینده‌ای از طریق شبکه‌های اجتماعی و شبکه‌های حسگر بی‌درنگ توزیع شده قابل دسترسی است. علاوه بر این، داده‌های تحرک از شبکه‌های رسانه‌های اجتماعی به چندین بعد اجتماعی مرتبط هستند که ممکن است به عنوان شاخص‌هایی برای رفتار تحرک (علایق،و غیره ). بنابراین تحقیقات بیشتر باید به ادغام رفتار تطبیقی ​​که توسط این منابع داده جدید در دسترس تسهیل می شود، بپردازد. کاوش مفاهیم مبتنی بر تئوری، به عنوان مثال، نظریه بازی، باید سپس در زمینه‌های دنیای واقعی مورد ارزیابی قرار گیرد، که می‌توان انتظار داشت که بینش‌های مهم بیشتری در مورد سیستم‌های حمل و نقل ارائه دهد.

4.2.3. محدود به پیچیدگی؟ دیدگاه های جدید در اعتبارسنجی

در سال‌های اخیر، مدل‌های استاتیک و بسیار تجمیع شده تکمیل شده‌اند و به طور فزاینده‌ای جایگزین مدل‌های مبتنی بر عامل می‌شوند. پیامد این روند حداقل پذیرش پیچیدگی و عدم قطعیتی است که در این مدل ها نهفته است. تحقیقات بیشتر باید به پیامدهای محدودیت های مفهومی که از این سطح بالایی از پیچیدگی سرچشمه می گیرند، بپردازد. جهت‌های تحقیقاتی ممکن می‌توانند از رویکردهای جدید اعتبارسنجی ABM که در حوزه‌های دیگر پیشنهاد شده‌اند، مانند مدل‌سازی الگومحور در بوم‌شناسی یا رویکرد روایی در علوم سیستم فضایی، وام بگیرند.

5. نقش (Geo-) تجسم در مدل سازی حمل و نقل

برای مدت طولانی، نقش تجسم جغرافیایی در مدل‌سازی حمل‌ونقل محدود به نمایش نقشه‌برداری نتایج نهایی بود [ 9 ]. با هدایت دو خط توسعه تکمیل کننده، این در سال های اخیر شروع به تغییر کرده است. اولاً، از طریق ظهور محیط‌های تجسم تعاملی (جغرافیایی)، ظهور Visual Analytics [ 104 ، 105 ] و در دسترس بودن مجموعه داده‌های عظیم، تجسم جغرافیایی فراتر از حوزه‌های اصلی جغرافیا و نقشه‌برداری به طور فزاینده‌ای محبوب شده است [ 106]]. ثانیا، ارتباط روزافزون تجسم جغرافیایی در مدل‌سازی حمل‌ونقل را می‌توان به تغییر پارادایم از رویکردهای مدل‌سازی بسیار تجمیع‌شده به روش‌های مدل‌سازی تفکیک‌شده نسبت داد، که تمرکز قوی‌تری بر ناهمگونی و وابستگی‌های متقابل رفتار تحرک دارد و منجر به اطلاعات دقیق درباره فعالیت‌های فردی می‌شود. الگوها در این زمینه، تجسم‌های جغرافیایی بیش از ارائه‌های بصری نتایج مدل نهایی هستند، اما ابزارهای قدرتمندی هستند که “تفکر بصری را در مورد الگوهای جغرافیایی، روابط و روندها تحریک می‌کنند” [ 107]] (ص 391). با این وجود، پتانسیل تجسم (ژئو) در مدل سازی حمل و نقل هنوز به طور کامل مورد استفاده قرار نگرفته است. تاکنون، تنها تعداد کمی از نمونه‌ها موجود است که از تکنیک‌های تجسم (جغرافیایی) به منظور کاوش داده‌های ورودی و تشکیل عناصر مدل، اعتبارسنجی نتایج مدل، یا برقراری ارتباط محتوای پویا استفاده می‌کنند [11 ، 108 ، 109 ]]. با این حال، پیاده‌سازی روش‌ها و فن‌آوری‌های تجسم جغرافیایی موجود در مدل‌سازی حمل‌ونقل و توسعه کاربردهای خاص دامنه برای کل حوزه GIS-T و تحقیقات حمل‌ونقل امیدوارکننده در نظر گرفته می‌شود. بنابراین، ما مفاهیم تجسم (جغرافیایی) را برای مدل‌های حمل و نقل جمع‌آوری می‌کنیم و مطالعات موردی را ارائه می‌کنیم که از ویژگی‌ها و پلت‌فرم‌های تجسم متفاوت استفاده می‌کنند. مانند دو بخش قبل، دستورالعمل‌های تحقیق را تکمیل می‌کنیم.

5.1. وضعیت فعلی

اگرچه مدل‌های حمل و نقل تفکیک‌شده به داده‌ها نیاز دارند و حسگرهای فراوانی این مدل‌ها را با داده تغذیه می‌کنند، تکنیک‌های تجسم (جغرافیایی) به سختی به عنوان رابطی برای این سیل داده و مدل‌های حمل و نقل ساخته شده بر روی آن استفاده می‌شوند. بنابراین، مدل‌سازان فرصت‌هایی را از دست می‌دهند، به‌عنوان مثال، برای غربالگری بصری و اعتبارسنجی داده‌های ورودی و متعاقباً بررسی عناصر مدل، حالت‌های شبیه‌سازی یا تکامل نتایج مدل نهایی. مفاهیم تجسم که ریشه در جغرافیای فضا-زمان دارند برای داده های انتقال در دسترس هستند [ 110 ، 111 ، 112 ، 113 ، 114]، اما هنوز مستقیماً در گردش کار مدلسازی حمل و نقل یکپارچه نشده اند. در سطح اساسی تر، اصول طراحی کلی از نقشه کشی و تجسم اطلاعات را می توان برای انتقال داده ها به منظور دسترسی به داده ها به کار برد. قبل از ارائه یک نمای کلی از مفاهیم تجسم (جغرافیایی) موجود و اصول طراحی برای داده ها و مدل های حمل و نقل، مرحله را تنظیم کرده و به طور خلاصه به چارچوب کلی برای تجسم داده ها و مدل های حمل و نقل می پردازیم.

