Más

¿Cómo calcular la ruta de autobús óptima utilizando pgrouting?

¿Cómo calcular la ruta de autobús óptima utilizando pgrouting?


Mi configuración para mi página web es OpenLayers, Postgresql / postgis y pgrouting.

Lo que no entiendo es cómo voy a hacer el enrutamiento. He leído muchos tutoriales pero no entiendo cuál será mi próximo paso.

Así que descargué un archivo shp de datos osm en mi computadora e importé el 'roads.shp' a mi base de datos. En la base de datos, también tengo todas las paradas de mi ruta de autobús como tablas de puntos.

¿Cómo utilizo pgrouting a partir de ahora? ¿Qué algoritmo usar y cómo crear la topología? ¿Necesito fusionar las carreteras shp con las tablas de las paradas de la ruta del autobús?

Para obtener información adicional, no dude en preguntar.


¿Has realizado el taller de pgRouting?

El taller debe aclarar lo siguiente:

  • Existen herramientas de importación para datos OSM, por lo que la red contendrá la topología de enrutamiento ya después de la importación.
  • Si aún desea usar archivos SHP, explica cómo.

Sus paradas de autobús tienen coordenadas, por lo que solo debe comenzar desde el punto más cercano en su red de carreteras. Debido a que las paradas de autobús probablemente no van a cambiar, también puede hacer que sus paradas de autobús no sean nodos en su red de carreteras. Al principio, será más trabajo, pero las consultas de enrutamiento se volverán mucho más fáciles, ya que luego puede enrutar directamente desde un nodo de parada de autobús a otro.


Desarrollo de un algoritmo para el enrutamiento y seguimiento de autobuses para una institución educativa: un estudio de caso

La demanda de un servicio de autobús institucional varía cada año y afecta la eficiencia si el servicio permanece estático. Esto requiere la necesidad de desarrollar un procedimiento para identificar las paradas y rutas de autobús óptimas para incorporar la variación anual de la demanda. Este estudio tuvo como objetivo desarrollar un algoritmo para la reasignación de paradas y rutas de bus para un servicio de bus institucional considerando la variación anual de la demanda. El algoritmo desarrollado en el estudio identifica las paradas y rutas de autobús óptimas para atender la demanda en una plataforma de Sistema de Información Geográfica (SIG). Los estudiantes son asignados a la parada de autobús más cercana y se desarrollan las rutas óptimas asegurando la equidad. Los datos de ubicación de los autobuses en tiempo real ayudarán al viajero a reducir su tiempo de espera. El algoritmo desarrollado fue validado y probado con datos de campo y los resultados proporcionaron un enrutamiento con mejor nivel de servicio y equidad. En el estudio también se creó una interfaz de usuario basada en WebGIS para proporcionar al usuario los detalles de ubicación en tiempo real del bus solicitado. Los servidores abiertos como GeoServer y PostgreSQL se utilizaron para la creación de capas en la interfaz de usuario, y la página web se creó con script Java y lenguaje PHP.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Autores

Viajar a la escuela es una empresa compleja que se refiere a los viajes diarios de los estudiantes desde sus residencias a sus escuelas y viceversa. El problema de la ruta del autobús escolar se diferencia del problema de la ruta de un vehículo convencional porque implica un procedimiento de recepción y entrega de objetos vulnerables transportados (estudiantes). En el sistema de transporte escolar griego, este procedimiento se ejecuta en redes de transporte complejas, siguiendo una serie de rutas formuladas con un enfoque empírico y no un modelo matemático. Muchas escuelas diseñan estas rutas mediante un proceso manual, teniendo en cuenta principalmente los requisitos de los padres. Sin embargo, las complejidades de los problemas de enrutamiento de los autobuses escolares, como las condiciones locales, los costos operativos y las necesidades del cliente, hacen que todo el procedimiento sea extremadamente desafiante y hacen que la adopción de una solución de software sea una necesidad. Teniendo en cuenta este marco, este documento presenta un método de siete pasos desarrollado para optimizar las rutas de autobuses escolares de una escuela privada en Salónica, Grecia. El método se basa en análisis de conglomerados y algoritmos genéticos, teniendo en cuenta las características geográficas de la red de carreteras, así como la distribución del comportamiento y los requisitos de viaje del estudiante. Los resultados derivados de la prueba piloto verifican las consideraciones iniciales: reducir la distancia y el tiempo de viaje optimizando la ruta de los autobuses escolares disminuye la posibilidad de que los estudiantes se vean involucrados en accidentes viales y mejora la calidad del aire a través de una reducción de las emisiones de combustible.


Una mejor forma de calcular las rutas de los autobuses escolares

Tengo que llegar a la escuela a tiempo. Crédito: deanhochman / flickr, CC BY

Aquí hay un problema de matemáticas que incluso los distritos escolares más brillantes luchan por resolver: hacer que hordas de estudiantes de primaria, secundaria y preparatoria suban a los autobuses y lleguen a la escuela a tiempo todos los días.

Transportar a todos estos alumnos presenta un problema grande y complejo. Algunos distritos escolares utilizan sistemas de software existentes para desarrollar sus rutas de autobús. Otros todavía desarrollan estas rutas manualmente.

