文摘
背景。已被称作车辆群体感知(VCS)可以是一个符合成本效益的解决方案在城市环境中收集数据,利用机载传感器的现代车辆移动城市。许多实验研究证明,高里程车辆、出租车等,可以有效地用于风险投资。然而,这些研究大多是在城市进行定期、网格、道路网络。相反,小的工作已经进行了评估风险投资的适用性与更复杂的城市道路网络在城市,如历史的。目标。一步填补这一空白,本研究调查的可行性crowdsense信息使用不同大小的舰队的出租车在城市地区的历史城市波尔图(葡萄牙)和罗马(意大利)的公路网络发展在过去的几个世纪中复杂的拓扑结构和特性。数据和方法。这项工作利用大量真实数据集的出租车轨迹收集连续三周在波尔图和罗马的城市来估计不同大小的舰队的时空覆盖实现出租车如果他们用于风险投资。实际上,使用这些轨迹,几个进行了模拟,考虑四个尺寸的出租车车队,从50到400辆,这两座城市。可实现的时空的道路网络覆盖度量的细粒度范围内计算单个路段。结果。结果表明,实现覆盖在历史城市展览非常相似的趋势,仅有50辆能够访问一个公路网相关部分的至少一次的时间框架。正如所料,增加涉及车辆的数量提高了空间和时间的报道。不过,回访时间之间的差距可以用例可能不适用于一些风投。因此,招聘更多的车辆和/或设计专业路由/ incentivization机制可能有必要实现更全面的城市道路网络的覆盖率。
1。介绍
最近,新策略开发了监控大规模现象,包括利用显式的用户反馈或传感器嵌入到智能手机或可穿戴设备。这种方法,将文献中称为已被称作移动群体感知(MCS)已被证明是一个可行的替代传统方法基于静止传感解决方案(1]。已被称作车辆群体感知(VCS)是MCS的具体情况,基于利用传感器安装在现代车辆收集上下文数据用于小说用例。感觉到相关数据,如可用性的免费停车位置,当前速度,或热岛的存在,被发送到后端服务器。这里,数据从所有相关连接车辆汇总和处理,提取新的上下文知识(例如,平均速度在公路段或雨的数量在给定区域)(2]。VCS-collected信息,一些小说和引人注目的应用程序可以被开发。这些用例的例子包括移动推荐解决方案(3城市场景[],更好的监督4),更准确的移动估计(5),或空气质量监测6]。最近,一项由麦肯锡咨询公司(7)报道,正确地利用知识,可以提取vehicle-collected数据”每年可以提供2500亿美元至4000亿美元的增量价值的球员在2030年生态系统承认,“风投公司的潜力。
收集到的数据的可实现的时空分布,也称为感应范围,的一个关键性能指标(kpi)在评估一个MCS的可行性建议(8]。特别是在风投的场景中,传感范围主要是由两个关键因素:探测车辆参与风险投资的数量及其时空传感分布(9),这可以使不同VCS-based用例。例如,考虑到沥青降解率相对较低,监测凹坑在城市场景可能需要探测车辆经过一条路一天一次,甚至更少。相反,监测的可用性在街道上的停车需要更频繁的传感方式(10]。广泛证明了先前的工作,一群旅客运输或者高里程车辆,如交货服务,可能达到足够的时空感应覆盖大量的这些VCS-based用例(10,11]。例如,一杯啤酒等人的研究(12)使用的可行性评估的500辆出租车crowdsense实时可用性的在街道上的停车选择商业区的街道旧金山(美国)。在工作中,作者利用三周的出租车定位数据和他们的分析表明,(1)所有的道路被遍历的出租车在调查的时间内,和(2)的相关部分认为街头访问了一个出租车在白天每隔几分钟,确认VCS停车可用性监测的可行性。
然而,大多数的研究调查时空感应分布在VCS的车队车辆集中在城市常规、基于网格的道路网络拓扑结构(见图1 (b))或抽象底层道路网络的一组细胞,是由Masutani [9]。这是一个重要的简化问题,可能无法提供足够的洞察特定道路segment-specific传感VCS场景要求,如在街道上的停车监控。我们所知,没有复制研究进行了彻底的研究,这些研究在不同的普遍性等更复杂的城市道路网络的历史的欧洲城市。
(一)
(b)