5.1.1. چارچوب کلی برای تجسم داده ها و مدل های حمل و نقل

استفاده از مفاهیم تجسم (جغرافیایی) برای انتقال داده ها و مدل ها مستلزم در نظر گرفتن طیف گسترده ای از جنبه های مختلف است که به نوبه خود بر انتخاب طرح های مناسب و محیط های تجسم تأثیر می گذارد. در ابتدایی ترین سطح، این بدان معناست که باید تصمیم گرفت که چه چیزی، برای چه کسی و برای چه هدفی تجسم شود. گسترش این سؤالات اساسی چارچوب کلی برای تجسم داده های حمل و نقل را تعریف می کند. شکل 3 ابعادی را که باید در زمینه ما در نظر گرفته شود و البته به شدت به یکدیگر وابسته هستند، خلاصه می کند.
نوع داده در دست مورد توجه اصلی است، زیرا بر تمام تصمیمات متوالی تأثیر می گذارد. در حوزه مدل‌سازی حمل‌ونقل، انواع داده‌های زیر مرتبط هستند: داده‌های نقطه‌ای (مثلاً مکان‌های فعالیت، توقف‌های حمل‌ونقل عمومی)، ویژگی‌های خط (مثلاً، مسیرها، جریان‌های ترافیکی انبوه)، داده‌های چندضلعی (مانند تراکم جمعیت در مناطق سرشماری، ترافیک مناطق تجزیه و تحلیل)، داده های مبتنی بر ماتریس (به عنوان مثال، ماتریس های OD، جدول زمانی) و داده های توصیفی (به عنوان مثال، داده های اجتماعی-اقتصادی، ترجیحات فرهنگی، عادات تحرک).
در حالی که انواع مختلفی از تجسم ها به طور گسترده برای ارتباط نتایج مدل های حمل و نقل استفاده شده اند [ 9 ]، استفاده از تجسم ها به عنوان رابطی برای فرآیند مدل سازی هنوز در حوزه مدل سازی حمل و نقل ایجاد نشده است. در اینجا، تحولات پارادایماتیک اخیر در حوزه جغرافیا و نقشه برداری به سمت تجزیه و تحلیل ژئوویژوال [ 115 ، 116 ، 117 ، 118] چارچوب‌ها و ابزارهای مفهومی و روش‌شناختی جدیدی را برای تجسم‌سازی فراهم می‌کند که از فرآیند مدل‌سازی در تحقیقات حمل‌ونقل پشتیبانی می‌کند. بنابراین، یک مخاطب هدف جدید از تجسم‌ها، یعنی توسعه‌دهنده مدل و کارشناسان دامنه که با مدل تعامل دارند، قابل شناسایی هستند و باید بر این اساس در نظر گرفته شوند.
هدف تجسم که به طور تنگاتنگی با مخاطبی که قرار است مورد خطاب قرار گیرد، ارتباط مستقیمی بر طراحی محیط تجسم دارد. برای فرآیند مدل‌سازی حمل‌ونقل، ما کاوش داده، ساخت مدل (ادغام داده‌ها)، کالیبراسیون (تعامل و دستکاری)، اعتبارسنجی، و ارتباط فرآیندها و نتایج را به عنوان اهداف مرتبط در نظر می‌گیریم. تنها چند نمونه در ادبیات وجود دارد که در آن تکنیک‌های تجسم برای تعامل با داده‌ها و مدل به‌ترتیب استفاده می‌شود: Andrienko و Andrienko [ 104 ] یک پلت‌فرم Visual Analytics برای تشخیص الگو در داده‌های مسیر عظیم ایجاد کردند. پیکوزی و همکاران [ 119] یک رابط بصری برای اکتشاف یک سیستم حمل و نقل در دنیای واقعی ارائه کرد. سیگانسکی و همکاران [ 109 ] از تکنیک های نقشه برداری در یک محیط مدل سازی حمل و نقل به منظور اعتبار سنجی و ارتباطات استفاده کرد. مثال اخیر یکی از معدود مواردی است که در آن تجسم جغرافیایی و مدل‌سازی حمل‌ونقل در یک محیط یکپارچه ترکیب شده‌اند.
سطح مورد نظر از جزئیات ارتباط نزدیکی با نوع اطلاعاتی دارد که قرار است تجسم شود (هدف) و با ویژگی های داده های موجود محدود می شود. رویکردهای تجمیع قابل اجرا شامل تجمیع فضایی، زمانی و موضوعی است. سطوح بالقوه جزئیات، به عنوان مثال، از مسیرهای GPS منفرد یا مکان‌یابی دقیق، عوامل منفرد تا جریان‌های انبوه بین TAZها را در بر می‌گیرد. در مواردی که اساساً دینامیک در طول زمان به صورت بصری منتقل می شود، مرجع فضایی می تواند تا حدی یا به طور کامل حذف شود.
تجسم در یک محیط دیجیتال امکان طیف گسترده ای از ویژگی های تعاملی را فراهم می کند. در اینجا، از مزایای تجسم جغرافیایی به عنوان بخشی یکپارچه از فرآیند مدل‌سازی می‌توان به طور کامل بهره‌برداری کرد. فریدا و همکاران برای مثال، [ 108 ] یک نمونه اولیه GIS شی گرا برای استخراج و تجسم دینامیکی مسیرهای فضا-زمان فردی از زنجیره های فعالیت جدولی ارائه کرد. چن و همکاران [ 120 ] این مفهوم را بیشتر پیش برد و یک محیط اکتشافی متقابل مبتنی بر GIS برای خاطرات فعالیت ارائه کرد. مجدداً، مثال‌هایی برای تعامل بصری با داده‌های حمل‌ونقل از جوامع GIS و Visual Analytics متعدد است، اما به ندرت در محیط‌های مدل‌سازی حمل‌ونقل منتقل و ادغام می‌شوند.
رسانه خروجی در مورد گزینه هایی برای نمایش بصری (جغرافیایی) داده ها و فرآیندهای مدل تصمیم می گیرد. رسانه های دیجیتال و تعاملی زمانی مرتبط هستند که از رابط های بصری در مدل سازی حمل و نقل استفاده می شود.

5.1.2. مفاهیم ژئو تجسم برای داده ها و مدل های حمل و نقل

از آنجایی که داده‌ها و مدل‌های حمل‌ونقل به طور مشخصی پویا هستند، مفاهیم تجسم باید بعد زمانی را به اندازه کافی تصدیق کنند. در تجسم جغرافیایی، پدیده‌های پویا معمولاً یا با نمادهای نقشه (فلش‌ها، برچسب‌ها)، مضرب کوچک یا انیمیشن‌ها نشان داده می‌شوند [ 121 ، 122 ]. این مفاهیم با عناصر تعاملی و با گسترش نمایش مسطح با یک بعد اضافی تکمیل می‌شوند که منجر به تجسم‌های 2.5 بعدی (اکستروژن نمایش دو بعدی) یا سه بعدی می‌شود. جدول 1 یک نمای کلی از مفاهیم تجسم برای داده های حمل و نقل را ارائه می دهد که با موارد استفاده انتخاب شده نشان داده شده است. برای بررسی گسترده تر، به Chen et al. [ 123 ].
همانطور که در چندین مطالعه ذکر شده در جدول 1 نشان داده شده استمحیط‌های تعاملی، کاوش داده‌های انتقال مکانی-زمانی را در سطوح مختلف تجمع و از طریق انواع تجسم (فضایی و غیر مکانی) تسهیل می‌کنند. مفاهیم ژئو تجسم در سطح بالایی از تعمیم برای ارائه یک نمای کلی از کل منطقه مورد مطالعه و کل دوره زمانی ضروری است. نمونه‌های برجسته تجسم فعالیت کلی در یک منطقه شامل نقشه‌های حرارتی و نقشه‌های چگالی و جریان فضا-زمان است. دومی، همراه با فیلدهای برداری، تحلیلگران را قادر می سازد تا جهت و حجم جریان را به طور همزمان تجسم کنند. در سطح متوسطی از جزئیات، مفاهیم تجسم جغرافیایی برای تمرکز بر یک منطقه، فاصله زمانی یا موضوع خاص استفاده می شود. روابط بین مبدا و مقصد انتخاب شده، الگوهای تحرک یک روز معین، یا ویژگی های سفر یک روش حمل و نقل خاص را می توان با جزئیات بیشتری در مقایسه با یک چشم انداز کلی تجسم کرد. مفاهیم ژئو تجسم برای جزئی ترین سطح در زمینه مدل های حمل و نقل تفکیک شده و ریزشبیه سازی ها اهمیت فزاینده ای پیدا می کنند (به عنوان مثال، Guo را ببینیدو همکاران [ 124 ]). با تکیه بر مفاهیم جغرافیای زمانی [ 1 ]، نقش سیستم های اطلاعات جغرافیایی در تجسم داده های بسیار دقیق به طور گسترده ای در ادبیات پیش بینی شده است [ 2 ].

5.1.3. ویژگی های کارآمد ژئو تجسم

طیف وسیعی از ابزارها و قابلیت‌های جغرافیایی بصری در حوزه‌های تجسم اطلاعات، نقشه‌برداری و علم اطلاعات جغرافیایی (GIScience) بزرگ و به خوبی تثبیت شده است . برای تجسم داده‌ها و مدل‌های حمل‌ونقل، ویژگی‌های زیر را می‌توان ضروری در نظر گرفت: نمای کلی، مته کردن، فیلتر و پرس و جو، اجتناب از انسداد (مثلاً از طریق خوشه‌بندی)، مقایسه، انیمیشن و عملکردهای چاپ یا گزارش.
برای ارائه اطلاعات زمینه مکانی، زمانی و موضوعی لازم به کاربران، ویژگی های نمای کلی باید یک نمای کلی و کلی از داده ها ارائه دهد. بسته به هدف نقشه و گروه کاربری آدرس‌دهی شده، نقشه‌های پایه و همپوشانی‌ها به چارچوب‌بندی داده‌ها و قرار دادن آنها در یک زمینه فضایی و موضوعی کمک می‌کنند. برای کنترل سطح جزئیاتی که نمایش داده می‌شود، ویژگی‌های دریل کردن، فیلتر کردن و پرس و جو به کاربر اجازه می‌دهد از یک نمای کلی تعمیم‌یافته به نماهای دقیق‌تر پیشروی کند [ 123 ]. علاوه بر کاهش پیچیدگی از طریق فیلتر کردن، الگوریتم‌های خوشه‌بندی هوشمند [ 128 ] و ورودی‌های پویا [ 138]] برای جلوگیری از انسداد بینایی و اضافه بار در حال توسعه هستند. به منظور تسهیل درک بهتر تغییرات، به عنوان مثال، از طریق پارامترهای مدل متغیر یا بین فواصل زمانی، ارائه ابزار مقایسه مناسب ضروری است. به طور مشابه، ویژگی‌های انیمیشن، که معمولاً در نرم‌افزار GIS پیاده‌سازی می‌شوند (مانند QGIS Time Manager [ 139 ])، کاوش تغییرات را در طول زمان تسهیل می‌کنند. اصولاً به منظور برقراری ارتباط و به اشتراک گذاری نتایج، چارچوب های تجسم جغرافیایی باید دسترسی به ویژگی های چاپ، گزارش و صادرات را فراهم کنند. فرمت های تبادل استاندارد، مانند SVG برای گرافیک برداری، و رابط ها، در این زمینه ترجیح داده می شوند.
در حالی که همه این ویژگی‌ها قبلاً در بسته‌های نرم‌افزاری مستقل و خاص پیاده‌سازی شده‌اند، ادغام مستقیم در محیط‌های مدل‌سازی حمل‌ونقل هنوز در بیشتر موارد وجود ندارد. بنابراین، تعامل پویا با داده‌ها و مدل‌های انتقال از طریق یک رابط بصری در طول کل فرآیند مدل‌سازی، دشوار است. مدل‌های حمل و نقل تفکیک‌شده معمولاً بر روی مجموعه‌های داده بزرگ ساخته می‌شوند، که به سختی می‌توان از قبل به طور کامل بر آن‌ها نظارت کرد، و به هر حال ABM‌ها درجه زیادی از آزادی را نشان می‌دهند. در اینجا، مفاهیم Geovisual Analytics با عناصر قیاسی، تعداد تکرار زیاد و پاسخ بصری فوری به کشف داده ها، آزمون فرضیه ها و به دست آوردن بینش خود به خود کمک می کند (به Keim et al. [117 مراجعه کنید )] در فرآیند Visual Analytics).