En tales problemas, la mejora de la eficiencia operativa, aunque sea un poco, podría resultar en grandes ventajas. Cada autobús escolar cuesta a los distritos escolares entre 60.000 y 100.000 dólares. Por lo tanto, programar los autobuses de manera más eficiente resultará en ahorros monetarios significativos.

Durante el año pasado, hemos estado trabajando con el Sistema de Escuelas Públicas del Condado de Howard (HCPSS) en Maryland para analizar su sistema de transporte y recomendar formas de mejorarlo. Hemos desarrollado una forma de optimizar las rutas de los autobuses escolares, gracias a nuevos modelos matemáticos.

Encontrar la solución óptima a este problema es muy valioso, incluso si esa solución óptima es solo un poco mejor que el plan actual. Una solución que es solo un uno por ciento peor requeriría una cantidad considerable de autobuses adicionales debido al tamaño de la operación.

Al optimizar las rutas de los autobuses, las escuelas pueden reducir los costos y, al mismo tiempo, atender a todos los niños de su distrito. Nuestro análisis muestra que HCPSS puede ahorrar entre un cinco y un siete por ciento en la cantidad de autobuses necesarios.

Un viaje en autobús por la tarde comienza desde una escuela determinada y visita una secuencia de paradas, dejando a los estudiantes hasta que el autobús está vacío. Una ruta es una secuencia de viajes de diferentes escuelas que están conectadas entre sí para ser atendidas por un autobús.

Nuestro objetivo era reducir tanto el tiempo total que los autobuses pasan sin estudiantes a bordo, también conocido como tiempo muerto agregado, como la cantidad de rutas. Menos rutas requieren menos autobuses, ya que cada ruta está asignada a un solo autobús. Nuestro enfoque utiliza análisis de datos y modelos matemáticos para encontrar la solución óptima en un tiempo relativamente corto.

Para resolver este problema, un algoritmo informático considera todos los viajes en autobús del distrito. Sin modificar los viajes, el algoritmo los asigna a rutas de manera que se minimizan el tiempo muerto total y el número de rutas. Las rutas individuales se vuelven más largas, lo que permite que el autobús ofrezca más viajes en una sola ruta.

Dado que los viajes son fijos, de esta manera podemos disminuir el tiempo total que los buses están en ruta. Minimizar el recorrido de la cabeza muerta da como resultado ahorros de costos y reducciones en la contaminación del aire.

Las rutas que generamos pueden verse como un límite inferior al número de autobuses que necesitan los distritos escolares. Podemos encontrar la solución óptima para HCPSS en menos de un minuto.

Mientras trabajábamos en las rutas, decidimos abordar también el problema de los viajes en autobús. Para hacer esto, necesitábamos determinar qué viajes se requieren para atender a los estudiantes de cada escuela en el sistema, dada la capacidad de los autobuses, la ubicación de las paradas y la cantidad de estudiantes en cada parada. Esto tiene un impacto directo en cómo se eligen las rutas.

La mayoría de los modelos existentes apuntan a minimizar el tiempo total de viaje o el número total de viajes. La creencia en tales casos es que, al minimizar la cantidad de viajes, puede minimizar la cantidad de autobuses necesarios en general.

Sin embargo, nuestro trabajo muestra que no siempre es así. Encontramos una manera de reducir la cantidad de autobuses necesarios para satisfacer las demandas de transporte, sin tratar de minimizar ninguno de los dos objetivos anteriores. Nuestro enfoque considera no solo minimizar el número de viajes, sino también cómo estos viajes pueden vincularse entre sí.

En octubre pasado, presentamos nuestro trabajo en la conferencia de la Asociación de Transporte de Alumnos de Maryland. Un miembro de la audiencia en esa conferencia sugirió que analicemos los horarios de inicio y salida de la escuela. Al cambiar los horarios de inicio de la escuela secundaria, la escuela intermedia y la escuela primaria, las operaciones de autobús podrían ser incluso más eficientes. Los cambios leves en los horarios de inicio de la escuela pueden hacer posible vincular más viajes en una sola ruta de autobús, lo que reduce la cantidad de autobuses necesarios en general.

Desarrollamos un modelo que optimiza las horas de timbre de la escuela, dado que cada una de las horas de inicio de la escuela primaria, secundaria y preparatoria se encuentra dentro de una ventana de tiempo preespecificada. Por ejemplo, la ventana de tiempo para el inicio de la escuela primaria sería de 8:15 a 9:25 a.m. para las escuelas intermedias, de 7:40 a 8:30 a.m. y todas las escuelas secundarias comenzarían a las 7:25 a.m.

Nuestro modelo analiza todos los viajes en autobús y busca la combinación óptima de horario de salida de la escuela, de modo que se minimice el número de autobuses escolares, que es el principal factor que contribuye a los costos. Descubrimos que, en la mayoría de los casos, optimizar los tiempos de timbre resulta en ahorros significativos en cuanto al número de autobuses.

Usando nuestro modelo, ejecutamos diferentes "¿y si?" escenarios que utilizan diferentes horarios de inicio y salida de clases para el HCPSS. Actualmente, la Junta Escolar del Condado de Howard está considerando cuatro de ellos para su posible implementación.

También continuamos mejorando nuestros modelos actuales de transporte de autobuses escolares, así como desarrollando nuevas formas de mejorar aún más la eficiencia y reducir los costos.

Por ejemplo, estamos construyendo modelos que pueden ayudar a las escuelas a seleccionar los proveedores adecuados para sus necesidades de transporte, así como a minimizar la cantidad de horas que los autobuses funcionan por día.

En el futuro, el tipo de modelos en los que estamos trabajando podría integrarse en un sistema de software que las escuelas puedan usar por sí mismas. Realmente no existe ningún impedimento en el uso de este tipo de sistemas siempre que los sistemas escolares cuenten con una base de datos electrónica de sus paradas, viajes y rutas.

Este software podría potencialmente implementarse en todos los distritos escolares de la nación. Muchos de estos distritos se beneficiarían del uso de tales modelos para evaluar sus operaciones actuales y determinar si se pueden realizar ahorros. Con muchos municipios luchando con los presupuestos, este tipo de innovación podría ahorrar dinero sin degradar el servicio.

Este artículo se publicó originalmente en The Conversation. Lea el artículo original.


Introducción

El sistema de autobús de tránsito rápido (BRT), también conocido como Transitway o Metro, se está utilizando en diferentes partes del mundo como sistema de transporte público. Es confiable en términos de capacidad, eficiencia de tiempo y asequibilidad, en comparación con el sistema de bus convencional. Durante varios años, el sistema de tránsito ferroviario urbano se ha mantenido como el único sistema para abordar de manera eficiente los problemas de transporte emergentes en áreas urbanas altas; sin embargo, los sistemas BRT lo han eclipsado en términos de costo de construcción, operación y mantenimiento del sistema, el tiempo requerido para desarrollar el sistema, una mayor flexibilidad y la capacidad de rendimiento comparativamente alta [1]. Otro estudio se llevó a cabo mediante el desarrollo de un modelo para contrastar los sistemas de BRT, tren ligero y tren pesado, y sugirió que el BRT de alto estándar es el sistema más rentable en términos de costo de usuarios y operadores, mientras que el resto solo puede sería superior si la velocidad de funcionamiento se mantuvo más rápida que la del BRT [2]. Por lo tanto, para la población urbana cada vez mayor, el sistema BRT parece ser un modo de transporte bastante útil en el aspecto del futuro debido a sus méritos sobre otros modos de transporte.

Un componente muy importante y clave en la fase de diseño del sistema BRT es la determinación de la densidad y la ubicación de las estaciones, junto con la ruta prevista, donde se debe proporcionar la instalación. La densidad y la ubicación de las estaciones BRT juegan un papel crucial en la determinación de la accesibilidad del sistema BRT, mientras que el factor de accesibilidad es muy importante de ser considerado, ya que la eficiencia y el Nivel de Servicio (LOS) del sistema BRT depende principalmente sobre la accesibilidad [3]. La accesibilidad para los pasajeros se puede mejorar aumentando el número de estaciones, sin embargo, posiblemente aumentaría los retrasos debido a las aceleraciones y desaceleraciones excesivas en todas las estaciones. Estos retrasos adicionales eventualmente afectarían el tiempo total en el vehículo, así como el costo del operador debido a la necesidad de autobuses adicionales para atender cada estación [4].

Por lo tanto, el objetivo de este estudio es proporcionar un marco completo que sea útil para determinar la densidad y la ubicación de las estaciones de BRT optimizando el costo de los usuarios y operadores. El costo del usuario compuesto por el costo en el vehículo de los usuarios depende principalmente del tiempo que los usuarios pasan en el vehículo y el valor asociado con ese tiempo. Para minimizar este costo, los usuarios deben dedicar un tiempo mínimo colectivo en el vehículo. De manera similar, el costo de acceso de los usuarios también es parte del costo del usuario y depende del tiempo que requieran los usuarios para llegar al sistema BRT y el valor asociado con ese tiempo. Este tiempo debe ser el mínimo posible para minimizar el costo de acceso de los usuarios. Por último, el costo del operador depende fundamentalmente del tamaño de la flota que debe involucrar el número mínimo óptimo de autobuses para evitar el alza en el costo total.

Chien y Qin [3] han realizado un trabajo similar, quienes desarrollaron y optimizaron el modelo matemático utilizando el algoritmo genético (GA). El GA puede optimizar tanto funciones continuas como discretas, así como problemas multiobjetivo. Sin embargo, además de las ventajas, una de las principales desventajas de GA es que una elección desfavorable de los parámetros de GA podría afectar el resultado de la aplicación. La elección de los parámetros vitales de GA, como el cruce y la tasa de mutación, así como los criterios de selección de la nueva población, deben realizarse con cuidado. Cualquier elección inapropiada de estos parámetros dificultará la convergencia de GA o simplemente producirá resultados sin sentido [5, 6]. Inspirándonos en el trabajo realizado por Chien y Qin [3], en nuestro artículo, modificamos la función de costo total y determinamos la densidad y las ubicaciones óptimas de las estaciones de BRT a lo largo del corredor de servicio. El costo operativo del BRT en el vehículo se modifica y el costo personal y de mantenimiento del BRT está integrado en él. La adición de una nueva estación en el corredor de servicio BRT puede afectar considerablemente el costo personal y administrativo e influir en el costo al final del operador. De manera similar, el número de estaciones en el corredor de servicio hace que los autobuses aceleren y desaceleren, lo que influye en el mantenimiento del autobús. Además, también hemos utilizado tres algoritmos evolutivos (EA) diferentes que son optimización de enjambre de partículas (PSO), evolución diferencial (DE) y GA para la optimización de la función de costo total. En contraste con el estudio anterior, se realiza un análisis de sensibilidad integral para un análisis en profundidad de varias variables independientes utilizadas en la función de costo total, además, el marco proporciona la única solución óptima contra el número particular de estaciones en comparación con las múltiples combinaciones presentadas en el estudio anterior. En consecuencia, estos avances dan como resultado el desarrollo de un nuevo marco que es simple, eficiente y científicamente confiable en la formulación de políticas.

Los EA que se han utilizado para problemas de optimización ahora se hicieron muy famosos entre la mayoría de los investigadores en las últimas décadas. Estos algoritmos se han aplicado a muchos campos de la ingeniería y las ciencias aplicadas para descubrir las soluciones optimizadas debido a su estructura y aplicabilidad simples. Entre las diversas técnicas propuestas, los tres algoritmos que son muy similares y famosos son DE, GA y PSO. Como el algoritmo genético es más conformista y está bien establecido entre los demás debido a su introducción anterior [7], la DE y la PSO relativamente recientes se hicieron ampliamente conocidas debido a su capacidad para encontrar soluciones optimizadas para problemas continuos y discretos. GA es una técnica de optimización metaheurística basada en la población que emplea un mecanismo inspirado en los organismos vivos como los procesos de selección, reproducción y mutación, que funciona según el principio de “supervivencia del más apto” [8].

Casi todos los EA comparten los mismos procesos y operaciones. Hay tres operaciones y procesos principales en todos los EA, donde el primer paso es la inicialización en la que se produce la población inicial de individuos generada aleatoriamente con respecto a alguna representación de solución especificada, ya que la representación de solución es la parte más crítica en cualquier algoritmo evolutivo. que de qué manera debe ser representado. Debe representarse con respecto a los elementos de algún método evolutivo específico, ya que es responsable de producir la solución factible. Si la representación de la solución no se realiza de manera adecuada, puede conducir a una solución inviable. Además de la representación de la solución, se deben tener en cuenta dos parámetros más críticos antes de ingresar al programa (es decir, el tamaño de la población y el número máximo de iteraciones). Se debe determinar inicialmente, ya que estos dos parámetros tienen una gran influencia en el tiempo de solución. y calidad. Después de la inicialización, el siguiente paso es evaluar cada solución presente en la población con respecto a los valores de aptitud. El propósito de evaluar la solución es averiguar la población de aptitud promedio o clasificar cada solución en la población por motivos de selección. Por fin, se crea la generación de la nueva población mediante la perturbación de soluciones en la población actual. La figura 1 muestra estos tres procesos de la EA. Para una discusión completa novedosa de EA, vea [9, 10].

Diagrama de flujo que representa los pasos básicos de los algoritmos evolutivos.

Para ilustrar las operaciones del EA como se muestra en la Fig.1, los pasos para el EA básico se enumeran a continuación:

Generando la población inicial.

Evaluación de valores individuales de aptitud

¿Comprobar que se cumplen o no todos los criterios de parada? Si es así, entonces el programa se detendrá y se logrará la solución requerida. Si es no, pasará al siguiente paso.

Generar la nueva población y subir para evaluar los valores de aptitud. Este bucle continuará ejecutándose hasta que se cumplan todos los criterios de parada requeridos.

Muchos investigadores han empleado con éxito EA en el campo de la ingeniería de transporte, Saeidi [11] trabajó en la mejora de la eficiencia del sistema de transporte público optimizando las rutas utilizando el GA, Koh [12] utilizó DE en el campo de la planificación del transporte para resolver bi -Problemas de programación a nivel. Wu y col. [13] examinó exhaustivamente las aplicaciones de PSO en el ámbito de la ingeniería ferroviaria. Se concluyó que la PSO ha tenido cada vez más aplicaciones en el campo de la ingeniería ferroviaria, mientras que la planificación del diseño de la red, la programación y los controles activos son las principales áreas de investigación. Además, muchos investigadores afirmaron que PSO es un método viable y su eficiencia computacional es mejor que GA y DE [14, 15, 16, 17]. Además, hay un grupo de estudios que utilizaron PSO para resolver el problema de optimización de rutas BRT y los problemas de diseño de redes de transporte (TNDP) en áreas urbanas de alta densidad [18,19,20,21]. Muchos estudios se centraron en el espaciamiento de las estaciones de autobuses en las zonas urbanas. Saka [22] propuso un modelo para optimizar el espaciamiento de las estaciones de autobuses y concluyó que el espaciamiento correcto de las estaciones de autobuses puede causar una reducción en la distancia y el tiempo de viaje, lo que finalmente crearía un impacto en la reducción del costo del operador. Además, el espacio optimizado de las estaciones de autobuses da como resultado un número menor de autobuses en la flota, lo que reduce el costo del operador. Moura y col. [23] presentó un modelo de dos etapas para encontrar las ubicaciones óptimas de las estaciones de autobuses. En la primera etapa, el costo asociado con el sistema se minimizó al ubicar estratégicamente las estaciones de autobuses, mientras que la segunda etapa maximizó la velocidad de operación al ubicar tácticamente las estaciones de autobuses. Así, concluyó que las ubicaciones de la estación de autobuses influyen en la velocidad operativa comercial de los autobuses. Ceder y col. [24] diseñó un modelo para optimizar las ubicaciones de las paradas de autobús en una ruta determinada para la topografía irregular. Algunos otros estudios también se llevaron a cabo con especial atención a las zonas urbanas [25, 26].

