استفاده از استنتاج بيز براي همجوشي داده‌هاي زمان سفر در تونل نيايش

Fusion of travel time data in Niayesh tunnel using Bayesian inference

با كاهش هزينه‌هاي جمع‌آوري داده، سيستم‌هاي حمل ‌و ‌نقل از سيستم‌هاي نيازمند به داده، به سيستم‌هاي نيازمند به تحليل داده‌ها تبديل شده‌اند. از آنجايي كه دقت اين داده‌ها متناسب با منابع جمع‌آوري آن متفاوت است، شناسايي داده با دقت بالاتر با تركيبي از چند منبع، چالش اصلي كار با داده‌هايي از اين دست مي‌باشد. روش همجوشي داده‌ها مي‌تواند با بهم ‌پيوند ‌دادن داده‌هاي حاصل از منابع مختلف دقت داده‌ها را در راستاي هدف مورد مطالعه افزايش دهد. هدف اصلي از اين مقاله، به دست ‌آوردن دقيق‌ترين زمان ‌سفر ممكن است. از جمله روش‌هاي همجوشي داده ميتوان به فيلتر كالمن، استنتاج بيز، شبكه‌هاي مصنوعي و تئوري دمپستر-شيفر اشاره كرد كه در اين تحقيق از استنتاج بيز استفاده شده و نتايج آن بررسي مي‌شود. بر اساس اين روش پيشنهاد شد كه با تركيب منابع مختلف داده كه پوشش‌هاي زماني و مكاني متفاوتي دارند، دقيق‌ترين زمان‌ سفر با پوشش زماني و مكاني حداكثر از طريق همجوشي داده به دست ‌آيد. مطالعه موردي تونل نيايش در شمال تهران انتخاب شد كه در آن تجهيزات گسترده سيستم‌هاي حمل ‌و ‌نقل هوشمند نصب شده‌ است. پس از تعيين دقت هر يك از منابع با استفاده از داده‌هاي خودروي شناور، زمان‌ سفر همجوشي ‌شده در يك روز كه داده‌هاي همه منابع در آن موجود بود محاسبه گرديد. در اين تحقيق، با در ‌نظر‌ گرفتن امكان دسترسي همزمان به چند منبع داده در يك يا چند كمان مشترك، منابع داده‌هاي زمان ‌سفر گوگل، داده‌هاي زمان ‌سفر از حسگر‌‌هاي بلوتوث و شناساگرهاي حلقه در همجوشي مورد استفاده قرار گرفت. زمان ‌سفر به دست ‌آمده دقت هزينه‌هاي زمان ‌سفر در برنامه‌ريزي حمل ‌و‌ نقل، اطلاعات تابلوهاي پيام متغير و نرم‌افزارهاي مسيرياب را افزايش مي‌دهد.

As data collection costs decrease, transportation systems have shifted from systems requiring data to systems requiring data analysis. Since the accuracy of these data varies with the sources of data collection, acquiring higher-accuracy data from a combination of multiple sources is the main challenge of working with such data. Data fusion is a very efficient mechanism that can interconnect data from different sources to increase the accuracy of data in line with the purpose of the study. The main goal of this article is to get the most accurate travel time possible from multiple sources. Among the data fusion methods are the Kalman filter, Bayesian inference, artificial neural networks and Dumpster-Scheffer theory, from which the Bayesian inference is used and its results are investigated. It is proposed that by combining different data sources with different temporal and spatial coverage, the most accurate travel time with maximum spatial and temporal coverage would be achieved. The Niayesh tunnel in Tehran was selected as a case study, where extensive equipment for intelligent transportation systems is installed. In this study, considering the possibility of simultaneous access to multiple data sources at the same location, the following source, Google travel time data, Bluetooth travel time data and Inductive loop detectors, were fused. The improved travel time can increase the accuracy of travel time costs in transportation planning, information on variable message signs and routing software.