5.2. جهت تحقیق

مجموعه ادبیات مربوط به تجسم جغرافیایی عظیم است و دائماً در حال رشد است. بنابراین می توان بیان کرد که مفاهیم، ​​روش ها و ابزارها در دسترس و تثبیت شده اند. با این حال، تا کنون پتانسیل های استفاده نشده برای تجسم جغرافیایی در حوزه مدل سازی حمل و نقل را می بینیم. همانطور که بحث کردیم، Geovisual Analytics [ 115] تجسم ها را نه تنها به عنوان رسانه ارائه یا ارتباط، بلکه به عنوان یک رابط پویا و تعاملی برای داده ها و مدل ها ترویج می کند. در حالی که تجسم های جذاب، که در نظر گرفته شده اند به عنوان چشم نواز عمل کنند، جایگاه خود را در مدل سازی حمل و نقل دارند، ادغام ابزارهایی برای استخراج بصری الگوها، پویایی ها و وابستگی های متقابل برای فرآیندهای مدل سازی هنوز در مراحل ابتدایی خود است. در این زمینه، ما دستورالعمل‌های تحقیقاتی زیر را می‌بینیم – البته نه فراگیر.

5.2.1. توسعه دستورالعمل های تجسم جغرافیایی

تکنیک های تجسم و انیمیشن کاربران را قادر می سازد تا انواع زیادی از بازنمایی های جغرافیایی بصری را توسعه دهند. مقالات اخیر (به عنوان مثال، [ 109 ، 123 ، 124 ، 128 ]) به مشکل یافتن انواع مناسب نمایش‌های بصری (جغرافیایی) می‌پردازد که تعامل شهودی با مجموعه‌ها و مدل‌های داده‌های گسترده و پیچیده را تسهیل می‌کند. ما انتظار داریم که در آینده نزدیک مدل سازی حمل و نقل، GIS و Geovisual Analytics بسیار محکم تر از امروز یکپارچه شوند. با توجه به این پیشرفت، ما خواستار تحقیق در مورد دستورالعمل‌هایی برای شناسایی و پیاده‌سازی مفاهیم و ابزارهای مناسب تجسم جغرافیایی در محیط‌های مدل‌سازی حمل‌ونقل با توجه به ابعاد خلاصه‌شده در شکل 3 هستیم..

5.2.2. معاوضه بین دسترسی بصری و سطح جزئیات

با افزایش در دسترس بودن داده های بسیار دقیق، لازم است به سؤال سطح مناسب از جزئیات با قدرت بیشتری پرداخته شود. مبادله بین دسترسی بصری و سطح جزئیات باید برای منابع مختلف داده و مقیاس های مدل بررسی شود. با این حال، این سوال نه تنها از منظر تجسم جغرافیایی مرتبط است، بلکه بر مدل‌های حمل‌ونقل تأثیر می‌گذارد. بنابراین، تحقیقات بیشتر نیاز به تعیین مزیت داده های بسیار دقیق نسبت به داده های انباشته برای نتایج مدل و رابط جغرافیایی-بصری مربوطه دارد. در زمینه دوم، تحقیق باید به سمت الگوریتم‌های تجمیع و خوشه‌بندی هوشمند با توجه به توان محاسباتی و زمان پاسخ هدایت شود.

5.2.3. مدل ارتباطی و دینامیک فرآیند

از آنجایی که مدل‌ها و تجسم‌های مشتق‌شده اغلب برای تصمیم‌گیری استفاده می‌شوند، ارتباط صحیح عدم قطعیت‌های ذاتی در داده‌های ورودی، حساسیت پویایی مدل و واریانس نتایج مدل حیاتی است. به‌ویژه در تحلیل سناریو – یک زمینه اصلی کاربرد برای مدل‌سازی حمل‌ونقل – تحلیل‌گران اغلب مجبورند با مفروضات و پیش‌بینی‌های مختلفی سر و کار داشته باشند که پیامدها و وابستگی‌های متقابل آنها در نگاه اول آشکار نیست. منابع عدم قطعیت عبارتند از، برای مثال، واریانس در پیش بینی های جمعیت، حساسیت به دلیل مشخصات پارامترهای تخمینی، یا انطباق رفتار نسبتاً غیرقابل پیش بینی کاربران جاده در طول زمان. این عوامل تاثیرگذار اغلب منجر به طیفی از سناریوهای آینده نگر می شوند تا یک پیش بینی قطعی. در نهایت، این سوال تحقیق را مطرح می کند که چگونه می توان میزان و تأثیر عدم قطعیت در سطوح مختلف تجسم مدل حمل و نقل را مدیریت کرد. به ویژه، درک این موضوع ضروری است که چگونه می توان برنامه ریزان و تصمیم گیرندگان را قادر ساخت تا تحت این شرایط به تصمیمات آگاهانه دست یابند.

5.2.4. ابزار مناسب برای کار

داده‌های مکانی را نمی‌توان تنها در نرم‌افزار سنتی GIS بررسی کرد. مجموعه نرم‌افزار مدل‌سازی حمل و نقل استاندارد، قابلیت‌های فضایی رو به رشدی را ارائه می‌کند (به عنوان مثال، ویرایش شبکه). علاوه بر این، زبان های برنامه نویسی و برنامه نویسی به طور فزاینده ای امکان تجزیه و تحلیل فضایی و عملکردهای تجسم جغرافیایی را از طریق کتابخانه های فضایی فراهم می کنند. در این زمینه جاوا (پردازش)، پایتون، R و جاوا اسکریپت (D3) به دلیل محبوبیت آنها نامگذاری می شوند. در حالی که بسته‌های GIS فعلی در ترکیب با پایگاه‌های اطلاعاتی فضایی برای مقابله با پیچیدگی داده‌ها مناسب هستند، معمولاً عملکرد رندر مناسبی را برای تعامل بصری با مقادیر زیادی از داده‌های حمل‌ونقل ارائه نمی‌دهند. از این رو، تحقیقات و توسعه آینده برای ترکیب عملکردهای جغرافیایی با مدل سازی حمل و نقل، در حالی که ارائه یک کارآمد، تعاملی، مورد نیاز است.

6. نتیجه گیری

ما استدلال کرده‌ایم که ارتباط اطلاعات مکانی برای مدل‌سازی حمل و نقل قابل توجه است، اما هنوز در اکثر موارد به اندازه کافی در نظر گرفته نشده است. در این زمینه، ما به سه موضوع اساسی و فضایی اشاره کرده‌ایم که به ناچار بر هر نتیجه مدل حمل‌ونقل تأثیر می‌گذارند، یعنی MAUP، وابستگی‌های فضایی و ناهمگونی فضایی. همانطور که اشاره کردیم، این ویژگی ها را می توان به اندازه کافی با GIS در نظر گرفت. علاوه بر این، نقش اطلاعات مکانی در مدل های حمل و نقل لزوما بیشتر تقویت خواهد شد. این عمدتاً به دلیل تغییرات اساسی در حوزه مدل‌سازی حمل‌ونقل است: از کمبود داده به سیل داده، از توسعه زیرساخت‌ها به مدیریت هوشمند، و از مدل‌های انبوه به مدل‌های تفکیک‌شده.
با در نظر گرفتن همه این جنبه ها با هم، ما یک مورد قوی برای ادغام اطلاعات مکانی در مدل های حمل و نقل ارائه کرده ایم. ما سه زمینه را در زمینه مدل‌سازی حمل‌ونقل شناسایی کردیم که در آن دیدگاه فضایی را ضروری می‌دانیم و شکاف‌های تحقیقاتی قابل‌توجهی را مشاهده می‌کنیم: (1) وضعیت فعلی استفاده از داده‌های مکانی برای مدل‌های حمل‌ونقل. (2) پیامدهای فضایی مدل های حمل و نقل تفکیک شده. و (3) تجسم جغرافیایی. جهت‌های تحقیق، با پرسش‌های پژوهشی نمونه‌ای، که ما برای زمینه‌های مربوطه فرمول‌بندی کرده‌ایم، بر جنبه‌های مرتبط فضایی تمرکز می‌کنند و به دستور کار پژوهشی برای کارهای بین‌رشته‌ای آینده در تقاطع GIS و مدل‌سازی حمل‌ونقل کمک می‌کنند. همانطور که در چندین نقطه مشخص شد، بعد مکانی از بعد زمانی و انسانی جدا نیست.

