مجله حکمرانی و شهر هوشمند 3115-8633 1 پیاپی 2 2025 09 08 The Application of Big Data in Urban Traffic Prediction and Management کاربرد کلان‌داده در پیش‌بینی و مدیریت ترافیک شهری 1 10 FA سحر مشایخ گروه مرمت و احیای بناهای تاریخی، دانشگاه هنر تهران، تهران، ایران نیما سادات‌پور گروه معماری منظر، دانشگاه علم و صنعت ایران، تهران، ایران Journal Article 2024 12 26 <p>The purpose of this study is to systematically review and analyze scientific evidence on the role and functions of big data in predicting and managing urban traffic. This research employed a qualitative systematic review and thematic analysis approach. A comprehensive search was conducted across major databases including Scopus, Web of Science, IEEE Xplore, Google Scholar, and ScienceDirect. Based on predefined inclusion and exclusion criteria, 18 articles were selected for in-depth review. Data analysis was performed using NVivo 14 through open, axial, and selective coding. Credibility of the analysis was ensured through constant comparison, iterative code refinement, and theoretical saturation. The findings revealed that big data significantly enhances traffic prediction accuracy, spatiotemporal pattern analysis, machine learning model performance, and detection of network anomalies. Additionally, extensive applications were identified in signal timing optimization, dynamic flow management, improvement of public transportation efficiency, emergency response enhancement, and smart parking management. Challenges such as data quality issues, infrastructural limitations, privacy concerns, and organizational barriers were also identified. Overall, big data offers a powerful foundation for intelligent traffic management, supporting improved decision-making, congestion reduction, enhanced safety, and better quality of urban life. However, effective utilization requires addressing technical, legal, and organizational challenges and strengthening data-driven urban infrastructure.</p> <p>هدف این پژوهش مرور و تحلیل نظام‌مند مطالعات علمی در زمینه نقش و کارکردهای کلان‌داده در پیش‌بینی و مدیریت ترافیک شهری است. این مطالعه با رویکرد مرور نظام‌مند کیفی و تحلیل مضمون انجام شد. جست‌وجوی گسترده در پایگاه‌های معتبر بین‌المللی شامل Scopus، Web of Science، IEEE Xplore، Google Scholar و ScienceDirect صورت گرفت و بر اساس معیارهای ورود و خروج مشخص، ۱۸ مقاله انتخاب شد. فرایند تحلیل داده‌ها با استفاده از نرم‌افزار NVivo نسخه ۱۴ و از طریق کدگذاری باز، محوری و انتخابی انجام شد. برای اطمینان از اعتبار تحلیل، مقایسه مستمر داده‌ها، بازبینی مکرر کدها و اعمال معیار اشباع نظری انجام گرفت. نتایج نشان داد کلان‌داده نقش تعیین‌کننده‌ای در پیش‌بینی دقیق وضعیت ترافیک، تحلیل الگوهای مکانی-زمانی، بهبود مدل‌های یادگیری ماشین و شناسایی اختلالات شبکه دارد. علاوه‌براین، کاربردهای گسترده‌ای در بهینه‌سازی زمان‌بندی چراغ‌ها، مدیریت جریان عبوری، ارتقای حمل‌ونقل عمومی، پاسخ‌گویی اضطراری و مدیریت پارکینگ هوشمند گزارش شد. چالش‌هایی همچون کیفیت پایین داده‌ها، محدودیت‌های زیرساختی، نگرانی‌های حریم خصوصی و موانع سازمانی نیز به‌عنوان عوامل بازدارنده شناسایی شدند. جمع‌بندی نتایج نشان می‌دهد کلان‌داده می‌تواند بنیانی مؤثر برای مدیریت هوشمند ترافیک شهری فراهم کند و به بهبود تصمیم‌گیری، کاهش ازدحام، افزایش ایمنی و ارتقای کیفیت زندگی شهری منجر شود. با این‌حال، بهره‌گیری مؤثر از آن مستلزم رفع چالش‌های فنی، حقوقی و سازمانی و نیز سرمایه‌گذاری در زیرساخت‌های داده‌محور است.</p> https://journalgsc.com/index.php/jgsc/article/download/4/4