معماری سامانه‌های تحلیل ترافیک

شرکت ویراتک شریف با بهبود در استفاده از راه‌کارهای تحلیل ترافیک، به طور کلی هسته‌ای برای تخمین زمان‌سفر و سامانه‌ای برای اطلاع‌رسانی مسافر بوجود آورده است. بخش اول دغدغه‌ی ما از جنبه‌ی دقت تخمین می‌باشد؛ به طوری که بتوانیم تخمین‌هایی از زمان سفر ارائه کنیم که بتواند نیازمندی‌های سیستم ما را برآورده کند. بخش دوم دغدغه‌های ما مربوط به جنبه‌های عملیاتی ایجاد هسته‌ی تحلیل ترافیک است. در واقع باید در الگوریتم‌های استفاده شده برای تحلیل زمان‌سفر یک شبکه‌ی گسترده، بهبودهایی حاصل کنیم؛ در حدی که بتوان از این الگوریتم‌ها برای چنین شبکه‌ای استفاده کرد. در این مورد، هم بحث تحلیل‌های غیربرخط و هم بحث تحلیل‌های برخط و چگونگی بازیابی اطلاعات و تعیین زمان سفر، باید مورد بررسی قرار گیرد.

در مجموع می‌توان هدف ویراتک را، ایجاد یک سیستم کامل پیش‌بینی زمان سفر دانست. مبنای اصلی کارهای ما برای بخش تخمین، استفاده از ایده‌های مبتنی بر داده‌های مکانی می‌باشد. در حال حاضر فعالیت‌های زیادی بر روی این ایده انجام نشده است. در واقع در این ما در ویراتک سعی داریم، با نصب دستگاه‌های مجهز به GPS بر روی خودروها و با بهره‌گیری از ساختار ارتباطی شبکه‌ی GSM روش‌هایی ارائه کنیم که به صورت برخط داده‌های مکانی خودروها را دریافت کرده و با تحلیل آن‌ها، اطلاعات مربوط به زمان سفر را استخراج کند. به این ترتیب اولا، با ارائه‌ی راه‌کارهایی با کارآیی بالاتر و ارائه‌ی یک معماری جدید، سعی در بهبود روش‌های قبلی می‌کنیم. در درجه‌ی دوم، با در نظر گرفتن محدودیت‌های زمانی و کارآیی برای یک سیستم برخط، سعی در ارائه‌ی الگوهایی برای تشخیص وقایع به صورت برخط می‌کنیم.

ایده‌های زیادی برای تحلیل ترافیک به هنگام تصادف، تشخیص تصادف و شرایط ترافیک قبل و بعد از تصادف وجود دارد که در حال حاضر نیز تحقیقات زیادی بر روی آن انجام شده است. تشخیص جریان ترافیک در این شرایط، نیاز به داده‌برداری‌هایی با حجم بالا دارد تا سیستم بتواند در سریع‌ترین زمان ممکن از وضعیت و مکان حادثه با خبر شود. پیدا کردن روش‌هایی که با هزینه‌ی کم و کارآیی بالا بتوانند حوادثی مانند تصادف را تشخیص دهند، از مسائلی است که هنوز ذهن بسیاری از محققان را به خود مشغول کرده است و یکی از زمینه‌هایی می‌باشد که در ویراتک به آن توجه می‌شود.

معماری مبتنی بر GPS

در معماری‌های ارائه شده بر مبنای نقاط GPS، مبنای تصمیم‌گیری سیستم‌های تحلیل ترافیک، تعیین میزان ترافیک به صورت نقطه‌ای می‌باشد. در واقع در این نوع معماری‌ها، یک پارامتر مشخص انتخاب می‌شود و الگوهای این پارامتر برای هر نقطه جغرافیایی در طول زمان تحلیل شده و تخمین زده می‌شود. به این ترتیب تحلیل ما به صورت محلی معنادار است.