اختصارات

از اختصارات زیر در این دست نوشته (به ترتیب حروف الفبا) استفاده شده است:

ABM مدل مبتنی بر عامل
API رابط های برنامه نویسی کاربردی
FCD داده های شناور خودرو
FSM مدل چهار مرحله ای
GIS سیستم های اطلاعات جغرافیایی
GIScience علم اطلاعات جغرافیایی
GIS-T GIS برای حمل و نقل
جی پی اس سیستم موقعیت یاب جهانی
GTFS مشخصات عمومی خوراک حمل و نقل
GWR تحلیل رگرسیون دارای وزن جغرافیایی
فناوری اطلاعات و ارتباطات فناوری اطلاعات و ارتباطات
الهام بخشیدن زیرساخت اطلاعات فضایی در جامعه اروپا
ITS سیستم های حمل و نقل هوشمند
MAUP مشکل واحد مساحتی قابل تغییر
OD مقصد اصلی
PSI اطلاعات بخش عمومی (دستورالعمل 2003/98/EC)
تاز منطقه تحلیل ترافیک

منابع

  1. Hägerstraand, T. در مورد افراد در علم منطقه چطور؟ پاپ Reg. علمی 1970 ، 24 ، 7-24. [ Google Scholar ] [ CrossRef ]
  2. Buliung، RN; کناروگلو، تحقیق رفتار PS فعالیت-سفر: مسائل مفهومی، وضعیت هنر، و دیدگاه‌های نوظهور در مورد تحلیل رفتاری و مدل‌سازی شبیه‌سازی. ترانسپ Rev. 2007 , 27 , 151-187. [ Google Scholar ] [ CrossRef ]
  3. میلر، HJ مدل‌سازی دسترسی با استفاده از مفاهیم منشور فضا-زمان در سیستم‌های اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. سیستم 1991 ، 5 ، 287-301. [ Google Scholar ] [ CrossRef ]
  4. Waters, N. Transportation GIS: GIS-T. در سیستم های اطلاعات جغرافیایی: اصول، تکنیک ها، مدیریت و کاربردها . Longley، PA، Goodchild، M.، Maguire، DJ، Rhind، DW، Eds. Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1999; صص 827-844. [ Google Scholar ]
  5. میلر، HJ مشارکت بالقوه تجزیه و تحلیل فضایی به سیستم های اطلاعات جغرافیایی برای حمل و نقل (GIS-T). Geogr. مقعدی 1999 ، 31 ، 373-399. [ Google Scholar ] [ CrossRef ]
  6. تیل، جی.-سی. سیستم های اطلاعات جغرافیایی برای حمل و نقل در چشم انداز ترانسپ Res. قسمت C Emerg. تکنولوژی 2000 ، 8 ، 3-12. [ Google Scholar ] [ CrossRef ]
  7. Goodchild، MF GIS و حمل و نقل: وضعیت و چالش ها. GeoInformatica 2000 ، 4 ، 127-139. [ Google Scholar ] [ CrossRef ]
  8. Ortúzar، JDD; Willumsen، LG Modeling Transport ، ویرایش چهارم. جان وایلی و پسران: چیچستر، بریتانیا، 2011. [ Google Scholar ]
  9. دوکر، کی جی. پنگ، Z.-R. سیستم های اطلاعات جغرافیایی برای حمل و نقل (GIS-T). In Handbook of Transport Modeling , 2nd .; Hensher, D., Button, KJ, Eds. الزویر: آمستردام، هلند، 2008; صص 303-327. [ Google Scholar ]
  10. میلر، اچ. Goodchild، M. جغرافیای داده محور. GeoJournal 2015 ، 80 ، 449-461. [ Google Scholar ] [ CrossRef ]
  11. شاو، اس.-ال. سیستم های اطلاعات جغرافیایی برای حمل و نقل: از گذشته ایستا تا آینده ای پویا ان GIS 2010 ، 16 ، 129-140. [ Google Scholar ] [ CrossRef ]
  12. میلر، اچ جی; شاو، اس.-ال. سیستم های اطلاعات جغرافیایی برای حمل و نقل در قرن 21 Geogr. Compass 2015 ، 9 ، 180-189. [ Google Scholar ] [ CrossRef ]
  13. مک نالی، ام جی مدل چهار مرحله ای. در کتابچه راهنمای مدل سازی حمل و نقل ; Hensher, D., Button, KJ, Eds. الزویر: آمستردام، هلند، 2008; صص 35-53. [ Google Scholar ]
  14. Balmer, M. مدل‌سازی تقاضای سفر برای شبیه‌سازی‌های حمل و نقل چند عاملی: الگوریتم‌ها و سیستم‌ها . ETH Zurich: زوریخ، سوئیس، 2007. [ Google Scholar ]
  15. ون آکر، وی. ون وی، بی. Witlox، F. وقتی جغرافیای حمل و نقل با روانشناسی اجتماعی روبرو می شود: به سمت یک مدل مفهومی از رفتار سفر. ترانسپ Rev. 2010 , 30 , 219-240. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. مک نالی، ام جی; Rindt، CR رویکرد مبتنی بر فعالیت. در کتابچه راهنمای مدل سازی حمل و نقل ; Hensher, D., Button, KJ, Eds. الزویر: آمستردام، هلند، 2008; صص 55-73. [ Google Scholar ]
  17. Wong, D. مسئله واحد منطقه ای قابل اصلاح (MAUP). در کتاب حکیم تحلیل فضایی ; Fotheringham, S., Rogerson, PA, Eds. SAGE Publications Ltd.: لندن، انگلستان، 2009; صص 105-123. [ Google Scholar ]
  18. مانلی، دی. فلاوردیو، ر. فولاد، D. مقیاس ها، سطوح و فرآیندها: مطالعه الگوهای فضایی متغیرهای سرشماری بریتانیا. محاسبه کنید. محیط زیست سیستم شهری 2006 ، 30 ، 143-160. [ Google Scholar ] [ CrossRef ]
  19. Parenteau، M.-P. ساوادا، MC مشکل واحد منطقه ای قابل اصلاح (MAUP) در رابطه بین قرار گرفتن در معرض شماره 2 و سلامت تنفسی. بین المللی J. Health Geogr. 2011 ، 10 ، 1-15. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. ویگاس، جی.ام. مارتینز، ال.ام. سیلوا، EA اثرات مسئله واحد منطقه ای قابل تغییر بر ترسیم مناطق تحلیل ترافیک. محیط زیست طرح. B طرح. طراحی 2009 ، 36 ، 625-643. [ Google Scholar ] [ CrossRef ]
  21. والنتین، جی. Loidl، مدل ترافیک دوچرخه مبتنی بر M. برای شهر سالزبورگ. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 558-566. [ Google Scholar ] [ CrossRef ]
  22. پائز، آ. Scott، DM آمار فضایی برای تحلیل شهری: مروری بر تکنیک ها با مثال. جئوژورنال 2004 ، 61 ، 53-67. [ Google Scholar ] [ CrossRef ]
  23. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  24. سنر، IN; پندیالا، RM; Bhat، CR تطبیق همبستگی فضایی بین گزینه‌های انتخابی در مدل‌های انتخاب گسسته: برنامه‌ای برای مدل‌سازی رفتار انتخاب مکان مسکونی. J. Transp. Geogr. 2011 ، 19 ، 294-303. [ Google Scholar ] [ CrossRef ]
  25. بولدوک، دی. Dagenais، MG; Gaudry، MJI خطاهای همبسته فضایی در مدل‌های مبدا-مقصد: مشخصات جدیدی که برای انتخاب حالت جمعی اعمال می‌شود. ترانسپ Res. قسمت B Meth. 1989 ، 23 ، 361-372. [ Google Scholar ] [ CrossRef ]
  26. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  27. براندون، سی. فاثرینگهام، اس. چارلتون، ام. عدم ایستایی فضایی مدل‌سازی رگرسیون جغرافیایی وزن‌دار. JR Stat. Soc Ser. D (آمار) 1998 ، 47 ، 431-443. [ Google Scholar ] [ CrossRef ]
  28. لوپس، اس. برودینو، ن. Rodrigues da Silva، A. ابزارهای تحلیلی مبتنی بر GIS برای برنامه ریزی حمل و نقل: مدل های رگرسیون فضایی برای پیش بینی تقاضای حمل و نقل. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 565-583. [ Google Scholar ] [ CrossRef ]
  29. چن، اس. تان، جی. کلارامونت، سی. Ray, C. مدل داده های GIS-T چند مقیاسی و چندوجهی. J. Transp. Geogr. 2011 ، 19 ، 147-161. [ Google Scholar ] [ CrossRef ]
