.

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور (بخش دوم)

در سال های اخیر تحقیقات متعددی برای بهبود الگوریتم های انطباق نقشه انجام شده است. در این بخش تعدادی از تحقیقات اخیر انجام شده بر روی MM را بررسی و نقاط ضعف و قوت آن ها را بررسی خواهیم نمود.  یکی از مهم ترین روش های ارائه شده اخیر برای مسئله MM روش ولاگا و همکاران است. در این تحقیق از همسایگی مکانی و اختلاف راستا به همراه روش امتیازدهی مثبت و منفی به یال های کاندیدا استفاده شده است. 

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور (بخش دوم)

پیشینه تحقیق

در سال های اخیر تحقیقات متعددی برای بهبود الگوریتم های انطباق نقشه انجام شده است. در این بخش تعدادی از تحقیقات اخیر انجام شده بر روی MM را بررسی و نقاط ضعف و قوت آن ها را بررسی خواهیم نمود. 
یکی از مهم ترین روش های ارائه شده اخیر برای مسئله MM روش ولاگا و همکاران است.
در این تحقیق از همسایگی مکانی و اختلاف راستا به همراه روش امتیازدهی مثبت و منفی به یال های کاندیدا استفاده شده است. ازجمله نواقص روش ولاگا و همکاران می توان به ضرایب وزن دهی ثابت محلی، وابستگی الگوریتم به اتصال یال های کاندیدا با یال منطبق شده برای قرائت پیشین و لذا ناتوانی در مواجهه با داده های با نرخ نمونه برداری پایین اشاره نمود که این نواقص در روش ارائه شده در این پژوهش به کمک وزن دهی پویا، بهره گیری از معیارهای هندسی و استفاده از معیار کوتاه ترین مسیر پاسخ داده شده اند.
هاشمی و کریمی یک الگوریتم وزن مبنا برای موقعیت یابی خودرو در شبکه های شهری پیچیده ارائه داده اند. هدف اصلی در این تحقیق ارائه یک الگوریتم کارآمد با حفظ صحت و نرخ موفقیت الگوریتم است. آن ها از سه قید فاصله مسان نقطه GPS و قطعه راه، اختلاف میان نقطه GPS و مسیر و اختلاف میان راستای نقاط متوالی GPS و راستای قطعات راه برای شناسایی بهترین قطعه راه در میان سایر کاندیداها استفاده کرده اند.
مهم ترین خاصیت این الگوریتم نرخ بالای تشخیص صحیح قطعه راه در مناطق شهری است. ازجمله معایب این روش همبستگی میان پارامترهای جهتی و به کارگیری پارامترهای توپولوژیک است که موجب ناکارآمدی الگوریتم در مواجهه با داده های با نرخ نمونه برداری پایین می گردد.
بدین منظور در این مقاله از شباهت میان زاویه حامل میان راستای دو نقطه قرائت شده متوالی و راستای نقطه منطبق شده قبلی با نقطه کاندیدا استفاده شده است.
همچنین در این پژوهش از معیار قید اختلاف کوتاه ترین مسیر برای مواجهه با نرخ های نمونه برداری متفاوت استفاده شده است. بهره گیری از فناوری های رایانش ابری پردازش توزیع یافته MM را نیز ممکن کرده است. 
لئو و همکاران روشی برای انطباق نقشه وزن مبنا در کنار یک روش درون یابی بر پایه الگوریتم انطباق توسعه داده اند. آنها از اطلاعات هندسی و توپولوژیک شبکه راه ها و بهره گیری از اطلاعات تاریخی خط سیر خودروها برای بهبود دقت روش خود بهره برده اند. 
از جمله نقایص عمده این روش می توان به استفاده از ضرایب وزن مساوی و استفاده از پارامترهای توپولوژیک اشاره نمود که در پژوهش حاضر نواقص مذکور به کمک مفاهیم سطوح اطمینان، روش وزندهی پویا و استفاده از معیارهای هندسی پاسخ داده شده است.