作为第一步填补这一空白,马蒂诺和Starace [13]分析了一群100辆出租车是否适合风险投资在波尔图,葡萄牙的中等城市。被认为是城市的道路网提供了一个有机的、不规则的拓扑结构,由于几个世纪的城市发展。工作利用开放的数据集170万多轨迹收集从441年的出租车在一年的时间跨度和波尔图表明,100辆出租车能保证足够的道路网络的覆盖支持许多风投的用例。工作,然而,认为只有一个,中型历史名城(波尔图),没有调查的影响机队规模的可实现的时空覆盖。此外,时间覆盖分析只有在整个执行为期三周的时间,而不考虑白天波动在不同的时段。
目前的工作大大拓宽,研究两种方法。首先,它还包括一个新的历史性的城市,即。,Rome, in Italy, which is way bigger than Porto and is characterized by a complex urban road network as well (see Figure1(一))。第二,添加一个新维度的调查也评价汽车的数量的影响,参与风险投资活动产生的道路网络覆盖。实际上,在真实的场景中,选择一个足够数量的参与者在风投是一个至关重要的一步。一方面,一些参与者选择时,实现传感范围可能是不够的。另一方面,选择太多的参与者可能导致把钱浪费在传感器和/或incentivization策略[14,15]。因此,城市波尔图和罗马,进一步进行评估,考虑四种场景,每一个都有不同数量的出租车,从50到涉及车辆的最大数量。实验利用两个数据集的现实世界的出租车轨迹,从波尔图和罗马,后者包含从315辆出租车痕迹。
对于所有考虑的场景,许多时空覆盖率指标计算,提供有用的见解智能城市的决策者感兴趣了解VCS-based的潜在的解决方案。对于任何从业者复制我们的发现感兴趣,一个复制包包含软件和繁殖材料中给出的案例研究这项工作是公开的16]。
2。相关的工作
现代汽车都配备了一个日益增长的环境传感器的数量,主要是为了提高舒适和安全为乘客和司机(17]。在不久的将来,由于更多的介绍高级驾驶员辅助系统(该),支持自主驾驶水平高于SAE L2 [18),上下文传感器每辆车的数量可能超过20019]。有关动力系统以外,常见的车载传感器包括相机、激光雷达、GPS接收器,和专用传感器,用以监测隧道内的空气温度,污染和湿度、降雨强度,座位占用等等。
可能分享这种感觉信息与远程端,一般所谓的下降远程信息处理域(20.),已经研究了几十年。然而,只有最近的进步通讯(21)使它在技术上可行的共享上下文信息感知的舰队车辆相互之间或与一个远程端基础设施(22,23]。作为连接汽车将构成的一个最普遍的传感器网络在城市地区,已被称作车辆群体感知(VCS)有潜力培养集体智慧的发展,或语境意识,前所未有的水平(17]。
用户参与水平是风险投资的主要特征之一,并出现了两种主要的方法:(1)参与式感知中,用户需要积极参与传感、明确地决定何时收集和共享数据或(2)投机取巧的传感不需要显式的用户参与,和遥感软件可以自动收集数据机会主义的时尚(24,25]。总的来说,风险投资可以提供一个实际的部署成本之间的权衡和传感覆盖,从而在很大程度上调查,在学术和工业设置。事实上,在许多情况下,风险投资可能会导致显著的好处比传统监测技术,包括减少数据采集成本或收集数据的可能性,以前不可用(26,27]。
因为大多数私人车辆静止在一个停车位95%的时间,所观察到的露丝(28),风险投资研究文献主要集中在利用高里程车辆,比如公交车、垃圾车,或者出租车29日]。特别是,出租车轨迹常常被用于调查几个感兴趣的城市现象和城市动态提取值得注意的见解。例如,卡斯特罗等人在30.)调查的可能性使用出租车作为探针工具在风险投资的目标建模和预测交通状况,当毛泽东等人在31日]分析了超过3500万名出租车跟踪收集从大约9 k出租车在中国上海了解城市居民的通勤模式。