  30. گرئولیچ، سی. ادلکمپ، اس. Gath، M. برنامه ریزی حمل و نقل چندوجهی مبتنی بر عامل در محیط های پویا. در KI 2013: Advances in Artificial Intelligence ; Timm, I., Thimm, M., Eds. Springer: برلین، آلمان، 2013; جلد 8077، صص 74–85. [ Google Scholar ]
  31. نانت، آ. نگدوی، دی. باسکار، ا. میسکا، م. Chung، E. برآورد وضعیت ترافیک در زمان واقعی در راهروهای شهری از داده‌های ناهمگن. ترانسپ Res. قسمت C Emerg. تکنولوژی 2015 ، 66 ، 99-118. [ Google Scholar ] [ CrossRef ]
  32. دوبلر، سی. Lämmel, G. ادغام یک ماژول شبیه سازی چند وجهی در چارچوبی برای شبیه سازی سیستم های حمل و نقل در مقیاس بزرگ. در دینامیک عابر پیاده و تخلیه ; Weidmann, U., Kirsch, U., Schreckenberg, M., Eds.; Springer: برلین، آلمان، 2014; صص 739-754. [ Google Scholar ]
  33. وانگ، کی. وانگ، SC; تانگ، CO. لام، WHK; Lo, HK; یانگ، اچ. Lo, HP برآورد ماتریس های مبدا-مقصد برای یک شبکه حمل و نقل عمومی چندوجهی. J. Adv. ترانسپ 2005 ، 39 ، 139-168. [ Google Scholar ] [ CrossRef ]
  34. Goodchild، سیستم های اطلاعات جغرافیایی MF و مدل سازی حمل و نقل تفکیک شده. Geogr. سیستم 1998 ، 5 ، 19-44. [ Google Scholar ]
  35. کپل، بی. Schwillinsky, S. Open Transport Data—OTD ; ITS Austria—Austria Tech: وین، اتریش، 2015; پ. 40. [ Google Scholar ]
  36. لیو، ال. بیدرمن، ا. راتی، سی. چشم انداز تحرک شهری: پایش زمان واقعی الگوهای تحرک شهری. در مجموعه مقالات کنفرانس بین المللی کامپیوتر در برنامه ریزی شهری و مدیریت شهری، هنگ کنگ، چین، 16-18 ژوئن 2009.
  37. کاسترو، پی. ژانگ، دی. لی، اس. مدلسازی و پیش‌بینی ترافیک شهری با استفاده از ردیابی GPS تاکسی در مقیاس بزرگ. در محاسبات فراگیر ; Kay, J., Lukowicz, P., Tokuda, H., Olivier, P., Krüger, A., Eds.; Springer: برلین، آلمان، 2012; جلد 7319، ص 57–72. [ Google Scholar ]
  38. کالابرس، اف. دیائو، م. دی لورنزو، جی. فریرا، جی.، جونیور. Ratti, C. درک الگوهای تحرک فردی از داده های سنجش شهری: یک مثال ردیابی تلفن همراه. ترانسپ Res. قسمت C Emerg. تکنولوژی 2013 ، 26 ، 301-313. [ Google Scholar ] [ CrossRef ]
  39. کیچین، آر. شهر بی‌درنگ؟ کلان داده و شهرسازی هوشمند. GeoJournal 2014 ، 79 ، 1-14. [ Google Scholar ] [ CrossRef ]
  40. یوان، ی. ون لینت، اچ. Van Wageningen-Kessels، F. Hoogendoorn، S. برآورد وضعیت ترافیک در سطح شبکه با استفاده از آشکارساز حلقه و داده‌های شناور خودرو. جی. اینتل. ترانسپ سیستم 2014 ، 18 ، 41-50. [ Google Scholar ] [ CrossRef ]
  41. ساگل، جی. دلمل، ای. دلمل، ای. نقشه برداری از فعالیت های جمعی انسانی در یک محیط شهری بر اساس داده های تلفن همراه. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 272-285. [ Google Scholar ] [ CrossRef ]
  42. ورسیکله، ام. نویتنز، تی. دلافونتین، ام. Van de Weghe، N. استفاده از بلوتوث برای تجزیه و تحلیل دینامیک فضایی و زمانی حرکت انسان در رویدادهای جمعی: مطالعه موردی جشن‌های گنت. Appl. Geogr. 2012 ، 32 ، 208-220. [ Google Scholar ] [ CrossRef ]
  43. حسن، س. ژان، ایکس. Ukkusuri، SV درک فعالیت‌های انسانی شهری و الگوهای تحرک با استفاده از داده‌های مبتنی بر مکان در مقیاس بزرگ از رسانه‌های اجتماعی آنلاین. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری، شیکاگو، IL، ایالات متحده آمریکا، 11 اوت 2013. صص 1-8.
  44. نیتچه، پی. ویدهام، پی. بروس، اس. برندل، ن. Maurer, P. پشتیبانی از بررسی‌های سفر در مقیاس بزرگ با تلفن‌های هوشمند – یک رویکرد عملی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2014 ، 43 ، 212-221. [ Google Scholar ] [ CrossRef ]
  45. رسچ، بی. بلاشکه، تی. Mittlboeck، M. جغرافیای زنده: شبکه های حسگر جغرافیایی قابل همکاری که دید زمین دیجیتال را تسهیل می کند. بین المللی J. Adv. شبکه خدمت 2010 ، 3 ، 323-332. [ Google Scholar ]
  46. بوید، دی. کرافورد، ک. سوالات مهم برای داده های بزرگ. Inf. اشتراک. Soc. 2012 ، 15 ، 662-679. [ Google Scholar ] [ CrossRef ]
  47. گیل، جی. ساخت یک مدل شبکه شهری چندوجهی با استفاده از داده‌های نقشه خیابان باز برای تحلیل دسترسی پایدار. در Openstreetmap در Giscience ; جوکار ارسنجانی، ج.، زیپف، ع.، مونی، پ.، هلبیچ، م.، ویرایش. Springer: شهر نیویورک، نیویورک، ایالات متحده آمریکا، 2015; ص 229-251. [ Google Scholar ]
  48. مرجع مشخصات فید حمل و نقل عمومی Google. در دسترس آنلاین: https://developers.google.com/transit/gtfs/reference (در 9 سپتامبر 2015 قابل دسترسی است).
  49. اشتاینر، دی. هوچمیر، اچ. پاولوس، جی. ارزیابی کیفیت داده‌های بلادرنگ باز برای حمل‌ونقل عمومی در هلند. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 579-588. [ Google Scholar ] [ CrossRef ]
  50. گریزر، ا. دراگاشنیگ، م. پونوایزر، دبلیو. کولر، اچ. Marcinek، M.-S.; Widhalm، P. FCD در دنیای واقعی – قابلیت ها و برنامه های سیستم. در مجموعه مقالات کنگره جهانی ITS، وین، اتریش، 22 تا 26 اکتبر 2012.
  51. کرامپ، اس. لاتینگر، اس. پوچر، جی. Rehrl، K. FCD مدل منطقه سالزبورگ—Einsatz und nutzen von داده های شناور توسعه یافته خودرو در بوندسلند سالزبورگ. در Angewandte Geoinformatik AGIT ; Strobl, J., Blaschke, T., Griesebner, G., Zagel, B., Eds. VDE Verlag: سالزبورگ، اتریش، 2013; ص 450-455. [ Google Scholar ]
  52. سان، دی. ژانگ، سی. ژانگ، ال. چن، اف. پنگ، Z.-R. تحلیل رفتار سفر شهری و پیش‌بینی مسیر بر اساس داده‌های شناور خودرو. ترانسپ Lett. 2014 ، 6 ، 118-125. [ Google Scholar ] [ CrossRef ]
  53. شاو، اس.-ال. وانگ، دی. مدیریت تفکیک داده‌های سفر مکانی-زمانی در GIS. GeoInformatica 2000 ، 4 ، 161-178. [ Google Scholar ] [ CrossRef ]
  54. ترانمر، م. فولاد، DG استفاده از داده های سرشماری برای بررسی علل مغالطه زیست محیطی. محیط زیست طرح. A 1998 , 30 , 817-831. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. دیویلر، آر. Bédard، Y.; ژانسولین، آر. Moulin، B. ابزارهای تحلیل اطلاعات کیفیت داده‌های مکانی برای کارشناسانی که تناسب استفاده از داده‌های مکانی را ارزیابی می‌کنند. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 261-282. [ Google Scholar ] [ CrossRef ]
  56. لیانگ، ک. لی، ز. ژانگ، ی. Song, J. Towards GIS-T ادغام اطلاعات. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند، سنگاپور، 6 سپتامبر 2002. صص 668-673.