برای مثال تابع مشخص v(t,x) نشان‌دهنده سرعت متوسط در زمان t در نقطه x را در نظر بگیرید. بر مبنای این معماری، مقادیر ثبت شده در نقطه x در طول زمان نگهداری می‌شود و به صورت تحلیلی بر مبنای شباهت زمانی نقاط ثبت شده با زمان t مانند زمان مشخص در روزهای قبل، الگوی سرعت در زمان مورد در نقطه مورد نظر بدست می‌آید.

این معماری به دلیل استفاده از نمونه‌های در حال حرکت بسیار کارا می‌باشد و به ما کمک می‌کند تا بتوانیم نمونه‌هایی در مکان‌های جغرافیایی متفاوت داشته باشیم. این امر دقت تخمین به صورت نقطه‌ای را به دلیل کم شدن نمونه‌ها پایین می‌آورد، ولی در عین حال باعث گسترده شدن سطح نمونه‌برداری می‌شود. نکته قابل توجه این است که وجود نمونه‌برداری نقطه‌ای با نصب شمارنده در یک محل دقتی به مراتب بالاتر از حد نیاز را برای ما فراهم می‌کند و این در حالی است که این سطح دقت با توجه به هزینه‌های نصب برای ما نیاز نیست. به این ترتیب ما با در حرکت بودن نمونه‌ها می‌توانیم با نمونه‌های بسیار کم‌تر سطوح جغرافیایی گسترده‌تری را پوشش دهیم. همچنین ساده بودن تکنولوژی GPS نسبت به تکنولوژی‌های شمارنده و قیمت به مراتب کمتر آن‌ها، باعث می‌شود تا بتوانیم با قیمت معادل یک شمارنده که تنها می‌تواند در یک نقطه نصب شود، تعداد زیادی نمونه در حال حرکت داشته باشیم.

مشکل اصلی در این معماری، وجود تغییرات زیاد در داده‌های بدست آمده از طریق GPS می‌باشد که باعث می‌شود نمونه‌های بدست آمده دارای دقت پایینی باشند. برای مثال سرعت یک خودرو در طول یک مسیر ممکن است تغییرات زیادی داشته باشد که نمونه‌برداری ما را دچار مشکل کند. این مشکل با گرفتن نمونه‌های زیاد در طول زمان حل شده و الگوی مورد نظر به سمت میانگین میل می‌کند. ولی چون پارامتری از جنس زمان در این تخمین تاثیرگذار است باعث می‌شود نمونه‌های زیادی در طول زمان‌های مختلف برای بالابردن دقت گرفته شود که خود از ضعف‌های این معماری به حساب می‌آید.

معماری مبتنی بر مسیر

ایده‌ی کلی کار ترکیب روش‌های سری‌زمانی و روش‌های مبتنی بر تشخیص الگوها مانند شبکه‌های عصبی برای تشخیص الگوهای زمان سفر و نگهداری این الگوها برای استفاده‌های بعدی است. به این ترتیب با دریافت داده‌های مکانی از خودروها، الگوهای زمان سفر با استفاده از این روش‌ها بروز رسانی می‌شوند. در نتیجه به نوعی سری زمانی تا نقطه خاصی برای تخمین‌های آینده نگهداری می‌شود.

تفاوت عمده این معماری با معماری مبتنی بر GPS در این نکته است که مبنای تحلیل ما در این روش زمان‌سفر نمونه در مسیرها یا بازه‌های مشخص می‌باشد. در نتیجه در این روش ما به دنبال تحلیل زمان‌سفر در بازه‌ی مورد نظر خواهیم بود و الگوهای مورد نظر را با توجه به بازه‌ها و مسیرها نگهداری خواهیم کرد. برای مثال بازه‌ی بین دو ایستگاه اتوبوس برای یک اتوبوس، پارامتر مناسبی برای تحلیل زمان‌سفر یک اتوبوس خواهد بود. نکته قابل توجه در این معماری این است که به دلیل وجود نگاه بازه‌ای به مکان، امکان نگهداری و تحلیل ماهیت زمان‌سفر خواهد بود. از آنجایی که زمان سفر، ماهیت مناسب و قابل سنجشی از طرف تحلیل‌گر و استفاده کننده سیستم‌های حمل و نقل می‌باشد، در نتیجه می‌توان امیدوار بود تکیه بر این معماری تحلیل‌های مناسب و تخمین‌های خوبی برای ما رقم خواهد زد.

