یافتن کوتاه‌ترین مسیر فازی با تلفیق داده‌های گذشته و لحظه‌ای ترافیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران

2 دانشیار، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران

چکیده

مسیریابی فقط بر اساس داده های ترافیک گذشته همواره نتیجه بخش نیست. چون به دلیل وقوع تصادفات، تعمیرات خیابان ها و غیره ، گاهی تغییرات شدیدی در حجم ترافیک خیابان ها پیش می آید. از سویی دیگر مسیریابی فقط بر اساس داده های لحظه ای ترافیک مناسب نیست، زیرا در مورد یال های نزدیک می توان به داده های لحظه ای اعتماد نمود، ولی در مورد یال های دورتر داده های لحظه ای اعتبار خود را به تدریج از دست می دهند، چون تا به آنها برسیم وضعیت ترافیک تغییر کرده است. هدف این تحقیق ارائه روشی جدید برای مسیریابی بر اساس ترکیب فازی داده های گذشته و لحظه ای است. در این روش، مبنای مسیریابی در حالت عادی داده های گذشته است. در صورت وقوع حادثه ای خاص در یکی از یال های شبکه، در فاصله ای مناسب و قبل از رسیدن به محدوده حادثه، با توجه به محل وقوع حادثه مجدداً مسیریابی انجام می شود. وزنی که به یال های شبکه اختصاص می یابد بر اساس ترکیبی فازی از داده های گذشته و لحظه ای محاسبه می شود و از یک مدل استنتاج فازی برای محاسبه وزن های اختصاصی به داده های لحظه ای و گذشته استفاده میذ گردد. این وزن ها متغیر بوده و تابع فاصله یال موردنظر از محل فعلی خودرو در لحظه تصمیم گیری هستند.  نتایج نشان می دهند که روش پیشنهادی ترکیب داده های لحظه ای با داده های گذشته باعث می‌شود در صورت بروز حادثه، مسیر تعیین شده نه تنها از موقعیت یال حادثه دیده بلکه از یال‌های منتهی به آن نیز دور شود.

کلیدواژه‌ها

عنوان مقاله [English]

Finding Fuzzy Shortest Path by Integrating historical and Real-time Traffic Data

نویسندگان [English]

  • ahid Naeimi 1
  • Mohammad Mesgari 2
  • Hamid Motieyan 1
1 MSc Student of GIS, Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran, Iran
2 Associate Professor., Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran, Iran
چکیده [English]

Because of the happenings such as accidents and road repairs, the traffic level of some links of the network can strongly be changed.  Therefore, routing on the basis of merely historical traffic data is not always useful. On the other hand, routing based on real-time data is not adequate either. The reason is that the real-time data regarding near links can be trusted. However, this is not the case for the distant links; since their present traffic will certainly be changed before the vehicle gets there. The main goal of this research is to propose a new method of routing based on fuzzy integration of historical and real-time traffic data. In this method, the basis of routing for normal situations is the historical data. In case of an accident in the network, before getting to the vicinity of the accident, the shortest path will be recalculated. The weights allocated to the links are calculated based on the integration of historical and real-time traffic data, using a fuzzy inference system. These weights are variable and are a function of the distance between the present location of the vehicle and the accident location. The results of the research show that, using this method, in the case of accidents, the calculated path is clearly deviated from the location of the accident.

کلیدواژه‌ها [English]

  • Shortest Path
  • Fuzzy
  • Traffic
  • Historical Data
  • Real-time Data
  • Dynamic Routing

