طراحی و پیاده‌سازی یک معماری نوین مبتنی بر همسان رقومی و GIS در پایش هوشمند ترافیک
محورهای موضوعی : کاربرد GIS&RS در برنامه ریزی شهری
زهرا رضایی
1
,
حسین آقامحمدی
2
*
,
محمد حسن وحیدنیا
3
,
زهرا عزیزی
4
,
سعید بهزادی
5
1 - دانشجوی دکتری RS-GIS، گروه سنجش از دور و سیستم اطلاعات مکانی، دانشگاه آزاد اسلامی ایران، واحد علوم و تحقیقات تهران
2 - استادیار گروه سنجش از دور و GIS، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
3 - استادیار مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین دانشگاه شهید بهشتی، تهران، ایران
4 - استادیار گروه سنجش از دور و GIS، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
5 - استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست دانشگاه شهید بهشتی، تهران، ایران
کلید واژه: شهر هوشمند, همسان رقومی, مدیریت ترافیک شهری, سیستم‌های اطلاعات جغرافیایی, پیش‌بینی ترافیک,
چکیده مقاله :
رشد سریع شهرنشینی و افزایش تعداد وسایل نقلیه موتوری، چالش‌های جدی در مدیریت ترافیک شهری ایجاد کرده است. ترافیک سنگین نه‌تنها منجر به اتلاف زمان و افزایش آلودگی هوا می‌شود، بلکه در شرایط اضطراری مانند حوادث و بلایای طبیعی، می‌تواند مانع از واکنش سریع و مؤثر در محل‌های حادثه شود. در این راستا، فناوری‌های نوین مانند همسان رقومی (DT[1]) و سیستم‌های اطلاعات جغرافیایی (GIS [2]) به عنوان ابزارهای قدرتمند در مدیریت هوشمند ترافیک و بهبود پاسخ‌های اضطراری مورد توجه قرار گرفته‌اند. این تحقیق با هدف توسعه یک مدل شبیه‌سازی مکان‌محور مبتنی بر همسان رقومی و GIS برای پیش‌بینی ترافیک و بهبود مدیریت ترافیک شهری انجام شده است. در این مطالعه، از داده‌های زمان واقعی مانند اطلاعات ترافیکی و شرایط آب‌وهوایی، با بهره‌گیری از سرویس‌های برخط، یک سیستم همسان رقومی طراحی و پیاده‌سازی شده است. نتایج نشان می‌دهد که این سیستم قادر است با دقت بالایی شرایط ترافیکی را پایش و پیش‌بینی کند و متعاقبا نیز از قابلیت‌های آن در کاربردهایی مانند مسیریابی بهینه و کاهش ترافیک میتوان استفاده نمود. همچنین، داشبورد آنلاین توسعه‌یافته در این تحقیق، امکان دسترسی بلادرنگ به اطلاعات ترافیکی و محیطی را فراهم می‌کند، که به بهبود تصمیم‌گیری و مدیریت ترافیک شهری کمک شایانی می‌نماید. این رویکرد نوآورانه، گامی مهم در جهت هوشمندسازی مدیریت ترافیک و زمینه‌ساز ایجاد شهرهای هوشمند و بهبود کیفیت زندگی شهری است.
[1] Digital Twin
[2] Geospatial Information System
The rapid growth of urbanization and the increasing number of motor vehicles have created significant challenges in urban traffic management. Heavy traffic not only leads to time wastage and increased air pollution but can also hinder quick and effective responses to emergencies such as accidents and natural disasters. In this context, advanced technologies such as Digital Twin and Geographic Information Systems (GIS) have gained attention as powerful tools for intelligent traffic management and improving emergency responses. This research aims to develop a location-based simulation model using Digital Twin and GIS to predict traffic and enhance urban traffic management. In this study, a digital twin system was designed and implemented using real-time data, such as traffic information and weather conditions, leveraging online services. The results demonstrate that this system can accurately monitor and predict traffic conditions, and its capabilities can subsequently be utilized in applications such as optimal routing and traffic reduction. Additionally, the online dashboard developed in this research provides real-time access to traffic and environmental data, significantly aiding decision-making and urban traffic management. This innovative approach represents a significant step toward smart traffic management and lays the groundwork for creating smart cities and improving urban quality of life.
1) Manfred Boltze, Vu Anh Tuan, Approaches to Achieve Sustainability in Traffic Management, Procedia Engineering, Volume 142, 2016, Pages 205-212, ISSN 1877-7058, https://doi.org/10.1016/j.proeng.2016.02.033.
2) R. Abdellah, O. A. K. Mahmood, A. Paramonov and A. Koucheryavy, "IoT traffic prediction using multi-step ahead prediction with neural network," 2019 11th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), 2019, pp. 1-4, doi: 10.1109/ICUMT48472.2019.8970675.
3) Nie L, Wang X, Zhao Q, Shang Z, Feng L, Li G. DT for transportation big data: a reinforcement learning-based network traffic prediction approach. IEEE Transactions on Intelligent Transportation Systems. 2023 Jan 18;25(1):896-906.
4) Zhang Y, Zhang H. Urban digital twins: decision-making models for transportation network simulation. In Proceedings of the 2022 International Conference on Computational Infrastructure and Urban Planning 2022 Jun 18 (pp. 18-21).
5) Rezaei Z, Vahidnia MH, Aghamohammadi H, Azizi Z, Behzadi S. Digital twins and 3D information modeling in a smart city for traffic controlling: A review. Journal of Geography and Cartography. 2023 Jun 27;6(1):1865.
6) Muthuramalingam S, Bharathi A, Rakesh Kumar S, Gayathri N, Sathiyaraj R, Balamurugan B. IoT based intelligent transportation system (IoT-ITS) for global perspective: A case study. Internet of things and big data analytics for smart generation. 2019:279-300.
7) Vaidya RB, Kulkarni S, Didore V. Intelligent transportation system using IOT: A Review. Int. J. Res. Trends Innov. 2021;6:80-7.
8) Schleich B, Anwer N, Mathieu L, Wartzack S. Shaping the digital twin for design and production engineering. CIRP Annals 2017; 66(1): 141–144. doi: 10.1016/j.cirp.2017.04.040
9) Korth B, Schwede C, Zajac M. Simulation-ready digital twin for realtime management of logistics systems. In2018 IEEE international conference on big data (big data) 2018 Dec 10 (pp. 4194-4201). IEEE.
10) Grieves M, Vickers J, Twin D. Mitigating unpredictable, undesirable emergent behavior in complex systems. Transdisciplinary Perspectives on Complex Systems. 2016:85-113.
11) Liu M, Fang S, Dong H, Xu C. Review of digital twin about concepts, technologies, and industrial applications. Journal of Manufacturing Systems 2021; 58(Part B): 346–361. doi: 10.1016/j.jm¬sy.2020.06.017.
12) Del Giudice M, Osello A (editors). Handbook of research on developing smart cities based on digital twins. Hershey: IGI Global; 2021.
13) Tao F, Cheng J, Qi Q, et al. Digital twin-driven product design, manufacturing and service with big data. The International Journal of Advanced Man¬ufacturing Technology 2018; 94: 3563–3576. doi: 10.1007/s00170-017-0233-1.
14) Wladimir Hofmann, Fredrik Branding, Implementation of an IoT- and Cloud-based Digital Twin for Real-Time Decision Support in Port Operations, IFAC-PapersOnLine, Volume 52, Issue 13, 2019, Pages 2104-2109, ISSN 2405-8963, https://doi.org/10.1016/j.ifacol.2019.11.516.
15) Kumar SAP, Madhumathi R, Chelliah PR, et al. A novel digital twin-centric approach for driver in¬tention prediction and traffic congestion avoidance. Journal of Reliable Intelligent Environments 2018;
16) T. Ambra and C. Macharis, "Agent-Based Digital Twins (ABM-Dt) In Synchromodal Transport and Logistics: the Fusion of Virtual and Pysical Spaces," 2020 Winter Simulation Conference (WSC), 2020, pp. 159-169, doi: 10.1109/WSC48552.2020.9383955.
17) Jiang W, Luo J. Graph neural network for traffic forecasting: A survey. Expert systems with applications. 2022 Nov 30;207:117921.
18) Kadar Muhammad Masum, M. Kalim Amzad Chy, I. Rahman, M. Nazim Uddin and K. Islam Azam, "An Internet of Things (IoT) based Smart Traffic Management System: A Context of Bangladesh," 2018 International Conference on Innovations in Science, Engineering and Technology (ICISET), 2018, pp. 418-422, doi: 10.1109/ICISET.2018.8745611.
19) Mohammed Sarrab, Supriya Pulparambil, Medhat Awadalla, Development of an IoT based real-time traffic monitoring system for city governance, Global Transitions, Volume 2 2020, Pages 230-245, ISSN 2589-7918, https://doi.org/10.1016/j.glt.2020.09.004.
20) https://www.google.com/maps