这项研究由Mathur等人在32)是第一个建议使用出租车crowdsense停车在街道上的可用性,使用一个数据集的出租车的痕迹从大约500辆出租车在旧金山(美国)(33]。车辆在城市地区的时空分布研究了烈性黑啤酒等人在12),分析平均每日连续时间差距的潜在探测车辆在道路段在旧金山,再使用出租车跟踪记录在(33]。这一分析表明,一些街道已经被探测车辆和访问频率的分钟,从而使非常有活力VCS-based用例。相比之下,一些相邻的小街道,探测频率显著增加,连续两个多小时传感。李等人在34]研究空气污染将在北京市交通排放在中国通过分析出租车超过12 k的轨迹。历史数据对出租车轨迹也被用于提高电动汽车充电网络的充电效率(3,35]。在[36],钟山等人提出了一个方法,利用陀螺仪和加速度计的数据驱动智能手机检测和监控凹坑和公路路面退化在汽车旅行。值得注意的是,不仅来自机动车已经利用了风投的数据。例如,作者的37)调查的使用轨迹从自行车分享系统(BSS)用户收集在芝加哥,美国发现关键一气合成,打算优化BSS规划。
最近,Dokuz和Dokuz [38)提出了一个新颖的方法来检测异常在日常交通动力学基于车辆轨迹和杠杆大规模数据集收集的超过6000万名出租车轨迹在纽约来验证他们的建议。在[39),Dokuz定义了一个新的方法,基于加权时空数据挖掘,来估算区域交通状况从巨大的车辆轨迹数据集。工作的杠杆组成的数据集8000万多名出租车轨迹,也收集在纽约市。
然而,我们所知,许多研究调查的可行性利用风险投资的高里程车队是有限的,特别是在道路网络拓扑不栅格的设置,但相当复杂和不规则的。实际上,相关的研究大多是集中在城市地区的道路网络的基于网格的拓扑结构,如纽约、旧金山、上海和芝加哥。在[13),马蒂诺和Starace移动这个方向的第一步,呈现一个案例研究的适用性舰队风投的100辆出租车在葡萄牙波尔图市的特点是非常不规则的道路网络拓扑。在那工作,结果表明,100辆出租车可以实现重要的道路网络覆盖一个月,但是他们的访问频率可能不足以充分支持一些风投的用例要求高采样率。工作表明,出租车可以有效地作为探针在VCS在城市复杂的公路网络,但考虑设置有限,没有给出任何洞察力的影响对风投汽车招募的数量。这是决策者需要考虑的一个关键因素在评估的可行性VCS-based用例,招募一些参与者可能会导致传感覆盖面不足,而招聘太多可能导致浪费金钱。
3所示。案例研究
评估潜在的利用高里程车辆作为风投的探针与不规则的城市道路网络拓扑中,就像那些历史的城市,两个案例进行了研究,利用两个公开数据集收集的实际轨迹从出租车,分别在葡萄牙波尔图,在意大利罗马。在每一个案例研究,调查调查车辆的数量的影响实现时空覆盖率,首先,整个舰队的出租车数据集被认为是。然后,额外的重复实验,只有50的轨迹进行考虑后,100年和200年随机子样品出租车。五个重复每个抽样进行了案例研究,考虑到振荡出租车抽样过程中由于随机性。在本文的其余部分,平均结果报告在这5个重复。
在实验中,OpenStreetMap (OSM) [40)数据被用来代表底层道路网络。OSM数据通常被认为是类似的在质量上与权威的数据集在城市地区(41]。的轨迹数据集被匹配的OSM表示道路网络。除此之外,一些时空覆盖率统计数据计算,正如在下面所讨论的,对于每一个公路段类,定义的OSM(表中提供的简要描述1)。
管道进行案例研究中实现KNIME平台(42),利用自定义的扩展,在GitHub库也是免费的https://github.com/luistar/knot。软件和数据复制的案例研究中,感兴趣的读者复制包(16]。在以下,采用实验协议提供的详细描述,采用的数据、程序,和考虑时空覆盖率指标。
3.1。数据集
实证评估是基于两个公开数据集的出租车轨迹收集在两个不同的项目。第一集(43)收集从441年出租车运营的波尔图,包含1710671轨迹生成超过一年,从2013年7月到2014年6月。每个轨迹特征是一个序列的GPS位置和开始时间戳。第二个(44),另一方面,收集从315年罗马城市的出租车,在一个月期间从2014年2月,由2000万多个不同的GPS位置,对应于大约70 k车辆轨迹。注意,因为两个数据集跨度明显不同的时间框架,作为经验更好的详细过程描述,为数据集,包含最多的连续三周的出租车轨迹被选中。值得注意的是,这两个数据集包括只有一小部分在这些城市出租车的总数。例如,在罗马,大约有3000出租车牌照。GPS点包含在数据集是描绘在图2,每个GPS位置表示为一个黑色的点。