Además de presentar los modelos y las soluciones al problema del espaciamiento de las estaciones, numerosos investigadores también estudiaron la relación entre el espaciado de las estaciones y los parámetros de influencia, por ejemplo, el avance y la velocidad. Chien y col. [27] estudiaron específicamente la relación entre el avance de los autobuses y el espaciamiento de la estación de autobuses. Desarrollaron el modelo matemático y han tomado el tiempo de viaje de los usuarios como función objetiva. También es importante señalar que durante el estudio se consideró un tiempo de espera realista. Se observó que existe una relación inversa entre el tamaño de la flota y el espaciamiento óptimo entre las estaciones de amplificación y el paso, mientras que existe una relación directa entre la demanda de pasajeros y el tiempo de viaje. Chang y Schonfeld [28] también trabajaron en la optimización de los avances en su estudio y desarrollaron el modelo analítico para optimizar el BRT. Además de los avances, Tirachini [29] realizó un estudio exhaustivo sobre la relación entre la velocidad de funcionamiento de los autobuses y el espaciamiento de las estaciones de autobuses. Concluyó que si la velocidad de operación del autobús es constante y la demanda de los pasajeros está aumentando, entonces debería haber un menor espacio entre las estaciones de autobuses, mientras que, por otro lado, si la velocidad de operación del autobús está aumentando, las estaciones de autobús deben estar espaciadas a grandes distancias a pesar de el aumento de la demanda.

Hay varios estudios en los que los investigadores utilizaron de manera eficiente diversas herramientas y técnicas para someterse al estudio sobre el problema de espaciado de las estaciones óptimas. Dell'Olio [30] propuso un modelo que puede ubicar las estaciones de autobuses y llevar a cabo la optimización de las frecuencias de los autobuses teniendo en cuenta el costo de la construcción de las estaciones de autobuses, la prestación de servicios y la operación del sistema de autobuses. Se definen dos niveles, el primer nivel trata sobre el costo de los sistemas y el otro sobre el comportamiento del usuario considerando el modelo de asignación de transporte público. El modelo redujo los tiempos de acceso, desplazamiento y espera de los usuarios, mientras que por parte del operador se notó que los buenos servicios se brindaron con el pequeño incremento en el costo de operación. El modelo también se aplicó a un caso que muestra que si se tienen en cuenta los criterios de situación práctica, el ahorro de costes es menor que si se consideran los criterios científicos del modelo aplicado. En general, el modelo mostró resultados satisfactorios cuando se aplicó a problemas prácticos. Li y Bertini [31] consideraron dos componentes de costo: el primero es el costo de acceso de los pasajeros y el segundo es el costo de parada de pasajeros en el vehículo utilizando los datos de nivel de parada archivados de alta resolución y utilizados en el modelo para encontrar el espaciado óptimo del autobús estaciones. Furth y Rahbee [32] utilizaron un modelo geográfico y un enfoque de programación dinámica para encontrar la ubicación y el espaciamiento óptimos de las estaciones de autobuses. Furth y col. [33] han realizado un análisis mejorado del espaciamiento de las estaciones de autobuses utilizando el Sistema de Información Geográfica (SIG).

Las anotaciones que se utilizarán en todo nuestro documento se enumeran en la Tabla 1. Las próximas secciones se enumeran de la siguiente manera: La descripción de la línea de servicio BRT se indica en la Sect. 2, mientras que la Secta. 3 explica la formulación del modelo y la preparación de la función de costo total. Luego, el concepto y la aplicación de DE, GA y PSO se explican en la Sec. 4. Luego, se presentan los experimentos computacionales, es decir, el ejemplo numérico diseñado y el análisis de sensibilidad, y posteriormente, la conclusión se resume en la última sección de este trabajo.


¿Cómo calcular la ruta de autobús óptima utilizando pgrouting? - Sistemas de Información Geográfica

Información del papel

Información de la revista

Revista internacional de ingeniería de tráfico y transporte

p-ISSN: 2325-0062 e-ISSN: 2325-0070

Herramienta basada en datos para planificar rutas de autobuses alimentadores de metro

Dahai Han, Jie Yu

Departamento de Ingeniería Civil y Ambiental, Universidad de Wisconsin en Milwaukee, Milwaukee, Estados Unidos

Correspondencia a: Jie Yu, Departamento de Ingeniería Civil y Ambiental, Universidad de Wisconsin en Milwaukee, Milwaukee, Estados Unidos.

Correo electrónico:

Copyright © 2019 El autor (es). Publicado por Scientific & Academic Publishing.