مراجع

[1]خ . خودرو 22 اردیبهشت 13866. [Real-time]. Available: .http://khabarkhodro.com/detail.asp?id=12034
[2]ل . وانگ سیستم های فازی و کنترل فازی جلد 5 تهران :دانشگاه صنعتی خواجه نصیر الدین طوسی 1388.
[3]ع نخعی کمال آبادی و ع . عیدی ”مسیریابی وسایل نقلیه در سیستم هدایت مسیر پویا مبتنی بر یادگیری عاملهای هوشمند “ پژوهشنامه حمل ونقل , 1388.
[4] M. Hashemzadeh, “A Fast and Efficient Route Finding Method for Car Navigation Systems with Neural Networks”, Enterprise Distributed Object Computing Conference, 2006. EDOC '06. 10th IEEE International, pp. 423- 426, 2006.
[5] E. Keshavarz and E. Khorram, “A. fuzzy shortest path with the highest reliability”, Journal of Computational and Applied Mathematics, vol. 230, no. 1, pp. 204- 212, August 2009.
[6] F. Hernandes, M. Teresa Lamata, J. L. Verdegay and A. Yamakami, “The shortest path problem on networks with fuzzy parameters”,Fuzzy Sets and Systems, pp. 1561- 1570, 2007.
[7] H. Ramazani, Y. Shafahi and S. Seyedabrishami, “A Shortest Path Problem in an Urban Transportation Network Based on Driver Perceived Travel Time," Transaction A: Civil Engineering, vol. 17, no. 4, pp. 285- 296, August 2010.
[8] R. Chrobok and M. an der Ruhr, Theory and Application of Advanced Traffic Forecast Methods, Germany: University of Duisburg-Essen, 2005.
[9] Q. Pang, L. Xinyun and Z. Min, “Traffic flow forecasting based on rough set and neural network”,Natural Computation (ICNC), 2010 Sixth International Conference, vol. 4, no. 10-12, pp. 1920- 1924, 23 September 2010.
[10] L. A. Zadeh, “Discussion: Probability Theory and Fuzzy Logic Are Complementary Rather Than Competitive”, JSTOR, vol. 37, no. 3, pp. 271- 276, Aug 1995.
[11] L. Zadeh, “Fuzzy logic = computing with words”, Fuzzy Systems, IEEE Transactions on,
pp. 103-111, 1996.
[12] V. Henn and M. Ottomanelli, Handling uncertainty in route choice models: From probabilistic to possibilistic approaches, Elsevier, 2006.
[13] W. Siler and J. J.Buckley, “FUZZY EXPERT SYSTEMS AND FUZZY REASONING”, Canada: WILEY, 2005.
[14] F. A.Lootsma, Fuzzy Logic for Planning and Decision Making, 1 ed., Springer, 1997.
[15] G. Bardossy and J. Fodor, Evaluation of Uncertainties and Risks in Geology, Springer, 2004.
[16] P. M. Dixit and U. S. Dixit, Modeling of Metal Forming and Machining Processes: by Finite Element and Soft Computing Methods, 1 ed., Springer, 2008.
[17] K. Chen, Mitigating Congestion by Integrating Time Forecasting and Realtime Information Aggregation in Cellular Networks, Florida: FIU Electronic Theses and Dissertations, 2011.
[18] J.-S. YAO and F.-T. LIN, “Fuzzy Shortest-Path Network Problems With Uncertain EdgeWeights”, JOURNAL OF INFORMATION SCIENCE AND ENGINEERING, pp. 329-351, 2003.
[19] C. M. Klein, Fuzzy shortest paths, “Fuzzy Sets and Systems”,vol. 39, pp. 27-41, 1991.
[20] D. Dubois and H. Prade, Fuzzy Sets and Systems, New York: Academic Press, 1980.
[21] T.-N. Chuang and J.-Y. Kung, “A new algorithm for the discrete fuzzy shortest path problem in a network”, Applied Mathematics and Computation, vol. 174, no. 1, pp. 660-668, 2006.
[22] F. Yu, Y. Li and T.-J. Wu, “A temporal ant colony optimization approach to the shortest path problem in dynamic scale-free networks”, Physica A: Statistical Mechanics and its Applications, vol. 389, no. 3, pp. 629- 636, 1 February 2010.
[23] S. Pallottino and M. Grazia Scutella, “Shortest Path Algorithms in TransPortation models: classical and innovative aspects”, University of PISA, Italy, 1997.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار