Systemy automatycznego wykrywania zdarzeń niepożądanych w miastach Automatic incident detection systems in urban areas

Pełen tekst

(1)PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 114. Transport. 2016. $

(2) %4 &

(3)

(4) !

(5) * %

(6) (

(7). SYSTEMY AUTOMATYCZNEGO WYKRYWANIA +(/+8]58%4(5;&<0.&< =

(8) : ! B;. Streszczenie: Pierwsze systemy automatycznego wykrywania incydentów

(9)

(10)

(11)

(12)

(13) !£

(14) ( F ,

(15) (! " >

(16) & *

(17) (

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

(30) *

(31)

(32)

(33)

(34)

(35) F % #

(36)

(37)

(38)

(39)

(40) ! (

(41) obszarach miejskich. Przedstawiono ponadto opracowywania * (

(42)

(43)

(44) ! (

(45)

(46) (

(47)

(48)

(49)

(50)

(51)

(52)

(53) ! hu

(54)

(55) !. !

(56) B

(57) * ! *

(58)

(59) . 1. 0.>% W

(60) (! ( (

(61)

(62)

(63)

(64) " >

(65) F £

(66)

(67) (

(68)

(69)

(70) x F

(71)

(72)

(73)

(74) lub niedyspozycji kierowcy, obiekty na drodze, awaria elementów infrastruktury drogowej oraz zdarzenia niebezpieczne – wypadek lub kolizja~

(75)

(76)

(77)

(78)

(79)

(80)

(81)

(82) ! £

(83)

(84) ! (kolizji lub wypadków).

(85) ! (

(86)

(87)

(88) 10] zachowania przed konfliktowe i konflikty ruchowe, zwane incydentami w innych rodzajach transportu (kolejowym, wodnym i lotniczym) oraz

(89)

(90) *

(91) (

(92) zdarzenia niebezpieczne, tylko ze stratami materialnymi (kolizje drogowe) i zdarzenia niebezpieczne ze stratami osobowymi (wypadki drogowe z ofiarami rannymi, wypadki drogowe z ofiarami oraz

(93)

(94) #

(95)

(96) F

(97)

(98) # £ gowe). %

(99)

(100)

(101)

(102) czasu jego trwania oraz skrócenia czasu potrzebnego na udzielenie pomocy poszkodowanym, czego wynikiem jest.

(103) 246. Jacek Oskarbski, Katarzyna &

(104)

(105) * +

(106) µ

(107) . zmniejszenie (

(108) *

(109)

(110) okresu ekspozycji na ryzyko w £ nia zdar ! *

(111) (

(112)

(113)

(114)

(115) ( 2], [22]. W

(116)

(117)

(118)

(119) ! x B\^~*

(120)

(121) * (

(122)

(123)

(124)

(125) * 29]. Na pods

(126)

(127)

(128) !

(129) * (

(130)

(131)

(132) £ (

(133)

(134) (

(135)

(136) ^

(137) £

(138)

(139) !

(140)

(141) *

(142)

(143)

(144)

(145)

(146) w p

(147)

(148)

(149)

(150) ! (

(151) #

(152)

(153) ;]^ 6], [20]. W opracowaniach [9], [29] wskazano

(154)

(155) " £ >

(156) *

(157)

(158) zdarz! x;] – 38%), redukcja wypadków rodzaju „najechanie na ty

(159) ´ x-30%) oraz redukcja (

(160) ! xB;^~F

(161)

(162) ( *

(163)

(164)

(165)

(166) o powiadamiania o wypadkach drogowych – eCall [20F %( Y

(167)

(168)

(169) ! *

(170) ( zybkiego wykrycia

(171)

(172) ( . *

(173)

(174)

(175) [21]. =

(176)

(177) "

(178) ( &(

(179)

(180)

(181) *

(182) £

(183)

(184)

(185) !

(186) (

(187)

(188)

(189)

(190)

(191)

(192)

(193)

(194)

(195) £ denF ,

(196)

(197)

(198)

(199) !

(200)

(201)

(202) *

(203)

(204)

(205)

(206)

(207)

(208) informowania kierowców. '

(209)

(210)

(211)

(212)

(213) wykfalifikowanych operator (

(214)

(215)

(216)

(217)

(218)

(219) (

(220) Y )

(221) £ dzania Ruchem w zakresie wykr

(222)

(223)

(224)

(225)

(226)

(227) podejmowania natych

(228)

(229)

(230) !

(231)

(232)

(233) ograniczone. %

(234) ( ! (

(235)

(236) *

(237)

(238)

(239)

(240) F

(241) Y )

(242)

(243)

(244) = "

(245) ( &(

(246)

(247)

(248)

(249)

(250)

(251) projektu CIVITAS DYN@MO. %

(252)

(253)

(254) (

(255)

(256)

(257) * pierwsze wyniki przedstawiono w niniejszym referacie.. 29/;.;0;/;05+(/+8] W porównaniu do ruchu na autostradach, parametry i stan ruchu na arteriach miejskich zmienia

(258)

(259)

(260)

(261)

(262)

(263) £

(264) *

(265) x

(266)

(267) ~*

(268)

(269)

(270)

(271) parkowania, przystanków transportu zbiorowego, regularnych lub losowych kolejek na wlo

(272) (

(273) !*

(274) m

(275) * *

(276)

(277)

(278) !* £

(279)

(280) (

(281) ! F )

(282) ( . *

(283)

(284)

(285)

(286)

(287)

(288)

(289)

(290) mniej skomplikowane. & (

(291)

(292) (

(293) propozycje algorytmów wykrywania

(294) ! na arteriach miejskich, które zestawiono w Tablicy 1..

(295) "

(296)

(297)

(298)

(299)

(300) ! (

(301)

(302)

(303) . 247. Tablica 1 % #1

(304) "#' Algorytm. Wykorzystane dane. Pattern Matching [28], [7], [23]. ).

(305) (

(306) ruchu

(307)

(308) £ cji pomiarowych wlotowych i wylotowych. Kalman Filtering [17] Analiza dyskryminacyjna [24]. )

(309)

(310)

(311) (£.

(312) )

(313)

(314) (stacja pomiaru) i czas przejazdu (pojazd próbny). neuronowy [13].

(315)

(316)

(317) ! £ wych i symulacyjnych. Fuzzy Logic [18]. G

(318) ( ruchu* £ *

(319)

(320) . TSC_ar [30]. Na( *

(321) £

(322)

(323) – testowany danymi z symulacji. Sequential probability ratio tests [26]. G

(324) ( ruchu, za £ jek. INGRID [25]. ).

(325) (

(326)

(327)

(328) £ cji pomiarowych. MID – MOTION [15]. G

(329) ( * £ !

(330) * £ !

(331)

(332). Zasada . parametrów ruchu oraz

(333) (

(334)

(335) ! (

(336) od warunków ruchu bez

(337) ! x £ niem awarii systemu sterowania) Oszacowanie historycznych parametrów ruchu

(338)

(339)

(340) w celu wykrycia zdarzenia )

(341)

(342)

(343) zdarzenia –

(344)

(345)

(346)

(347) *

(348)

(349) (

(350) (

(351) £ chu na rozpatrywanym i na >

(352)

(353)

(354) na sieciach neuronowych i porównaniu go do modelu MLF, algorytmu Bayesian, oraz analizy dyskryminacyjnej

(355)

(356)

(357) * wnioskowania lokalizacji zdarzenia* ocen

(358) (

(359)

(360) wn

(361)

(362)

(363) !

(364)

(365)

(366) "

(367)

(368)

(369) przechowywania ogólnej specjalistycznej wiedzy o ruchu drogowym i przeprowadzenia uniwersalnego wykrywania

(370) ! I #

(371)

(372)

(373) *

(374)

(375)

(376) wykorzystywane do surowych danych o ruchu i prognozowanie w czasie rzeczywistym parame

(377) e zdarzeniem, rozpoznanie wzorców w procesie decyzyjnym Porównanie obecnej sytuacji ruchu z oczekiwan na podstawie historycznych danych referencyjnych G

(378)

(379)

(380) (

(381)

(382)

(383)

(384) !

(385)

(386) dla

(387) F G

(388)

(389)

(390)

(391) (£.

(392)

(393) £. (

(394)

(395). Zastosowanie Wykrycie zdarzenia, blokada pasa, wlotu Wykrycie zda

(396) (£ danego Wykrycie zda

(397) (£ danego Wykrycie zdarzenia, blokowania pasa, awarii detektora Wykrywanie

(398) !

(399) (

(400)

(401)

(402)

(403) Wykrywanie

(404) ! zarówno dla autostrad i dróg miejskich Rozpoznanie

(405) ! na pasach ruchu Wykrywanie

(406) ! Wykrywanie

(407) !. "

(408)

(409)

(410) !

(411)

(412)

(413)

(414) * £

(415)

(416)

(417)

(418)

(419)

(420) (

(421)

(422)

(423)

(424)

(425)

(426) £

(427)

(428) 14F G

(429)

(430)

(431) # F %

(432)

(433)

(434) *

(435)

(436)

(437) £ soprzestrzennego pola losowego Markowa (MRF)

(438)

(439)

(440) (

(441)

(442) *

(443) .

(444)

(445)

(446)

(447)

(448) !

(449)

(450)

(451)

(452) x_~ [11]. &

(453)

(454)

(455) .

(456)

(457)

(458)

(459)

(460) !. %

(461)

(462)

(463)

(464)

(465)

(466)

(467) !

(468) £ kach arte (

(469)

(470) * niektóre (

(471) wykrywanie na (

(472)

(473) F.


(475)

(476) * +

(477) µ

(478) . %

(479)

(480) ( (

(481) !*

(482) czasu

(483)

(484)

(485) ( i

(486)

(487)

(488) zym obszarze sieci ulicznej.. 3. OPIS PRZYPADKU %

(489)

(490)

(491)

(492) (

(493)

(494)

(495) -Owsiana w Gdyni.

(496)

(497) (

(498)

(499)

(500)

(501)

(502) F %

(503)

(504) !

(505) (

(506)

(507)

(508)

(509)

(510)

(511)

(512) .

(513) #

(514) * (

(515)

(516)

(517)

(518)

(519)

(520)

(521)

(522) £ ramet

(523)

(524)

(525) ! (

(526) [1][12]. %

(527)

(528) >=">/=

(529)

(530)

(531)

(532)

(533)

(534) x

(535)

(536) #

(537)

(538)

(539)

(540) ~* £ jazdu V, j L*

(541)

(542) T

(543) £

(544)

(545) DF , !

(546) £

(547)

(548)

(549)

(550)

(551)

(552) (

(553) *

(554)

(555) # potoków ruchu (

(556)

(557) F

(558)

(559)

(560)

(561)

(562)

(563) £ lizacji dla grupy o zarejestrowanym numerze. %

(564)

(565)

(566)

(567)

(568)

(569)

(570)

(571) £

(572)

(573)

(574)

(575)

(576)

(577) mach pojedynczego cyklu o zmiennym czasie trwania. W Tablicy 2 przedstawiono format zagregowanych danych opi y pojedynczy cykl (ok. 600- ~*

(578) £.

(579) ( &+F Tablica 2 Format danych zagregowanych w ramach cykli Lp 1 2 …. Start_UT C 05:00:45 05:02:40. Czas trwania cyklu [s] 115 108. Pora 300 302. Ile 17,74 10. PK_0 V T 30,85 29,79 37,72 13,72. D 34,05 60,44. PK_1 Ile … 20,34 15,55. …. Zastosowany sposób agregacji

(580)

(581)

(582)

(583)

(584)

(585)

(586) *

(587)

(588)

(589)

(590)

(591)

(592)

(593)

(594)

(595) ;;2][19]. W niniejszym artykule stosowane przy a

(596)

(597)

(598)

(599)

(600)

(601) . £

(602)

(603)

(604)

(605)

(606)

(607) (

(608) F

(609)

(610)

(611)

(612)

(613)

(614) x>

(615) F B~ (

(616)

(617)

(618) ( £ *

(619) (

(620)

(621) ! F (

(622)

(623)

(624)

(625) x

(626) (

(627)

(628)

(629) ~

(630) danymi z wierszy (wiersz reprezentuje cykl zmian sygnalizacji)..

(631) "

(632)

(633)

(634)

(635)

(636) ! (

(637)

(638)

(639) . 249. )

(640)

(641)

(642)

(643)

(644) * (

(645)

(646)

(647) ( kontrolnego szeregi czasowe: PK_n Ile (t), PK_n V(t), PK_n T(t), PK_n D(t), gdzie t=t1, t2, ….,tn i ozna

(648)

(649)

(650)

(651)

(652) xn – numer punktu kontrolnego). /

(653) *

(654)

(655)

(656)

(657)

(658)

(659) *

(660) £ dynczy cykl zmian sygnalizacji (wiersz w Tab. 3) jako punkt w przestrzeni wielowymiaro PK_0_Ile, PK_0_V, PK_0_T, PK_0_D, PK_1_Ile, PK_1_V, … , PK_n_T, PK_n_D zawartych w kolejnych kolumnach Tablicy 2. &

(661)

(662) #

(663)

(664)

(665)

(666) (

(667)

(668)

(669) ! #

(670) *

(671)

(672)

(673)

(674)

(675) F £.