注意,即使这些数据集不是很近,只有最小的变化被认为是城市的公路网络因为他们都被记录下来。在许多欧洲国家,没有中断出租车流动动力学,由于交通网络公司(跨国公司)如乳房或Lyft是被禁止的。尽管如此,这些发现提出了工作也可以应用于场景过渡委员会汽车也作为探针的有吸引力的奖励机制。因此,它是合理的假设的结果仍代表时空覆盖率的舰队可以实现高里程车辆在历史城市。
3.2。实证过程
采用实证过程是形式化的算法1和描述如下:的输入过程是一个包含出租车轨迹数据集。
|
作为第一步,初步筛选的出租车轨迹进行基于空间和时间标准(2 - 8行)。特别是,只保留出租车轨迹匹配以下标准:(1)他们是完全包含在考虑城市的市区,在OpenStreetMap定义,(2)他们都记录在一个为期三周的时间间隔。调查仅限于城市因为大多数潜在的风投们用例涉及城市环境(9],出租车主要是经营城市的城市。
至于时间过滤步骤中,其基本原理是使当前的结果与其他研究中报道的,比如由烈性黑啤酒等人在12未来复制),并允许在额外的数据集,这通常包含轨迹收集更简短的时间跨度,比如从旧金山了33]。事实上,复制现有的研究来评估之前调查的结果是否可以复制在新的环境与不同的数据是至关重要的建立一个累积和更广泛的研究机构知识(45]。更详细,包含大部分轨迹的连续三周被选为波尔图数据集,即那些2014/05/02和2014/05/22之间。罗马的数据集,数据集被选前三周,即从2014/02/01 2014/02/21的。
这个时空过滤后,大约100 k轨迹被保留为波尔图数据集和超过65 k的罗马人。数据的差异可以解释为波尔图的数据集包含数据从440年出租车,虽然罗马人包括数据从315辆。
至于逻辑表示的道路网络进行覆盖分析,实证评价杠杆免费开放地图的数据项目(见第9行,算法1),这是通常被认为是定性与权威的数据集在城市地区(40,41]。表2报告认为OSM数据集上的一些统计调查城市地区。特别是,波尔图和罗马和OSM的主要道路类型被认为是标准(https://wiki.openstreetmap.org/wiki/Key:高速公路),道路段的绝对数量和相应的报告总数的百分比。注意道路类型“服务”和“非机密”被排除在调查,因为报道OSM的标准,这些类型的段,通常对应于城市公园或工业区,可能不是访问一般的交通。同样,“生活街”部分也被排除在外,因为他们通常无法访问公共交通和所使用的大多是行人和骑自行车的人。至于“高速公路”,“树干”,“主”,“次要”和“三级”(也有相应的链接)段,分析他们保留。事实上,即使这些片段代表整个道路网络的一小部分,他们仍然占许多成千上万的部分,因此在我们看来值得被调查了解风投公司动态。
随后,匹配程序被执行时,这是一个初步的步骤需要计算准确的道路网络覆盖率。事实上,值得注意的是,考虑的GPS位置数据集本质上是受定位错误(10),突出显示,如图3。
因此,地图匹配的目标(见第10行,算法1)是使原始车辆轨迹,它由一系列的可能不准确的GPS点,认为OSM道路网络。匹配的应用程序详细算法2并利用OSRM (开源路由机)[46),一个著名的最先进的路由解决方案,广泛应用于其他实证研究,如辛格等人提出的研究(47]。
|
特别是,对于每一个轨迹数据集,执行一个查询OSRM的实例,请求路径遍历所有的GPS位置轨迹在相同的顺序(见第5行,算法2)。如果存在这样一个路线,OSRM返回序列的实例OSM公路段,是遍历访问时间戳,这是地图匹配当前的轨迹。另一方面,如果不存在这样的路径(例如,是在第7行,算法2),轨道被丢弃不可行。一个地图匹配方法类似于本研究采用的是最近提出的日本米酒和哈根(48]。在这项研究中,作者报道说,解决方案是能够正确地映射匹配输入轨迹的大约95%。类似的成功率(96%)的匹配过程中也观察到的数据集。