برای پاسخ به چالش نرخ نموداری پایین داده های FCD تحقیقات معدودی انجام شده است. میوا و همکاران روشی بر پایه انطباق نقاط بر اساس نقطه قبلی و نقطه بعدی ارائه کرده است. 
روش مذکور دارای سرعت محاسبات مناسبی است. در عین حال در این روش احتمال انتشار خطا در صورت انطباق نادرست نقطه قبلی به نقاط بعدی وجود دارد. چن و همکاران نیز روشی برای پایخ به چالش نرخ نمونه برداری پایین ارائه کرده اند. 
در این مقاله الگوریتمی با برنامه نویسی چند معیاره پویا (MDP) برای کاهش تعداد یال های کاندیدا و افزایش دقت انتخاب بهترین یال استفاده شده است. همچنین در این مقاله یک الگوریتم  دیکسترا بهبود یافته جهت تعیین مسیرهای کاندیدا ارائه شده است. قدوس و واشنگتن از الگوریتم کوتاه ترین مسیر A* برای تشخیص کوتاه ترین مسیر میان دو نقطه متوالی GPS استفاده شده است. 
از جمله نقایص این روش استفاده از الگوریتم ژنتیک برای تعیین ضرایب وزن قیود است. اما استفاده از الگوریتم های تکاملی حالت سراسری الگوریتم MM را از بین می برد چرا که الگوریتم باید مرتبا بر اساس پارامترهای محلی آموزش یابد. به علاوه این امر باعث کاهش کارآمدی و سرعت تحلیل MM نیز می گردد. 
این نقیصه در روش نیکولیچ و همکاران نیز مشاهده می شود. عمده این نقایص در پژوهش حاضر به کمک روش وزن دهی پویا و استفاده از سطوح اطمینان پاسخ داده شده است. 
با هدف بهبود عملکرد و کارایی الگوریتم های انطباق نقشه در مواجهه با داده های با نرخ نموداری بالا، لی و همکاران الگوریتمی به نام Passby را ارائه کرده اند. 
این الگوریتم به جای انطباق تمامی نقاط GPS تنها آن هایی را که به تقاطعات نزدیک هستند شناسایی و منطیق می کند. بدین ترتیب حجم پردازشی کاهش یافته و از پردازش نقاط اضافی میانی جلوگیری به عمل می آید. 
نقص عمده این روش ناکارآمدی آن در مواجهه با داده های با نرخ نمونه برداری پایین است. هوانگ و همکاران نیز بر پایه روش لئو و همکاران و مشابه پژوهش لی و همکاران روشی بهبود یافته برای الگوریتم انطباق نقشه در داده های با نرخ نمونه برداری بالا ارائه کرده اند. 
روش مذکور مشابه با پرش از روی نقاط میانی تنها نقاط نزدیک به تقاطعات را بر روی نقشه منطبق می کند. برخلاف تمامی مقاله های بررسی شده نقطه قوت روش هوانگ و همکاران استفاده از سکوی هدوپ برای مواجهه با چالش ذخیره سازی، مدیریت، تحلیل و پردازش داده های GPS است. 
از جمله نواق مهم این روش امکان انتشار خطا و ناکارآمدی در مواجهه با داده های با نرخ نمونه برداری پایین است که در پژوهش حاضر نواقص فوق به کمک به کارگیری معیارهای هندسی، معیار کوتاه ترین مسیر و وزن دهی پاشخ داده شده است. 
شایان ذکر است پیش از این، نسخه ابتدایی چارچوب پیشنهادی، در مقاله رحیمی و حکیم پور ارائه شده که در پژوهش حاضر بهبودهایی مانند استفاده از معیارهای هندسی از کنار بهره گیری از معیار اختلاف کوتاه ترین مسیر جهت بهبود صحت عملکرد الگوریتم، مفاهیم سطوح اطمینان، روش های وزن دهی پویا و استفاده از اطلاعات HDOP برای بهبود عملکرد الگوریتم در مواجهه با داده های با نرخ نمونه برداری متفاوت به آن اضافه گردیده است. 