(676) (

(677)

(678)

(679)

(680)

(681) £

(682)

(683) (

(684)

(685)

(686) x>

(687) F B~*

(688)

(689) *

(690)

(691) !

(692) F ,

(693)

(694)

(695)

(696)

(697)

(698) ( h perspektyw spojrzenia na zagregowane dane. Na Rys. 1 przedstawiono szereg czasowy PK_1_Ile

(699) £ dów / 60 s zarejestrowanych w punkcie kontrolnym 1 w kolejnych cyklach zmian sygnalizacji w dniu 2015-05-]

(700) (

(701) Morska-Owsiana w Gdyni. W tym dniu w godzinach 12:24:24-;]B;; F G

(702) = F ;

(703)

(704)

(705)

(706)

(707) F

(708)

(709)

(710)

(711) *

(712)

(713)

(714)

(715) (£ waniu. PK_1_Ile 30 20 10 05:00:00 05:20:01 05:40:04 06:00:23 06:19:56 06:39:54 06:58:00 07:16:19 07:34:28 07:53:03 08:11:18 08:29:38 08:47:45 09:06:11 09:24:33 09:42:29 10:01:06 10:19:39 10:38:01 10:54:15 11:12:56 11:31:10 11:49:21 12:07:56 12:26:23 12:44:33 13:02:46 15:08:56 15:26:19 15:44:48 16:00:39 16:16:23 16:31:23 16:46:37 17:04:42 17:22:58 17:41:28 17:59:35 18:18:08 18:36:27 18:53:16 19:11:12 19:31:31 19:51:45 20:08:58 20:21:41 20:38:47 21:00:11 21:31:01 22:12:44. 0. Rys. 1. Szereg czasowy PK_1_Ile x

(716)

(717)

(718) ~ B;]-05-05. ³% ´

(719) (

(720)

(721)

(722)

(723) £ tych na analizie szeregów czasowych PK_n_Ile. Analogiczny obraz uzyskano dla szeregu PK_n_VF G

(724) = F ; (

(725)

(726)

(727)

(728)

(729) F >

(730)

(731) *

(732)

(733) .

(734) F & ! (

(735)

(736)

(737)

(738) £

(739)

(740)

(741)

(742)

(743) F %

(744)

(745)

(746) £.

(747)

(748)

(749) #

(750)

(751)

(752) * metodach dedykowanych do stosowania w trybie on-line. <#

(753)

(754)

(755)

(756)

(757)

(758)

(759) ##

(760)

(761)

(762)

(763) ;F W modelach przedstawionych w pracach [12] i [19

(764) £

(765)

(766)

(767) F .


(769)

(770) * +

(771) µ

(772) . & * ( B-wymiarowej (16 punktów B PK_n_Ile i PK_n_V~

(773)

(774)

(775)

(776) ;6] na danych z dnia 2015-05-05 z incydentem, poddanych standaryzacji. Wy

(777) #

(778) = www.r-project.org. Na Rys. 2 przedstawiono wynik rzutowania punktów z przestrzeni 32-

(779) x

(780) B;]-05]~

(781)

(782)

(783) &Y; &YBF. = F BF %

(784)

(785) \

(786)

(787) kli z dnia 2015-05-]

(788)

(789) £.

(790) &Y; &YB. Na r F B

(791)

(792)

(793) F Y

(794) 239-B

(795) F G

(796) = F B

(797) @ *

(798) @

(799) (

(800)

(801) £

(802) F :

(803)

(804)

(805)

(806) !

(807)

(808)

(809) ( (

(810)

(811) kli z ruchem normalnym jak i cykli nocnych. Uzyskane wyniki (rys. 1 i B~

(812)

(813)

(814)

(815) ! #

(816)

(817) (

(818)

(819)

(820)

(821) #£ cych..