Este trabajo tiene la licencia Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/

El transporte de pasajeros desde una estación de metro hasta las residencias circundantes con autobuses alimentadores puede abordar eficazmente el problema de la "última milla". Este documento presenta una herramienta sistemática basada en datos para la planificación de rutas de autobuses alimentadores de metro e ilustra sus aplicaciones en Chongqing, China. El sistema propuesto presenta su flexibilidad teniendo en cuenta varios problemas críticos durante las fases de planificación del bus alimentador, incluido el modelado de la demanda con datos de teléfonos móviles, la gestión de la accesibilidad de los pasajeros a través de plataformas GIS abiertas, la optimización de paradas y rutas utilizando modelos matemáticos tratables y la visualización en línea de los resultados a través de un Marco de software como servicio (SaaS). Los resultados del estudio de caso del mundo real demostraron la eficacia de la herramienta propuesta.

Palabras clave: Alimentador de bus, planificación de rutas, basado en datos, Open GIS, software como servicio (SaaS)


Tecnología GPS y GIS

Los sistemas de posicionamiento global o GPS se utilizan para encontrar la ubicación exacta de las cosas. Los sistemas de información geográfica o SIG se utilizan para registrar información en mapas. Tanto el GPS como el GIS son útiles en la gestión de tierras en las tierras altas.

Los sistemas de posicionamiento global o GPS se utilizan para encontrar la ubicación exacta de las cosas. Los sistemas de información geográfica o SIG se utilizan para registrar información en mapas. Tanto el GPS como el GIS son útiles en la gestión de tierras en las tierras altas.

¿Quién ha oído hablar del GPS?

GPS significa sistemas de posicionamiento global y ahora se utilizan en todo el mundo. Una unidad GPS es en realidad un receptor que recopila señales de satélites.

Los satélites del Sistema de posicionamiento global transmiten señales a los receptores GPS en tierra. Los receptores requieren una vista clara del cielo, por lo que solo se usan al aire libre y no funcionan bien en bosques o cerca de edificios altos.

Cada satélite GPS tiene un reloj atómico y envía una señal indicando su ubicación y la hora exacta. Todos los satélites GPS transmiten al mismo tiempo. Las señales se mueven a la velocidad de la luz y llegan a un receptor GPS en momentos ligeramente diferentes porque algunos satélites están más lejos que otros. La distancia a los satélites GPS se puede calcular estimando la cantidad de tiempo que tardan sus señales en llegar al receptor. Cuando el receptor estima la distancia a al menos cuatro satélites GPS, puede calcular su posición en latitud, longitud y altura.

Mire este video de Youtube para obtener más información sobre cómo funciona el GPS.

Usos del GPS

El GPS tiene muchos usos, por ejemplo

  • Sincronización del reloj: las señales horarias del GPS utilizan relojes atómicos de alta precisión. Esta tecnología se puede utilizar para cosas como actualizaciones automáticas del horario de verano en teléfonos móviles.
  • Servicios de emergencia y socorro en casos de desastre: dependa del GPS para la ubicación
  • Seguimiento de un vehículo, persona, mascota o avión: los receptores proporcionan un seguimiento continuo y pueden proporcionar una alerta si el receptor abandona un área determinada. Las mascotas se pueden desconchar para poder encontrarlas si se pierden
  • Geoetiquetado: aplicación de coordenadas de ubicación a objetos digitales, como fotografías y otros documentos, con el fin de crear superposiciones de mapas.
  • Comentario del recorrido en autobús: su ubicación determinará qué información se muestra sobre los puntos de interés que se acercan
  • Paradas de autobús: para mostrar cuánto tardará el autobús en llegar a una parada de autobús.
  • Navegación: por ejemplo, Navman. El dispositivo utiliza la activación por voz para describir una ruta preferida según la posición del receptor, la posición del destino y un mapa de calles.
  • Balizas de localización personal (PLB): se utilizan para informar a las autoridades de búsqueda y rescate de su ubicación exacta en caso de una emergencia
  • Recreación: por ejemplo, geocaching y waymarking
  • Topografía: los topógrafos utilizan ubicaciones absolutas para hacer mapas y determinar los límites de la propiedad
  • Tectónica: permite la medición del movimiento de fallas en terremotos.

¿Cómo crees que se usa el GPS en las tierras altas?

Que es GIS

Los mapas han recorrido un largo camino desde que las personas comenzaron a dibujar para mostrar dónde estaban. Los mapas modernos se crean utilizando un software especial que combina muchos tipos diferentes de información. Este sistema de cartografía moderna se llama GIS - Sistemas de información geográfica. El SIG es utilizado por organizaciones, como los ayuntamientos, que necesitan acceso a datos y necesitan poder combinar diferentes conjuntos de datos. Los SIG les brindan a las personas de estas organizaciones representaciones gráficas de datos que les permiten:

  • analizar situaciones
  • escribir reportes
  • cambio de camino
  • tomar decisiones
  • planificar para el futuro, por ejemplo, qué partes del país alto se han sometido a revisión de tenencia
  1. Personas: las personas que usan GIS son profesionales que han sido educados para usar GIS y han hecho una carrera trabajando con GIS.
  2. Datos: la información geoespacial (dónde se encuentran las cosas) y los detalles de objetos como servicios, carreteras, edificios, etc. se recopilan e ingresan en el software GIS.
  3. Software: el software GIS analiza los datos y los presenta en diferentes combinaciones para el usuario.
  4. Hardware: incluye dispositivos portátiles para recopilar datos y computadoras con software GIS

Los datos contenidos en un sistema GIS se almacenan en conjuntos de datos llamados "conjuntos de datos" en una base de datos. Los conjuntos de datos se pueden seleccionar, combinar y presentar como capas:

¿Quién ha oído hablar del GPS?