地图匹配后,调查涉及的数量的影响探测车辆实现时空范围,不同的执行分析,不同考虑出租车的数量(见11日至17日这段时间内,算法1)。特别是时空覆盖率达到50岁,100年,200年,出租车在数据集的最大数量。为每一个认为出租车的数量 ,首先,一个随机样本出租车产生,只保留map-matched轨迹属于车辆(13 - 14日,算法采样1)。占出租车引入的随机抽样过程中,五个重复进行的考虑数量的出租车。对于每一个重复,时空覆盖率度量(见第15行,算法1基于所选轨迹计算。
探讨空间覆盖率可实现的舰队的出租车,每个道路段路交叉的次数一个出租车的考虑时间计算。至于时间报道,平均时间差距连续访问每个路上段计算,进行也由Mathur等人在32]。进行更详细的,假设一个段是遍历车辆的时候 ,分别与 对所有 ,的平均时间之间的差距可以计算为连续访问
从这些覆盖指标,同时,额外的时空的指标计算。在特定空间范围,道路段的比例至少访问一次的被认为是三周的时间间隔计算,并进行了类似的分析主要OSM道路类型在波尔图和罗马的中心区域,发现报道在表2。类似的聚合也计算时间覆盖率指标,聚合OSM道路类型和报告中值为每个类别。
最后,为每个认为出租车的数量,平均在每个重复获得的指标计算。
4所示。结果和时空范围的讨论
在本节中,提出了进行案例研究的结果和讨论,强调结果的异同对类似的研究,但在城市进行网状道路网络拓扑。描述第一关注空间覆盖,然后报告时间报道的结果。
4.1。空间覆盖率
的整体空间覆盖率结果实证调查,在公路段的比例至少访问一次的出租车进行为期三周的时期之一,被发表在表3。
此外,突出报道趋势取决于类型的道路,在桌子上4,每个道路空间覆盖率结果的细节部分类报告。
这些数据强调只有50个出租车可以达到显著的空间覆盖在波尔图和罗马,与城市道路网络的很大一部分在罗马在波尔图(64%和47%)被认为是三周期间至少访问一次。在不同的道路类型覆盖差别很大。在考虑高速公路等主要道路类型时,小学,中学,和树干,约80 - 90%的各自的道路段感觉到至少一次,即使只有50辆。当考虑次要道路类型,如住宅和三级,覆盖率通常是低得多,大约只有一半的住宅道路段被访问在波尔图和只有27%的人在罗马被访问。这种变化主要和次要道路段之间的覆盖率也被观察到在其他的研究中进行真正的从城市展示普通车辆的轨迹,网状结构(14,49),可以用这一事实来解释车辆不均匀分配在道路网络,而是倾向于集中在主要城市道路来有效地到达目的地。因此,可以预期,那些主要街道上(通常少于小的)确实会被车辆更频繁地访问。
此外,正如所料,增加涉及车辆的数量会导致改善空间覆盖率。所强调的图4然而,这样的进步不是线性的关于汽车的数量,而是覆盖率百分比次线性增加。
更详细的,当考虑到数据集的最大的出租车数量(即。,440 taxis in Porto and 315 in Rome), the main road types are almost entirely visited (more than 95% of coverage) at least once in the three-week period, with improvements with respect to the 50 taxi scenarios ranging from 5% to 10%. As for minor roads, they are the ones that benefit the most, in terms of coverage, from the increase in taxi fleet size. For example, 78% (resp., 54%) of residential road segments are visited at least once in Porto (resp., Rome) when considering the maximum number of taxis, with improvements with respect to the 50 taxi scenarios going up to 30%.
