Enabling Smart Urban Services with GPS Trajectory Data

با گسترش دستگاه‌های GPS در زندگی روزمره، داده‌های مسیری که مکان و زمان حرکت افراد را ثبت می‌کنند، اکنون در مقیاس بزرگ به آسانی در دسترس هستند. به عنوان یکی از معمولی ترین نمایندگان، اکنون به طور گسترده شناخته شده است که داده های مسیر تاکسی فرصت های غنی را برای فعال کردن خدمات شهری هوشمند امیدوار کننده فراهم می کند. با این حال، هنوز فاصله قابل توجهی بین داده های خام موجود و استخراج اطلاعات قابل اجرا وجود دارد. این شکاف چالش های اساسی در مورد چگونگی دستیابی به چنین هوشی ایجاد می کند. این چالش‌ها عبارتند از مشکلات عدم دقت، حجم بالای داده برای پردازش، و داده‌های پراکنده GPS، به جز چند مورد. علاوه بر این، حرکت تاکسی‌ها و داده‌های مسیر خروج نتیجه یک تعامل پیچیده بین چندین طرف از جمله رانندگان، مسافران، مسافران، برنامه‌ریزان شهری و غیره است.

در این کتاب، ما آخرین یافته‌های خود را ارائه می‌کنیم. در استخراج داده های مسیر GPS تاکسی برای فعال کردن تعدادی از خدمات شهری هوشمند، و ما را یک قدم به چشم انداز تحرک هوشمند نزدیکتر می کند. در مرحله اول، ما بر روی برخی از مسائل اساسی در داده کاوی مسیر و تجزیه و تحلیل، از جمله تطبیق نقشه داده ها، فشرده سازی داده ها و حفاظت از داده ها تمرکز می کنیم. ثانیاً، با توجه به نیازهای واقعی و رایج‌ترین دغدغه‌های هر یک از طرفین درگیر، ما هر مسئله را به صورت ریاضی فرموله می‌کنیم و روش‌های جدید داده‌کاوی یا یادگیری ماشین را برای حل آن پیشنهاد می‌کنیم. ارزیابی‌های گسترده‌ای با مجموعه داده‌های دنیای واقعی نیز ارائه شده است تا اثربخشی و کارایی استفاده از داده‌های مسیر را نشان دهد.

برخلاف کتاب‌های دیگر که به طور جداگانه به حمل و نقل افراد و کالا می‌پردازند، این کتاب خدمات شهری هوشمند را نیز گسترش می‌دهد. حمل و نقل کالا با معرفی ایده ازدحام، به عنوان مثال، استخدام تاکسی برای تحویل بسته بر اساس اطلاعات بلادرنگ. از آنجایی که مردم و کالاها دو جزء ضروری شهرهای هوشمند هستند، ما احساس می کنیم که این گسترش منطقی و ضروری است. در نهایت، مهم‌ترین مشکلات علمی و مسائل باز در استخراج داده‌های مسیر GPS را مورد بحث قرار می‌دهیم.

With the proliferation of GPS devices in daily life, trajectory data that records where and when people move is now readily available on a large scale. As one of the most typical representatives, it has now become widely recognized that taxi trajectory data provides rich opportunities to enable promising smart urban services. Yet, a considerable gap still exists between the raw data available, and the extraction of actionable intelligence. This gap poses fundamental challenges on how we can achieve such intelligence. These challenges include inaccuracy issues, large data volumes to process, and sparse GPS data, to name but a few. Moreover, the movements of taxis and the leaving trajectory data are the result of a complex interplay between several parties, including drivers, passengers, travellers, urban planners, etc.

In this book, we present our latest findings on mining taxi GPS trajectory data to enable a number of smart urban services, and to bring us one step closer to the vision of smart mobility. Firstly, we focus on some fundamental issues in trajectory data mining and analytics, including data map-matching, data compression, and data protection. Secondly, driven by the real needs and the most common concerns of each party involved, we formulate each problem mathematically and propose novel data mining or machine learning methods to solve it. Extensive evaluations with real-world datasets are also provided, to demonstrate the effectiveness and efficiency of using trajectory data.

Unlike other books, which deal with people and goods transportation separately, this book also extends smart urban services to goods transportation by introducing the idea of crowdshipping, i.e., recruiting taxis to make package deliveries on the basis of real-time information. Since people and goods are two essential components of smart cities, we feel this extension is bot logical and essential. Lastly, we discuss the most important scientific problems and open issues in mining GPS trajectory data.