GPS significa sistemas de posicionamiento global y ahora se utilizan en todo el mundo. Una unidad GPS es un receptor que capta señales de satélites.

Los satélites del Sistema de posicionamiento global transmiten señales a los receptores GPS en tierra. Los receptores necesitan una vista clara del cielo, por lo que solo se usan al aire libre y no funcionan bien en bosques o cerca de edificios altos.

Los satélites transmiten la hora exacta en que se envían las señales. Al restar la hora en que se transmitió la señal de la hora en que se recibió, el GPS puede saber qué tan lejos está de cada satélite. El receptor GPS también conoce la posición exacta en el cielo de los satélites, en el momento en que enviaron sus señales.

Mire este video de Youtube para obtener más información sobre cómo funciona el GPS.

Usos del GPS

El GPS tiene muchos usos, por ejemplo

  • Configuración de la hora: actualización automática de la hora del teléfono celular cuando comienza y termina el horario de verano
  • Servicios de emergencia y socorro en casos de desastre: dependa del GPS para la ubicación
  • Rastrear un vehículo, una persona, una mascota que ha sido astillada o un avión
  • Paradas de autobús: para mostrar cuánto tardará el autobús en llegar a una parada.
  • Navegación: por ejemplo, el dispositivo Navman, utiliza la activación por voz para describir una ruta basada en la posición del receptor, la posición del destino y un mapa de calles
  • Balizas de localización personal (PLB): se utilizan para indicar a los expertos en búsqueda y rescate dónde se encuentra alguien.
  • Recreation: eg tramping, climbing, diving, sailing
  • Surveying: Surveyors use GPS locations to make maps and work out property boundaries
  • Tectonics: the movement of faults during earthquakes can be measured

How do you think GPS is used in the high country?

What is GIS

Maps have come a long way since people first began drawings to show where they were. Modern maps are made using special software that combines lots of different sorts of information. This system of modern mapping is called GIS – Geographic Information Systems. GIS is used by groups such as city councils, that need access to data and need to be able to combine different data sets together. GIS gives people a picture of data that allows them to:

  • problem solve
  • write reports
  • track changes
  • make decisions
  • plan for the future eg which areas of the high country have completed tenure review
  1. People: people who are trained in GIS
  2. Data: geospatial information (where things are located) is entered into the GIS software
  3. Software: GIS software analyses data and presents it in different ways for the user
  4. Hardware: includes hand held devices for collecting data and computers with GIS software

Data contained in a GIS system is stored in sets of data called ‘data sets’ in a database. Data sets can be selected, combined and presented as layers:

pūnaha kimi taunga Sistema de Posicionamiento Global
ao whānui worldwide, global
āmiorangi satellite
karaka clock
whakatere navegación
pūnaha rorohiko computer system

If you were wanting to develop a piece of land in the high country how would you use GPS and GIS to make this easier?

If you were wanting to develop a piece of land in the high country how would you use GPS and GIS to make this easier?

Nic Donnelly from LINZ shows the GPS equipment used for finding exact locations during surveying work. Image: LEARNZ.

GPS devices are useful for activities such as tramping and climbing where it is important to know where you are. Image: LINZ.

Car navigation systems use GPS to give directions. What are the advantages and disadvantages of using a Car navigation system? Image: LINZ.

The Mackenzie District Council uses a GIS map to record different layers of information. Why might this be useful? Image: Mackenzie District Council Online Map Viewer.


GIS Applications for Environment and Resources

2.18.2.1.1 Analytical and modeling approaches

Transit has its own process for analysis and modeling, while GIS also has plenty of functions for data manipulation, management, analysis, and presentation. It is important to apply GIS to facilitating the needs of various transit analyses and operation. Similar to the methods for general GIS for transportation analysis, GIS for transit also needs to develop its models for transit data representation, transit information presentation, and transit network analysis, like finding the best transit route, calculating the attributes of the routes, performing transit passenger assignments, estimating transit origin–destination (O–D) matrix, finding the best transit facility location, and forecasting transit demands, etc.

Transit O–D flow data are commonly used in transit studies. In transportation modeling packages, they are traditionally represented in matrix forms, a two-dimensional array. But the relational database in GIS is based on a relational model of data, which does not directly support the analysis of matrix data. The matrix data are usually transformed into a relational table in GIS before conventional GIS functions can be applied to the O–D flow data. Some GIS-based transit models are developed as add-ons to the existing GIS packages.

Many transit data include both spatial information about the location of the transit facilities and temporal information about the arrival and departure time of the transit riders. The spatial–temporal data for transit trips also need existing GIS packages to be extended and enhanced because few of them provide necessary support for spatial–temporal information.