الگوریتم انطباق نقشه بهبود یافته 

در این پژوهش با هدف پاسخ به چالش های کاربردی نوین ITS، الگ.ریتمی بهبود یافته برای تحلیل انطباق نقشه ارائه شده است. الگوریتم حاضر، در مواجهه با نرخ های نمونه برداری گوناگون موثر است و فارغ از وابستگی به حسگرهای اضافی دارای نرخ موفقیت مناسبی است. 
در این روش از شبکه مکانی راه ها در کنار داده های زمانی مکانی خودروهای شناور استفاده شده است.
در روش پیشنهادی ابتدا گامی به نام پیش پردازش شبکه راه ها و داده های FCD را برای پردازش اصلی آماده سازی میکند. پس از پیش پردازش داده ها، الگوریتم پیشنهادی موقعیت نقاط بر روی یال ها را یک به یک تعیین می کند. همچنین در این الگوریتم از اطلاعات مسیر خودرو برای بهبود نرخ موفقیت و افزایش سطح اطمینان استفاده شده است.

گام پیش پردازش

مرحله پیش پردازش به دو بخش پیش پردازش شبکه راه ها و پیش پردازش داده های خودرو شناور تقسیم بندی می شود. در مرحله پیش پردازش شبکه راه ها، ابتدا شبکه راه ها در حافظه مرکزی فراخوانی می شود. سپس با هدف بهبود عملکرد پرسوجوهای مکانی روی شبکه راه ها یک شاخص مکانی دوبعدی برای تمامی شبکه ایجاد می شود.
همچنین با هدف یافتن کوتاه ترین مسیر بر روی شبکه راه ها در شرایط نرخ نمونه برداری پایین، یک لیست مجاورت نیز در کنار شاخص مکانی ذخیره می شود. در این لیست برای هر گره مجموعه گره های مجاز جهت حرکت و طول یال های مربوطه ذخیره شده است. 
پیش پردازش داده های خودروی شناور نیز شامل دو گام است. درصورتی که الگوریتم به صورت پردازش جمعی اجرا شود گامی برای دسته بندی داده دریافتی بر اساس شناسه خودرو و استخراج خط سیر آنها اجرا می شود. 
گام بعدی حذف داده خودروهایی است که دارای قرائت های خارج از حدود شبکه راه ها هستند و یا نرخ نمونه برداری آن ها آن چنان قلیل بوده که فاصله زمانی میان دو گزارش متوالی از حد آستانه مشخصی بیشتر باشد. 
این حد آستانه به صورت تجربی و مشابه روش شناخته شده لئو و همکاران 20 دقیقه در نظر گرفته شده است. 
اطلاعات پیش پردازش شبکه راه ها پس از محاسبه در HDFS ذخیره سازی شده و تا زمان محاسبه مجدد بدون تغییر باقی  می مانند. بازه محاسبه مجدد اطلاعات پیش پردازش شده می تواند وابسته به قیود زمانی و حساسیت داده تعیین شود. 
همچنین اطلاعات پیش پردازش خودرو شناور نیز می توانند بسته به نوع کاربرد (آنی یا پردازش جمعی) نگهداری شوند. 

تعیین یال های کاندیدا

می دانیم جستجوی تمامی شبکه برای یافتن یال های کاندیدای هر نقطه GPS امری زمان بر و پرهزینه است. لذا نیاز است بخش کوچکی از شبکه راه ها برای شناسایی یال های کاندیدا انتخاب شوند. یکی از رویکردهای انتخاب مناطق کاندیدا انتخاب شوند.
یکی از رویکردهای انتخاب مناطق کاندیدا رویکرد ایجاد حوزه اطراف نقطه و انتخاب یال های متقاطع با محدوده حوزه است که این روش به علت هزینه های پردازشی روش مناسبی نیست. برای این منظور از شاخص بندی مکانی ایجاد شده در مرحله پیش پردازش استفاده می کنیم، لذا در عملیات جستجوی منطقه کاندیدا هیچ گونه پردازش اضافی به سیستم تحمیل نمی شود. 
در این روش برای یافتن مناطق کاندیدا نیاز است تنها سلول هایی از شاخص مکانی که فاصله نقطه GPS از مرکز آن ها از یک حد آستانه کمتر است را بیابیم. این حد آستانه مشابه روش قدوس و ولاگا با توجه به حداکثر خطای موقعیت یابی 40 متری در مناطق متراکم شهری انتخاب شده است.
بعد از یافتن سلول های کاندیدا یال هایی که درون این سلول ها واقع شده اند و یا از این طریق سلول ها گذشته اند به عنوان یال های کاندیدا فراخوانی شده و در لیست یال های کاندیدا فراخوانی شده و در لیست یال های کاندیدا قرار می گیرند. در گام بعدی یال های تکراری از این لیست حذف می شوند.

توسعه چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده های خودروهای شناور
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=۳۱۶۰۶۹
 
كلمات كليدی: رایانش ابری، محاسبات ابری، رایانش ابری خودرو، رایانش ابری خودرویی، الگوریتم رایانش ابری

مقالات مرتبط

SIGMACloud

SIGMACloud

شرکت سیگما ITID در سال 1383 تاسیس شد. طی 15 سال فعالیت، سیگما عمدتا بر طراحی، توسعه و استقرار پورتال سازمانی، خدمات آنلاین و محصولات و خدمات محاسبات ابری تمرکز داشت. ما به 150+ سازمان و شرکت های بزرگ در ارتباطات مخابراتی، بانکی، پرداخت و صنایع دولتی برای دستیابی به اهداف خود کمک کردیم.