یکی از نکات قابل توجه در این معماری کاهش هزینه‌های اجرا و نگهداری سیستم‌های تحلیل می‌باشد. در سیستم‌های ایستگاهی که به دنبال تحلیل جریان ترافیک در ایستگاه‌های مختلف هستند به دلیل وجود تکنولوژی‌های پردازش تصویر و یا دیگر تکنولوژی‌ها، نیاز به تحلیل‌های محلی در ایستگاه خواهیم داشت. به همین ترتیب به نوعی یک جریان پردازش توزیع‌شده در درون معماری قرار دارد. جریان دریافت داده‌های مکانی از خودروها، تحلیل و بازیافت پارامترهای و الگوهای ترافیکی در این معماری همگی در سمت سرور انجام می‌شود. محلی بودن این کار یک مذیت به حساب خواهد آمد ولی در عین حال دغدغه باید جبنه‌های کارآیی و حجم اطلاعات در نظر گرفته شود. برای مثال داده‌های مکانی ۲۰۰۰ اتوبوس شهر مشهد در یک بازه ۱ ماهه که در دوره‌های زمانی ۵ ثانیه‌ای مختصات خود را ذخیره می‌کردند در حدود ۳۰ گیگابایت حجم داشته و چیزی بالغ بر ۱ میلیارد نقطه را در بر می‌گیرد. این اعداد نگرانی ما را برای تحلیل و نگهداری داده‌ها و الگوها و چگونگی تحلیل و بازیابی زمان‌سفر از این حجم داده بر می‌انگیزد.

به این ترتیب در این فصل تلاش می‌کنیم معماری طراحی کنیم که علاوه بر تحلیل مناسب ترافیک و ارائه تخمین خوب از زمان سفر با توجه به معیارهای ارزیابی ارائه شده، بتواند جنبه‌های کارآیی سیستم را نیز در بر بگیرد و به صورت عملیاتی قابل استفاده باشد. شکل ۱ نمای کلی معماری ما بر مبنای جریان داده‌ها را نمایش می‌دهد.

شکل ۱ – معماری مبتنی بر مسیر

در این معماری ما به تحلیل مسیر حرکت خودرو می‌پردازیم و با تک داده‌های دریافتی از خودرو کاری نداریم. به این ترتیب قدرت ما برای تحلیل مسیر حرکت به منظور پیدا کردن زمان سفر و الگوهای حرکت خودروها بسیار بالا می‌رود.

معماری ارائه شده، ساختار کلی معماری مورد نظر در این پایان‌نامه می‌باشد؛ در ادامه‌ی این فصل، معماری و الگوریتم‌های بخش‌های مختلف این معماری مشخص شده و جنبه‌های مختلف هر یک مانند کارآیی مورد بررسی و تحلیل قرار خواهند گرفت.

جنبه‌ی دیگر مسئله، پیدا کردن مجموعه‌ای مناسب از خودروها می‌باشد که با قرار گرفتن سیستم مورد نظر بر روی آن‌ها بتوانیم به خوبی داده‌های ترافیکی شهر را دریافت، ذخیره و بروزرسانی کنیم. به این منظور برای مثال می‌توان سیستم‌های GPS را بر روی خودروهای آژانس و یا تاکسی قرار داد. اینکه این سیستم دقیقا در چه خودروهایی قرار گیرد و چه حجمی از خودروها لازم است تا داده‌های کافی برای تحلیل یک شبکه‌ی ترافیکی بزرگ مانند تهران را داشته باشیم، خود مسئله‌ای است که در این پایان‌نامه مورد توجه قرار خواهد گرفت.