مدل سازی ریاضی ترافیک شهری با استفاده از داده های بزرگ (Big Data)

رشد سریع شهرنشینی و افزایش تعداد وسایل نقلیه در کلان شهرها موجب پیچیده تر شدن الگوهای ترافیکی و ناکارآمدی بسیاری از روش های سنتی مدیریت ترافیک شده است. در چنین شرایطی، بهره گیری از رویکردهای نوین مبتنی بر داده های بزرگ (Big Data) می تواند زمینه ای موثر برای تحلیل، پیش بینی و بهینه سازی جریان ترافیک فراهم کند. هدف این پژوهش ارائه چارچوبی برای مدل سازی ریاضی ترافیک شهری با استفاده از داده های بزرگ و روش های تحلیلی پیشرفته است. در این مطالعه، داده های ترافیکی حاصل از حسگرهای جاده ای، سامانه های موقعیت یاب جهانی (GPS)، دوربین های نظارتی، داده های تلفن همراه و سامانه های حمل ونقل هوشمند به عنوان منابع اصلی داده در نظر گرفته شده اند.روش تحقیق بر پایه ترکیب مدل های ریاضی جریان ترافیک با تکنیک های تحلیل داده های حجیم و الگوریتم های یادگیری ماشین طراحی شده است. در این چارچوب، ابتدا داده های ترافیکی جمع آوری، پالایش و ساختاردهی شده و سپس با استفاده از مدل های ریاضی مانند مدل های جریان پیوسته، مدل های مبتنی بر صف و مدل های شبکه ای مورد تحلیل قرار می گیرند. در مرحله بعد، با به کارگیری الگوریتم های داده کاوی و یادگیری ماشین، الگوهای پنهان ترافیک استخراج و برای پیش بینی وضعیت آینده شبکه حمل ونقل شهری استفاده می شود. نتایج تحلیل ها نشان می دهد که استفاده از داده های بزرگ می تواند دقت مدل های پیش بینی ترافیک را به طور قابل توجهی افزایش داده و امکان مدیریت هوشمند جریان ترافیک، کاهش زمان سفر، بهینه سازی زمان بندی چراغ های راهنمایی و کاهش ازدحام شهری را فراهم سازد.یافته های پژوهش بیانگر آن است که تلفیق مدل سازی ریاضی با فناوری داده های بزرگ می تواند به عنوان ابزاری کارآمد در برنامه ریزی حمل ونقل شهری و توسعه شهرهای هوشمند مورد استفاده قرار گیرد. همچنین این رویکرد امکان تحلیل بلادرنگ وضعیت ترافیک و ارائه راهکارهای مدیریتی مبتنی بر داده را فراهم می کند. از این رو، به کارگیری زیرساخت های داده محور در سیستم های حمل ونقل شهری می تواند نقش مهمی در افزایش کارایی شبکه های ترافیکی و بهبود کیفیت زندگی شهروندان ایفا کند.