结果还表明,空间覆盖率可实现在罗马在波尔图一般低于可实现的。这是由于一个事实,即罗马道路网络是更大的,包含道路段的波尔图的两倍多,因此更难。
这些空间覆盖率结果似乎通常比较与其他研究调查报道使用VCS高里程车辆在城市的可行性与网状道路网络拓扑,例如由Di马蒂诺和Starace [14]。特别是工作调查了500年的出租车队所覆盖的三周时间在旧金山,这档节目的特点就是一个普通道路网络(见图1)。即使没有调查出租车机队规模的影响,实现空间覆盖率进行工作,结果通过使用出租车的最大数量大致可以与我们相比。这种比较表明,对于主要道路类型,> 300的出租车队可以实现几乎完全覆盖在三周(> 95%),不管道路网络拓扑。至于次要道路段,实验在历史城市,通常不规则的道路网络,显示低覆盖率。例如,只有54%的住宅在罗马道路段由315辆出租车,而78%的住宅道路段覆盖在旧金山。
4.2。时间范围
与空间范围,观察颞覆盖率也展品明智的差异不同的道路类型、主要道路段被更频繁地访问通常比那些属于次要道路类型。此外,正如所料,增加汽车的数量参与风险投资导致明显减少的时间差距后续访问。更多的细节,当考虑只有50出租车在波尔图三周期间,中位数时间差距范围从12个小时高速公路段为住宅的43小时。增加出租车的数量到440时,平均时间差距高速公路段去不到2小时,而对于住宅部分,它们减少到大约28小时。同样,在罗马,50出租车范围达到平均时间间隔段属于主要道路和住宅部分的51-hour平均时间间隔。当增加有关出租车的数量到315年,中位数时间差距主要部分是减少到略高于7小时,而中位数时间回访差距在住宅领域减少到大约38小时。突出显示的趋势图5,中位数时间差距减少次线性对涉及车辆的数量。此外,改进(即。,decrease) in time gaps due to increasing taxi fleet size is generally greater for the main road types than it is for minor roads. This is explained by the fact that fewer main roads exist and are largely covered even by smaller fleets of taxis (see Table4)。因此,提高机队规模将导致更小的改进空间覆盖这些片段,但在颞覆盖更大的改进,更多的车辆经过相同的主要道路段。另一方面,在10如前所述,当增加出租车数量大小,改善空间覆盖范围更大的次要道路段。这意味着更大的一部分额外的车辆访问次要道路段,从来没有拜访过在考虑小舰队尺寸,导致较小的改善时间报道。
此外,在罗马时间报道结果更糟,明显高于中位数时间之间的差距比波尔图后续访问。这主要是因为罗马有一个更大的道路网络比波尔图(见表2),因此,它不可能相当数量的车辆频繁访问的道路段)。
这些时间覆盖率结果计算整个三周时期大致可以相比的了Di马蒂诺和Starace [14],它使用同样的标准去评估时间覆盖实现出租车的舰队在旧金山。比较表明,成群的探针与网状路网车辆在城市通常可以达到明显更好的时间范围,无论道路段类型。例如,中位数时间差距主要部分在旧金山,在报道14),只有40分钟,而最大的舰队在波尔图(分别地。,罗马)实现的平均时间间隔5小时(分别地。,7.2小时)。同样,住宅道路段时间中位数差距报告(14)在旧金山是24小时,而波尔图和罗马,最大的考虑城市出租车的实现中值时间差距29、39小时,分别。
更好地了解颞覆盖动态,使当前的分析更类似与其他先前的调查在城市特色进行网状道路网络,像[10,12),随后访问之间的平均时间间隔公路段上也每天计算,即,通过考虑只访问发生在同一天。这些额外的分析的结果被发表在表6。
此外,调查日常交通动力学及其影响范围,每日平均时间差距也计算在四个选择的时段,即从午夜到7.59的,从8.00到13.59,从14.00到19.59,从20.00到23.59,这被称为:00-08,08-14,14到20和20 - 24,分别。这些细粒度结果为波尔图和罗马的城市被发表在表7和8。
这些结果可以表明对那些报道[相比12),使用486年的出租车队的可行性调查crowdsense路边停车可用性在旧金山,每天使用平均时间间隔计算作为一个关键指标。尽管提出的分析(12)只关注一小部分城市道路网络的旧金山,比较的结果呈现在纸突出的实质性差异时间覆盖城市之间可以实现的舰队的出租车有常规的道路网络拓扑和不规则的城市。事实上,据烈性黑啤酒et al。12),平均每天时间差距通过出租车在旧金山的舰队主要道路段数量只有11分钟。在波尔图(分别地。,Rome), the results showed that the average daily time gaps for primary segments achieved by the largest considered fleets of 440 (resp., 315) taxis amounted to 1.1 hours (resp., 2.3 hours). For minor road segments such as residential ones, the differences are even more significant, with average daily time gaps being smaller than 1 hour in San Francisco while amounting to 11.1 and 18.2 hours in Porto and Rome, respectively.
