کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6936325 869081 2016 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Spatial-temporal traffic flow pattern identification and anomaly detection with dictionary-based compression theory in a large-scale urban network
ترجمه فارسی عنوان
شناسایی الگوی جریان ترافیکی فضایی و زمانی و تشخیص آنومالی با تئوری فشرده سازی مبتنی بر فرهنگ لغت در یک شبکه شهری بزرگ
کلمات کلیدی
تشخیص آنومالی ترافیکی، شناسایی الگوی جریان ترافیک، نظریه فشرده سازی مبتنی بر دیکشنری،
ترجمه چکیده
شناسایی الگوی جریان ترافیک، و همچنین تشخیص آنومالی، جزء مهمی برای عملیات ترافیکی و کنترل است. برای تشخیص ویژگی های الگوهای جریان ترافیکی منطقه در شبکه های بزرگ جاده، این مقاله تئوری فشرده سازی مبتنی بر فرهنگ لغت را برای شناسایی ویژگی های هر دو الگوهای مکانی و زمانی با تحلیل داده های مربوط به ترافیک چند بعدی مورد استفاده قرار می دهد. یک شاخص انحرافی برای اندازه گیری ترافیک شبکه در هر دو منظر فضایی و زمانی مشتق می شود. هر دو شناسایی الگو در سه سطح مختلف جغرافیایی انجام میگیرد: آشکارساز، تقاطع و زیرمجموعه. از مقادیر مختلف جغرافیایی، این مطالعه چندین ویژگی مهم از الگوهای جریان ترافیک را شامل توزیع جغرافیایی الگوهای جریان ترافیک، تغییرات الگوی در روزهای مختلف، نوسانات الگو در طی روزهای مختلف و غیره می دهد. هر دو الگوهای جریان ترافیکی فضایی و زمانی تعریف شده در این مطالعه می تواند به طور مشترک تغییرات الگوی را مشخص کند و ضریب عملکرد خوب ترافیک و مدیریت را فراهم کند. روش پیشنهادی در یک مطالعه موردی برای تأثیر یک خط مترو جدید ساخته شده است. مطالعه قبل و بعد، تغییرات عمده ترافیکی در اطراف ایستگاه های مترو را مشخص می کند. مشخص شده است که ایستگاه های مترو جدید ترافیک رفت و آمد بیشتر در روزهای هفته و همچنین ترافیک سرگرم کننده در طول تعطیلات آخر هفته.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شناسایی الگوی جریان ترافیکی فضایی و زمانی و تشخیص آنومالی با تئوری فشرده سازی مبتنی بر فرهنگ لغت در یک شبکه شهری بزرگ
چکیده انگلیسی
Traffic flow pattern identification, as well as anomaly detection, is an important component for traffic operations and control. To reveal the characteristics of regional traffic flow patterns in large road networks, this paper employs dictionary-based compression theory to identify the features of both spatial and temporal patterns by analyzing the multi-dimensional traffic-related data. An anomaly index is derived to quantify the network traffic in both spatial and temporal perspectives. Both pattern identifications are conducted in three different geographic levels: detector, intersection, and sub-region. From different geographic levels, this study finds several important features of traffic flow patterns, including the geographic distribution of traffic flow patterns, pattern shifts at different times-of-day, pattern fluctuations over different days, etc. Both spatial and temporal traffic flow patterns defined in this study can jointly characterize pattern changes and provide a good performance measure of traffic operations and management. The proposed method is further implemented in a case study for the impact of a newly constructed subway line. The before-and-after study identifies the major changes of surrounding road traffic near the subway stations. It is found that new metro stations attract more commute traffic in weekdays as well as entertaining traffic during weekends.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 71, October 2016, Pages 284-302
نویسندگان
, , , , ,