  57. روسی، ال. واکر، جی. Musolesi، M. تکنیک های فضایی-زمانی برای شناسایی کاربر با استفاده از داده های تحرک GPS. EPJ Data Sci. 2015 ، 4 . [ Google Scholar ] [ CrossRef ]
  58. دی مونتجویه، ی.-آ. هیدالگو، کالیفرنیا؛ ورلیسن، ام. بلوندل، وی دی منحصر به فرد در میان جمعیت: مرزهای حریم خصوصی تحرک انسان. علمی Rep. 2013 , 3 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. اوکسانن، جی. برگمن، سی. ساینیو، جی. Westerholm, J. روش‌هایی برای استخراج و کالیبره کردن نقشه‌های حرارتی حفظ حریم خصوصی از داده‌های برنامه ردیابی ورزشی موبایل. J. Transp. Geogr. 2015 ، 48 ، 135-144. [ Google Scholar ] [ CrossRef ]
  60. الوود، اس. Leszczynski، A. Privacy، بازنگری: بازنمایی های جدید، شیوه های داده و geoweb. Geoforum 2011 ، 42 ، 6-15. [ Google Scholar ] [ CrossRef ]
  61. Scassa, T. مسائل حقوقی با اطلاعات جغرافیایی داوطلبانه. می توان. Geogr./Géogr. می توان. 2013 ، 57 ، 1-10. [ Google Scholar ] [ CrossRef ]
  62. کروم، جی. کاروانا، آر. شمارش، S. یادگیری مکان های احتمالی. در مدل سازی کاربر، انطباق، و شخصی سازی ؛ Carberry, S., Weibelzahl, S., Micarelli, A., Semeraro, G., Eds. Springer: برلین، آلمان، 2013; جلد 7899، ص 64–76. [ Google Scholar ]
  63. ریکر، بی. شوورمن، ن. کسلر، اف. پیامدهای استفاده از تلفن هوشمند بر حریم خصوصی و شناخت فضایی: ادبیات دانشگاهی و ادراکات عمومی. GeoJournal 2014 ، 80 ، 1-16. [ Google Scholar ] [ CrossRef ]
  64. آنسلین، ال. Rey, S. ویژگی‌های آزمون‌های وابستگی فضایی در مدل‌های رگرسیون خطی. Geogr. مقعدی 1991 ، 23 ، 112-131. [ Google Scholar ] [ CrossRef ]
  65. چنگ، تی. هاورث، جی. وانگ، جی. خودهمبستگی مکانی-زمانی داده‌های شبکه جاده‌ای. جی. جئوگر. سیستم 2012 ، 14 ، 389-413. [ Google Scholar ] [ CrossRef ]
  66. آنتونی، HA Lecorbusier: ایده های او برای شهرها. مربا. Inst. طرح. 1966 ، 32 ، 279-288. [ Google Scholar ] [ CrossRef ]
  67. دیویدسون، دبلیو. دانلی، آر. ووشا، پ. فریدمن، جی. روگ، اس. هیکس، جی. کاستیلیونه، جی. پیکادو، آر. ترکیب روش‌های اولیه و رویکردهای تحقیق عملیاتی در مدل‌سازی تقاضای سفر مبتنی بر فعالیت. ترانسپ Res. بخش A سیاست سیاست. 2007 ، 41 ، 464-488. [ Google Scholar ] [ CrossRef ]
  68. پینجاری، ع. Bhat، CR تجزیه و تحلیل تقاضای سفر مبتنی بر فعالیت. در کتاب راهنمای اقتصاد حمل و نقل ; de Palma, A., Lindsey, R., Quinet, E., Vickerman, R., Eds. ادوارد الگار: چلتنهام، بریتانیا، 2011; صص 213-248. [ Google Scholar ]
  69. کاستیلیونه، جی. بردلی، ام. Gliebe, J. مدل‌های تقاضای سفر مبتنی بر فعالیت: یک آغازگر . هیئت تحقیقات حمل و نقل: واشنگتن، دی سی، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  70. باتی، م. Torrens، PM مدل سازی و پیش بینی در دنیای پیچیده. آتی 2005 ، 37 ، 745-766. [ Google Scholar ] [ CrossRef ]
  71. ژنگ، ن. Waraich، RA; Axhausen، KW; Geroliminis، N. یک طرح قیمت گذاری حلقه پویا که نمودار اساسی ماکروسکوپی و یک مدل ترافیک مبتنی بر عامل را ترکیب می کند. ترانسپ Res. بخش A سیاست عمل 2012 ، 46 ، 1291-1303. [ Google Scholar ] [ CrossRef ]
  72. شن، ز. وانگ، ک. Zhu, F. شبیه سازی ترافیک مبتنی بر عامل و بهینه سازی زمان بندی سیگنال ترافیک با GPU. در مجموعه مقالات چهاردهمین کنفرانس بین المللی IEEE در سیستم های حمل و نقل هوشمند (ITSC)، واشنگتن، دی سی، ایالات متحده آمریکا، 5 تا 7 اکتبر 2011. صص 145-150.
  73. کرایزویچ، دی. اردمن، جی. بهریش، م. Bieker, L. توسعه اخیر و کاربردهای شبیه سازی سومو تحرک شهری. بین المللی J. Adv. سیستم Meas. 2012 ، 5 ، 128-138. [ Google Scholar ]
  74. واله، جی. باززن، ALC; کلوگل، اف. Schreckenberg، M. تاثیر اطلاعات بلادرنگ در یک سناریوی دو مسیری با استفاده از شبیه‌سازی مبتنی بر عامل. ترانسپ Res. قسمت C Emerg. تکنولوژی 2002 ، 10 ، 399-417. [ Google Scholar ] [ CrossRef ]
  75. دالمایر، جی. شومان، آر. لاتنر، AD; تیم، آی جی با جریان مورچه همراه نشوید: مسیریابی ترافیک الهام گرفته از مورچه در محیط های شهری. جی. اینتل. ترانسپ سیستم تکنولوژی طرح. اپراتور 2015 ، 19 ، 78-88. [ Google Scholar ] [ CrossRef ]
  76. تامپسون، جی. ساوینو، جی. استیونسون، ام. بررسی مجدد اثر ایمنی در اعداد برای کاربران آسیب‌پذیر جاده: کاربرد مدل‌سازی مبتنی بر عامل. Traffic Inj. قبلی 2015 ، 16 ، 147-153. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  77. ناگل، ک. فلوترود، جی. تکلیف ترافیک مبتنی بر عامل: رفتن از سفر به مسافران رفتاری. در مجموعه مقالات دوازدهمین کنفرانس بین المللی تحقیقات رفتار سفر، جیپور، هند، 13 تا 18 دسامبر 2009. صص 261-293.
  78. مایرهوفر، سی. عملکرد، مقیاس و زمان در مدل‌سازی ترافیک مبتنی بر عامل با نت‌لوگو. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 567-570. [ Google Scholar ]
  79. وارایچ، ر. چاریپار، دی. بالمر، م. Axhausen، K. بهبود عملکرد برای شبیه سازی ترافیک در مقیاس بزرگ در matsim. در رویکردهای محاسباتی برای محیط های شهری ; هلبیچ، م.، جوکار ارسنجانی، ج.، لایتنر، م.، ویرایش. Springer: برلین، آلمان، 2015; جلد 13، ص 211-233. [ Google Scholar ]
  80. میستر، ک. ریزر، ام. سیاری، اف. هورنی، ع. بالمر، م. Axhausen، KW Anwendung eines agentenbasierten modells der verkehrsnachfrage auf die schweiz. Straßenverkehrstechnik 2009 ، 53 ، 269-280. [ Google Scholar ]
  81. سیگانسکی، آر. Justen، A. Maßnahmensitive nachfragemodellierung در mikroskopischen personenverkehrsmodellen. در مجموعه مقالات DVWG-Workshop در Verkehrsmodelle im Überblick، اشتوتگارت، آلمان، 14 نوامبر 2007; ص 168-183.
  82. بالمر، م. میستر، ک. ریزر، ام. ناگل، ک. شبیه‌سازی تقاضای سفر مبتنی بر Axhausen، KW: ساختار و عملکرد محاسباتی MATSim-T. در مجموعه مقالات دومین کنفرانس TRB در مورد نوآوری در مدل سازی سفر، پورتلند، OR، ایالات متحده آمریکا، 22-24 ژوئن 2008.
  83. آرنتز، TA; Timmermans، HJP یک سیستم شبیه سازی مبتنی بر حمل و نقل مبتنی بر یادگیری. ترانسپ Res. قسمت B Meth. 2004 ، 38 ، 613-633. [ Google Scholar ] [ CrossRef ]
  84. تره فرنگی؛ Eom، JK; ماه، D.-S. کاربردهای ترانزیم در حمل و نقل: مروری بر ادبیات. Procedia Comput. علمی 2014 ، 32 ، 769-773. [ Google Scholar ] [ CrossRef ]
