خوشه بندی نواحی ترافیکی شهری بر مبنای تراکنشهای سیستم جمع آوری خودکار کرایه -مطالعه موردی داده های اتوبوسرانی شهر مشهد

توجه متخصصین حمل ونقل به تکنیکهای داده کاوی پیوند علم داده ها و مهندسی حمل ونقل را حاصل کرده است. امروزه استفاده از داده های ارگانها و سازمانهای مرتبط با حمل ونقل، ضمن پیاده سازی تکنیکهای داده کاوی هر چه بیشتر در راستای ارائه خدمات حمل ونقل به کار گرفته شدهاست. لذا میتوان با استفاده از پیوند علوم داده و حمل ونقل تاثیر متناسبی بر برنامه ریزی ها داشت که در نتیجه افزایش رضایتمندی استفاده کنندگان از خدمات حمل ونقل حاصل میشود. خوشه بندی یکی از تکنیکهای رایج داده کاوی است. فرایند خوشه بندی در رسته یادگیری نظارت نشده، ارتباط بین داده ها را کنترل و در صورت وجود شباهت آنها را در یک خوشه قرار میدهد. در این مطالعه مناطق ترافیکی شهر مشهد بر مبنای تعداد تراکنشهای صورت گرفته در بازه های مختلف زمانی بررسی شده است. داده های این مطالعه شامل تراکنش های سال ۱۳۹۸ سیستم اتوبوسرانی شهر مشهد مقدس است که با استفاده از روش جمع آوری خودکار کرایه ثبت و جمع آوری شده است. روش اتخاذ شده در این مطالعه بر مبنای خوشه بندیK-Means مناطق ترافیکی شهر مشهد را به خوشه های کم و پرتراکنش برای سه بازه زمانی صبح، ظهر و عصر تمییز میدهد و خروجی حاصل مناطق را بین خوشه های کم و پرتراکنش برای هر یک از این بازه ها تقسیم بندی میکند.

خوشه بندی نواحی ترافیکی شهری بر مبنای تراکنشهای سیستم جمع آوری خودکار کرایه -مطالعه موردی داده های اتوبوسرانی شهر مشهد Keywords:

جمع آوری خودکار کرایه , داده کاوی , خوشه بندی , یادگیری نظارت نشده , K-Means