至于时间段分析,结果表明,出租车在波尔图和罗马主要活跃在一天时间(从8.00到20.00),导致更好的时间覆盖在这些时间,观察类似的烈性黑啤酒等人在旧金山(12]。然而,即使只考虑交通的高峰时间,考虑舰队的时间报道通过出租车在罗马和波尔图仍明显比通过一个类似的出租车在旧金山,据烈性黑啤酒et al。12]。
进行颞覆盖率分析的结果强调,在考虑城市场景,50或100出租车可能足以支持只有风投的用例需要感应频率较低,因为很大一部分的道路网络,之间的时间间隔连续探测车辆遍历是在几个小时甚至几天的范围。这是无论如何仍足够的服务,如壶穴(50)或空气质量监测(51]。
舰队规模较大,情况变得更加有趣。特别是,整个舰队的440辆出租车就足以监视大多数城市道路段每小时,这可以使更多的VCS-based服务,如热岛监控(52]。罗马的情况更糟的是,主要是因为考虑车辆的舰队是小,而整个道路网络扩展得多。因此,即使有完整的舰队,最好的情况是路段监控每隔几个小时。不过,值得注意的是,汽车的数量考虑这些实验是可用的出租车总数的一小部分。对于罗马来说,考虑数据集包含的数据总数的约十分之一的出租车。因此,在存在有利incentivization机制,很容易设想一个场景,在该场景中,这些潜在的时空覆盖探测车辆可以显著改善。
5。结论
进行了大量的研究调查的可行性,利用已被称作高里程汽车车队车辆群体感知(VCS)的场景,收集相关数据在城市地区的经济有效的方法。尽管如此,大多数的这些作品集中在城市道路网络定期、基于网格的拓扑结构或过度简化了底层道路网络通过抽象一组粗粒度的区域。
这项工作研究一个新的设置,通过两个案例研究旨在调查利用舰队的可行性高里程的车辆,如出租车、在不同城市道路网络拓扑从两个历史的欧洲城市,在评估的影响,汽车的数量招募在vc实现覆盖。特别是,研究分析了潜在时空感应覆盖实现出租车的不同大小的舰队和计算实际轨迹从不同大小的舰队的出租车在城市波尔图(葡萄牙)和罗马(意大利)。结果表明,只有50个出租车可以充分实现的基本空间覆盖城市道路网的波尔图和罗马,使许多可能的用例。当增加车辆的数量、空间覆盖率的提高,即使次线性,达到几乎完全覆盖的道路网在这两个城市被认为是三周的时间间隔。至于时间范围,结果表明,利用50出租车时感应频率可能不足以支持许多风投的场景,需要更频繁的取样。当增加车辆的数量已被称作参与群体感知,然而,回访时间之间的差距明显改善。不过,时间覆盖所取得的历史城市的出租车仍显著低于城市实现更常规的道路网络和一般似乎不足以支持风险投资用例需要非常频繁的探索。因此,有空间的引入incentivization机制(15)或智能路由算法(49),也可以帮助实现更好的感知覆盖。
未来的工作可能会进一步进行案例研究也涉及亚洲城市,如北京,知名的出租车轨迹数据集的存在以及[53),提供有用的见解的适用性在风投的场景中使用出租车作为探针。此外,调查的时空覆盖范围,可以通过舰队的出租车额外的时间框架,例如,例如,有一天,三天,一周,两周,也可能提供有用和有价值的见解。
数据可用性
软件和材料复制本文介绍的案例研究公开DOI Zenodo存储库中https://doi.org/10.5281/zenodo.7408877。
信息披露
执行这项工作作为工作的一部分,作者那不勒斯大学的费德里科•II,那不勒斯,意大利。
的利益冲突
作者宣称没有利益冲突。