  85. Fellendorf، M. Vissim: یک ابزار شبیه‌سازی میکروسکوپی برای ارزیابی کنترل سیگنال فعال از جمله اولویت اتوبوس. در مجموعه مقالات شصت و چهارمین نشست سالانه موسسه مهندسین حمل و نقل، دالاس، تگزاس، ایالات متحده آمریکا، 16 تا 19 اکتبر 1994.
  86. نرم افزار برنامه ریزی حمل و نقل Caliper Transcad. در دسترس آنلاین: http://www.caliper.com/tcovu.htm (در 14 مه 2016 قابل دسترسی است).
  87. بردلی، ام. بومن، جی ال. گریزنبک، بی ساکسیم: یک سیستم مدل مبتنی بر فعالیت کاربردی با وضوح مکانی و زمانی در سطح خوب. مدل انتخاب J. 2010 ، 3 ، 5-31. [ Google Scholar ] [ CrossRef ]
  88. Wilensky، U. Netlogo ; مرکز یادگیری متصل و مدل‌سازی مبتنی بر رایانه، دانشگاه نورث وسترن: ایوانستون، IL، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  89. شمال، ام جی. Collier، NT; اوزیک، جی. تاتارا، ای آر. Macal، CM; براگن، ام. Sydelko, P. مدلسازی سیستمهای تطبیقی ​​پیچیده با سیمفونی repast. انطباق مجتمع سیستم مدل. 2013 ، 1 ، 1-26. [ Google Scholar ] [ CrossRef ]
  90. شولز، جی. کوتاهترین مسیرها برای گروهها: معرفی یک حافظه پیشگو برای عوامل شناختی. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 571-574. [ Google Scholar ] [ CrossRef ]
  91. گرشنسون، سی. Rosenblueth، DA چراغ های راهنمایی خودسازماندهی در تقاطع های چند خیابانی. پیچیدگی 2012 ، 17 ، 23-39. [ Google Scholar ] [ CrossRef ]
  92. کلوگل، اف. اوچسلاین، سی. پوپ، اف. Dornhaus، A. مدل‌سازی چند عاملی در مقایسه با مدل‌سازی استاندارد. شبیه سازی اخبار یورو 2004 ، 40 ، 3-9. [ Google Scholar ]
  93. تانگ، دبلیو. Bennett, DA نمایش صریح زمینه در مدل‌های مبتنی بر عامل سیستم‌های فضایی تطبیقی ​​پیچیده. ان دانشیار صبح. Geogr. 2010 ، 100 ، 1128-1155. [ Google Scholar ] [ CrossRef ]
  94. نش، جی. بازی های غیرهمکاری. ان ریاضی. 1951 ، 54 ، 286-295. [ Google Scholar ] [ CrossRef ]
  95. Myerson, RB Theory Game: Analysis of Conflict ; دانشگاه هاروارد: کمبریج، MA، ایالات متحده آمریکا، 1991. [ Google Scholar ]
  96. Braess، D. Über ein paradoxon aus der verkehrsplanung. Unternehmensforschung 1968 , 12 , 258-268. [ Google Scholar ] [ CrossRef ]
  97. شولز، جی. کوتاهترین مسیرها از دیدگاه گروهی – یادداشتی در مورد بازیهای مسیریابی خودخواهانه با عوامل شناختی. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی کاتوگرافی، درسدن، آلمان، 25 تا 30 اوت 2013.
  98. ویندرم، پی. فاگیولو، جی. مونتا، الف. اعتبارسنجی تجربی مدل‌های مبتنی بر عامل: گزینه‌ها و چشم‌اندازها. در دسترس به صورت آنلاین: http://jasss.soc.surrey.ac.uk/10/2/8/8.pdf (در 2 ژوئن 2016 قابل دسترسی است).
  99. هلندر، ی. لیو، آر. اصول کالیبراسیون مدل‌های میکروشبیه‌سازی ترافیک. حمل و نقل 2008 ، 35 ، 347-362. [ Google Scholar ] [ CrossRef ]
  100. لیو، اف. یانسنز، دی. کوی، جی. وانگ، ی. وتز، جی. Cools, M. ساخت یک معیار اعتبار سنجی برای مدل های حمل و نقل مبتنی بر فعالیت بر اساس داده های تلفن همراه. سیستم خبره Appl. 2014 ، 41 ، 6174-6189. [ Google Scholar ] [ CrossRef ]
  101. گریم، وی. ریویلا، ای. برگر، یو. جلتش، اف. مویج، WM; Railsback، SF; Thulke، HH; وینر، جی. ویگاند، تی. DeAngelis، DL مدل‌سازی الگو محور سیستم‌های پیچیده مبتنی بر عامل: درس‌هایی از اکولوژی. Science 2005 ، 310 ، 987-991. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  102. Millington، JDA; اوسالیوان، دی. پری، تاریخچه‌های مدل GLW: توضیح روایی در مدل‌سازی شبیه‌سازی تولیدی. Geoforum 2012 ، 43 ، 1025-1034. [ Google Scholar ] [ CrossRef ]
  103. Stanilov، K. فضا در مدل های مبتنی بر عامل. در مدل های عامل محور سیستم های جغرافیایی ; Heppenstall, JA, Crooks, TA, See, ML, Batty, M., Eds. Springer: Dordrecht، هلند، 2012; صص 253-269. [ Google Scholar ]
  104. آندرینکو، ن. آندرینکو، جی. طراحی روش‌های تحلیل بصری برای مجموعه‌های عظیم داده‌های حرکتی. کارتوگر. بین المللی جی. جئوگر. Inf. جئوویس. 2007 ، 42 ، 117-138. [ Google Scholar ] [ CrossRef ]
  105. توماس، جی جی. کوک، KA دستور کار تجزیه و تحلیل بصری. محاسبات IEEE. نمودار. Appl. 2006 ، 26 ، 10-13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  106. Brodersen, L. ارتباطات جغرافیایی و طراحی اطلاعات ; Forlaget Tankegang: Frederikshavn، دانمارک، 2008. [ Google Scholar ]
  107. کراک، ام.-جی. تصویرسازی جغرافیایی نشان داده شده است. ISPRS J. Photogramm. Remote Sens. 2003 , 57 , 390-399. [ Google Scholar ] [ CrossRef ]
  108. فریدا، ع. مارسئو، دی جی؛ Thériault، M. استخراج و تجسم مسیرهای فضا-زمان فردی: ادغام gis و kdd در مدل‌سازی تقاضای حمل‌ونقل. کارتوگر. Geogr. Inf. علمی 2004 ، 31 ، 19-28. [ Google Scholar ] [ CrossRef ]
  109. سیگانسکی، آر. فون اشمیت، آ. Teske، D. استفاده از تجسم جغرافیایی برای اعتبارسنجی و برقراری ارتباط نتایج شبیه‌سازی مدل تقاضای سفر مبتنی بر فعالیت. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 575-578. [ Google Scholar ] [ CrossRef ]
  110. آندرینکو، ن. آندرینکو، جی. تحلیل بصری حرکت: مروری بر روش‌ها، ابزارها و رویه‌ها. Inf. Vis. 2013 ، 12 ، 3-24. [ Google Scholar ] [ CrossRef ]
  111. سیلا نوویکا، ک. وندرول، جی. اوشان، تی. لانگ، ج.ا. دمشار، یو. Fotheringham، AS تجزیه و تحلیل الگوهای تحرک انسان از مسیرهای GPS و اطلاعات متنی. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 1-26. [ Google Scholar ] [ CrossRef ]
  112. دوج، اس. ویبل، آر. Lautenschütz، A.-K. به سمت طبقه بندی الگوهای حرکتی. Inf. Vis. 2008 ، 7 ، 240-252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  113. کوان، ام.-پی. ژئو تجسم تعاملی الگوهای فعالیت سفر با استفاده از سیستم های اطلاعات جغرافیایی سه بعدی: یک کاوش روش شناختی با مجموعه داده های بزرگ ترانسپ Res. قسمت C Emerg. تکنولوژی 2000 ، 8 ، 185-203. [ Google Scholar ] [ CrossRef ]
  114. یوان، ام. مدلسازی فضا-زمان. در دایره المعارف بین المللی جغرافیای انسانی ; کیچین، آر.، ترایفت، ن.، ویرایش. الزویر: آکسفورد، انگلستان، 2009; ص 286-295. [ Google Scholar ]
  115. آندرینکو، جی. آندرینکو، ن. یانکوفسکی، پ. کیم، دی. کراک، ام جی. MacEachren، A.; Wrobel, S. تجزیه و تحلیل جغرافیایی برای پشتیبانی تصمیم گیری فضایی: تنظیم دستور کار تحقیق. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 839-857. [ Google Scholar ] [ CrossRef ]