There are a number of methods available for transit path finding. As a GIS-based transportation package, Caliper’s TransCAD provides four route choice models for finding the best paths and extracting path attributes ( Caliper, 2004 ). Similar to other transportation models , transit shortest path method also aims to find the best path from an origin to a destination that minimizes travel costs measured in time, distance, or monetary value like transit fares. Because each transit system has its own designated route system, which is different from traditional road network links. Though a path segment may serve multiple transit lines at the same time, only one transit line can be chosen on any path segment for finding the shortest path. The shortest path algorithm available in GIS network analyst packages is usually adapted to find the transit shortest path in transit route system based on transit fares.

Based on the methods for transit path finding, transit assignment approaches are developed to estimate transit riders’ selection of routes and also load their trips to transit networks. Similar to the automobile on road networks, the general methods for transit trip assignment also include all-or-nothing (AON), Pathfinder, and User Equilibrium assignments.

As the simplest mechanism used for transit trip assignment, the AON approach does not consider capacity constraints of transit systems. It assumes that travel costs are fixed and they do not response to the change of link flows. The major task of AON assignment is to find shortest travel paths for trips between each O–D pairs using free-flow travel costs for each path. As an upgraded method for transit assignment, pathfinder algorithm handles cases with multiple identical routes serving the same O–D pair and the route segments overlapping in the transit network. Pathfinder algorithm develops trunk links for the overlapped route segments. It finds the best path on the network and split transit flows for truck links based on route service frequency. In both AON and Pathfinder approaches, travel costs for making a transit trip include transit fare and the monetary values of in-vehicle time, waiting time at transit stops, dwelling time of transit vehicles at stops, transfer penalty time, and nontransit time, such as walking time to transit stops, which are usually stored, manipulated, and presented on a GIS-based platform (Caliper, 2004).

An appropriate user equilibrium network assignment model is developed to predict transit traffic on congested transit networks. No rider can unilaterally reduce his/her travel costs by shifting to another transit route, which is based on Wardrop’s (1952) first principle. A general user equilibrium algorithm implies that all individual travelers have a totally accurate perception of current network conditions and always make trips following the actually shortest or cheapest path under these conditions. When these strict assumptions are relaxed by allowing each individual traveler to perceive a different and random travel cost on the same link, it becomes a probabilistic methods called stochastic user equilibrium algorithm (SUE). The SUE for transit trips assumes that a transit rider choose a path from origin to destination based on the attractiveness of the path calculated based on transit fares, travel time, and possible transfer penalties. The SUE solves problems in an iterative procedure.

In a GIS for transit, AON and SUE assignment implements the algorithm available in GIS network analyst to find the shortest path for an O–D pair and then load all the transit riders on the O–D pair to the shortest path in the transit route system. As an example, Huang et al. (2010) presented a support framework of bus network optimization based on GIS and genetic algorithms. The support system consists of several functions that are needed for bus network optimization. First, an accessibility model is built using land use and population data, by which the amount of trip generation and attraction at bus stops can be estimated. Second, with these demands at stops, candidate bus routes between each terminal pairs are created. A candidate route is validated for its spatial features and demand, such as route length, balance of generation and attraction, and minimum number of stops. Third, optimizing bus routes are derived from the large set of candidates, using a genetic algorithm. The planning support framework provides transit planners and policy makers with a preliminary solution set of bus routes for final deployment. All this research has been accomplished on a GIS-based platform.


Conclusiones

Accessibility to services and facilities and, in particular, to healthy food, is an important social equity issue ( Reference Apparicio, Cloutier and Shearmur 39 ) . Geographic analysis models may provide local authorities and policy makers with new views and possibilities for making decisions as to the location of services in order to offer a fair choice to the entire population. For example, Banos et al. ( Reference Banos and Huguenin-Richard 54 , Reference Banos and Banos 80 ) have designed a GIS application that identifies hot spots by spatial regression ( Reference Anselin, Syabri and Kho 81 ) . These results enabled the targeting of parts of the road network that needed modifications ( Reference Banos and Banos 80 ) . Gatrell and Naumann ( Reference Gatrell and Naumann 82 ) adapted this tool to the field of health-care and suggested potential sites for building new hospitals, with various scenarios being examined according to traffic density.

It should also be noted that spatial accessibility of healthy food is only one of the multiple determinants of a healthy lifestyle, as emphasised by socio-ecological models of behaviours ( Reference Sallis and Glanz 2 – Reference Townshend and Lake 4 ) . Further development of spatial analysis methods should help to better define its importance in various settings ( Reference Cummins 83 ) . On the basis of the articles reviewed here, we suggest two avenues for future methodological research when analysing accessibility of facilities relevant to food behaviour. First, there is a need to test and compare more sophisticated spatial GIS modelling such as travel time or potential model principles and gravity models ( Reference Guagliardo 58 , Reference Weber and Hirsch 84 ) . The latter combine diversity (type of facilities) and accessibility by using distribution of facilities throughout the area, together with a distance function to calculate the attractiveness of a food outlet (catchment area). Second, future research should benefit from a combination of GIS methods and survey approaches to describe both spatial and social food outlet accessibility, and to better understand how the food environment influences food behaviour and health.


Ver el vídeo: Algoritmo Dijkstra con PostgreSQL + PostGIS usando pgRouting parte 1