  116. MacEachren، AM نقشه‌ها چگونه کار می‌کنند—نمایش، تجسم و طراحی ؛ گیلفورد پرس: نیویورک، نیویورک، ایالات متحده آمریکا؛ لندن، انگلستان، 2004. [ Google Scholar ]
  117. کیم، دی. کوههامر، جی. الیس، جی. Mansmann, F. تسلط بر عصر اطلاعات – حل مشکلات با تجزیه و تحلیل بصری . انجمن یوروگرافیک: گوسلار، آلمان، 2010; پ. 182. [ Google Scholar ]
  118. تراون، سی. لویدل، ام. سنگ های کارتوگرافی!-Eine wissenschaft im wandel. در مجموعه مقالات 18 Münchner Fortbildungsseminar des Runden Tisch GIS، München، آلمان، 10 آوریل 2013; صص 61-71.
  119. پیکوزی، م. وردزوتو، ن. پوکه، م. واتجوس-آنتیلا، ج. Quigely، الف. تجسم ترافیک – بکارگیری تکنیک های تجسم اطلاعات برای افزایش برنامه ریزی ترافیک. در مجموعه مقالات کنفرانس بین المللی تئوری و کاربردهای گرافیک کامپیوتری و کنفرانس بین المللی تئوری و کاربردهای تجسم اطلاعات، بارسلون، اسپانیا، 21 تا 24 فوریه 2013. ص 554-557.
  120. چن، جی. شاو، اس.-ال. یو، اچ. لو، اف. چای، ی. جیا، کیو. تجزیه و تحلیل داده های اکتشافی داده های دفتر خاطرات فعالیت: رویکرد GIS فضا-زمان. J. Transp. Geogr. 2011 ، 19 ، 394-404. [ Google Scholar ] [ CrossRef ]
  121. اسلوکام، TA; مک مستر، آر.بی. کسلر، اف سی؛ هاوارد، کارتوگرافی موضوعی و ژئوویژوالیشن HH ، ویرایش سوم. Pearson Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  122. آندرینکو، جی. آندرینکو، ن. دمسار، U. درانش، دی. دایکز، جی. فابریکانت، SI; جرن، ام. کراک، ام.-جی. شومان، اچ. تومینسکی، سی. تحلیل فضا، زمان و بصری. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 1577-1600. [ Google Scholar ] [ CrossRef ]
  123. چن، دبلیو. گوا، اف. وانگ، F.-Y. بررسی تجسم داده های ترافیکی IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 16 ، 2970-2984. [ Google Scholar ] [ CrossRef ]
  124. گوا، اچ. وانگ، ز. یو، بی. ژائو، اچ. Yuan, X. Tripvista: تجزیه و تحلیل مسیر بصری چشم انداز سه گانه و کاربرد آن در داده های ترافیک میکروسکوپی در یک تقاطع جاده. در مجموعه مقالات سمپوزیوم IEEE Pacific Visualization 2011 (PacificVis)، هنگ کنگ، چین، 1 تا 4 مارس 2011. صص 163-170.
  125. آزمندیان، م. سینگ، ک. گلسی، بی. چانگ، Y.-H. Maheswaran, R. دنبال کردن تحرک انسان با استفاده از توییت. در مجموعه مقالات هشتمین کارگاه بین المللی، ADMI 2012، والنسیا، اسپانیا، 4-5 ژوئن 2012; صص 139-149.
  126. کیسیلویچ، اس. کرستایچ، م. کیم، دی. آندرینکو، ن. Andrienko, G. تجزیه و تحلیل مبتنی بر رویداد از فعالیت ها و رفتار افراد با استفاده از مجموعه عکس های دارای برچسب جغرافیایی فلیکر و پانورامیو. در مجموعه مقالات چهاردهمین کنفرانس بین المللی تجسم اطلاعات، لندن، بریتانیا، 26-29 ژوئیه 2010; ص 289-296.
  127. لیو، ایکس. Yan، WY; Chow، JYJ روابط زمانی-جغرافیایی بین زمینه های برداری الگوهای فعالیت و سیستم های حمل و نقل. J. Transp. Geogr. 2015 ، 42 ، 22-33. [ Google Scholar ] [ CrossRef ]
  128. فون لندزبرگر، تی. برودکورب، ف. روسکوش، پی. آندرینکو، ن. آندرینکو، جی. Kerren، A. Mobilitygraphs: تجزیه و تحلیل بصری پویایی تحرک جرم از طریق نمودارهای مکانی-زمانی و خوشه‌بندی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2016 ، 22 ، 11-20. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  129. دمشار، یو. Virrantaus، K. چگالی فضا-زمان مسیرها: بررسی الگوهای مکانی-زمانی در داده‌های حرکت. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 1527-1542. [ Google Scholar ] [ CrossRef ]
  130. وود، جی. Slingsby، A.; دایکز، جی. تجسم پویایی طرح اجاره دوچرخه در لندن. کارتوگر. بین المللی جی. جئوگر. Inf. جئوویس. 2011 ، 46 ، 239-251. [ Google Scholar ] [ CrossRef ]
  131. بویندین، آی. برتینی، ای. باک، پ. Lalanne, D. Flowstrates: رویکردی برای کاوش بصری داده‌های مبدا-مقصد زمانی. محاسبه کنید. نمودار. انجمن 2011 ، 30 ، 971-980. [ Google Scholar ] [ CrossRef ]
  132. گوا، دی. زو، ایکس. جین، اچ. گائو، پی. آندریس، سی. کشف الگوهای فضایی در داده‌های تحرک مبدا-مقصد. ترانس. GIS 2012 ، 16 ، 411-429. [ Google Scholar ] [ CrossRef ]
  133. استراوب، ام. Graser, A. یادگیری از کارشناسان: استنباط محبوبیت جاده از مسیرهای GPS. GI_Forum J. Geogr. Inf. علمی 2015 ، 2015 ، 41-50. [ Google Scholar ]
  134. کراک، ام.-جی. مکعب فضا-زمان از دیدگاه ژئوتصویرسازی بازبینی شد. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی کارتوگرافی (ICC)، دوربان، آفریقای جنوبی، 10-16 اوت 2003. صفحات 1988-1995.
  135. وانگ، ز. یوان، X. تجسم خط زمانی مسیر شهری. در مجموعه مقالات کنفرانس بین المللی داده های بزرگ و محاسبات هوشمند (BIGCOMP)، بانکوک، تایلند، 15-17 ژانویه 2014. ص 13-18.
  136. وایدنر، ام جی. فاربر، اس. نویتنز، تی. هورنر، ام. دسترسی فضایی و زمانی به سوپرمارکت ها با استفاده از حمل و نقل عمومی: یک رویکرد بالقوه تعامل در سینسیناتی، اوهایو. J. Transp. Geogr. 2015 ، 42 ، 72-83. [ Google Scholar ] [ CrossRef ]
  137. کیم، اچ.-م. کوان، ام.-پی. معیارهای دسترسی فضا-زمان: یک الگوریتم ژئومحاسباتی با تمرکز بر مجموعه فرصت های ممکن و مدت زمان فعالیت ممکن. جی. جئوگر. سیستم 2003 ، 5 ، 71-91. [ Google Scholar ] [ CrossRef ]
  138. برودکورب، ف. کویجپر، ا. آندرینکو، جی. آندرینکو، ن. von Landesberger, T. بررسی اجمالی با جزئیات برای کاوش نمودارهای موقعیت جغرافیایی بر روی نقشه ها. Inf. Vis. 2015 . [ Google Scholar ] [ CrossRef ]
  139. Graser، آ. در مجموعه مقالات نرم افزار رایگان و منبع باز برای سیستم های اطلاعات جغرافیایی، هایدلبرگ، آلمان، 5-7 آوریل 2011; صص 73-75.
Ijgi 05 00084 g001 1024
شکل 1. قابلیت های یک محیط GIS برای مدل سازی حمل و نقل: “GIS (…) به عنوان فناوری یکپارچه سازی اطلاعات نهایی” [ 6 ] (ص. 4).
Ijgi 05 00084 g002 1024
شکل 2. MAUP (مسئله واحد مساحتی قابل اصلاح)، وابستگی فضایی و ناهمگنی فضایی به عنوان پیامدهای فضایی مرتبط در مدل سازی حمل و نقل.
Ijgi 05 00084 g003 1024
شکل 3. ابعاد وابسته به هم که برای انتخاب تجسم های مناسب (جغرافیایی) داده های حمل و نقل مرتبط هستند.
جدول
جدول 1. مفاهیم تجسم برای موارد استفاده انتخاب شده.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370