(822) "

(823)

(824)

(825)

(826)

(827) ! (

(828)

(829)

(830) . 251. 3.1. ARCHITEKTURA KLASYFIKATORA &

(831)

(832)

(833) #

(834)

(835) *

(836)

(837) ;3*

(838) (

(839)

(840)

(841)

(842)

(843)

(844)

(845)

(846)

(847)

(848)

(849)

(850) £

(851)

(852)

(853)

(854) xrys. 3). Odpowiedzi

(855) (

(856)

(857)

(858) ( *

(859)

(860)

(861)

(862) ;F ,@ Si 0,1

(863)

(864)

(865)

(866)

(867)

(868)

(869) !

(870)

(871)

(872) adanego cyklu. £ @ !

(873)

(874) £ nych z poszczególnych modeli [13].. Rys. 3. Architektura Klasyfikatora. %

(875)

(876) B

(877) +

(878) #

(879)

(880) przedstawionego na rys. 3: model FiltrLp oparty na zastosowaniu filtru dolnoprzepustowego do dekompozycji szeregu czasowego oraz model ANN oparty na zastosowaniu sztucznych sieci neuronowych. &

(881) {

(882)

(883) PK_n_Ile lub PK_n_V.

(884) B

(885) *

(886)

(887)

(888)

(889)

(890)

(891)

(892) # £ stowego jest traktowana jako F

(893)

(894)

(895)

(896) ( ( trendu i trendu „normalnego” tj. trendu w dniu podobnym do badanego [27], o którym wia* ( F

(897)

(898)

(899)

(900)

(901)

(902) ;

(903)

(904)

(905)

(906)

(907) ¹*;* B

(908)

(909)

(910)

(911) ; B

(912) =F &

(913) £

(914)

(915)

(916)

(917)

(918)

(919) ! z wykorzystaniem Toolboxa ANN [8] w programie SciLab. =

(920) !

(921)

(922)

(923)

(924)

(925)

(926)

(927)

(928)

(929)

(930) ! *

(931)

(932)

(933)

(934) £

(935)

(936) F ,

(937) ( zdarzenia okre

(938)

(939)

(940) F =

(941)

(942)

(943)

(944) £ ców ruchu w stosunku zakresów przedstawionych w pracach [4], [5] czy [19]..


(946)

(947) * +

(948) µ

(949) . 3.2 WYNIKI

(950)

(951)

(952)

(953)

(954)

(955) B;]-06-04, w którym odnotowano incy

(956)

(957)

(958)

(959) (

(960) F G

(961) = F

(962) modelu FiltrLP (kolor niebieski ze znacznikiem x) i ANN (kolor czerwony). Oprócz prawi

(963) {& #

(964)

(965)

(966) . godziny 15:13 i wieczorem po godz. 19.00.

(967)

(968)

(969)

(970) +

(971) #

(972)

(973) x F ~

(974)

(975)

(976) £ (

(977)

(978) *

(979)

(980)

(981)

(982) #

(983)

(984)

(985) przez Klasyfikator. 1 0,8 0,6 0,4 0,2 05:03:14 05:41:52 06:33:07 07:02:21 07:32:06 07:56:01 08:25:38 08:54:19 09:14:31 09:36:30 09:57:10 10:20:02 10:42:29 11:06:14 11:26:10 11:46:25 12:08:31 12:30:29 12:54:30 13:16:30 13:40:19 14:02:09 14:26:20 14:48:17 15:11:40 15:33:50 15:57:24 16:19:36 16:41:45 17:03:39 17:29:12 17:51:11 18:13:21 18:35:16 18:55:43 19:17:25 19:39:52 20:03:18 20:25:15 20:47:26 21:09:35 21:31:28 21:52:59 22:10:41 22:35:10. 0. = F F ,@ modeli FiltrLP i ANN na dane z dnia 2015-06-04. 4. WNIOSKI &

(986)

(987)

(988)

(989) ]-23:00. W modelu {&

(990) #

(991)

(992)

(993)

(994) * £ zane jest ze znikomym na(eniem

(995)

(996) F %

(997)

(998)

(999) (

(1000)

(1001)

(1002) (

(1003) li nocnych od cykli ze zdarzeniem*

(1004)

(1005)

(1006)

(1007) #

(1008)

(1009) £ nego sposobu agregacji d

(1010)

(1011) (F %

(1012)

(1013)

(1014)

(1015)

(1016)

(1017) £. F = (

(1018)

(1019)

(1020) # £

(1021)

(1022)

(1023)

(1024)

(1025)

(1026) (

(1027)

(1028)

(1029)

(1030)

(1031)

(1032)

(1033) , który (

(1034)

(1035)

(1036)

(1037)

(1038)

(1039) T x

(1040)

(1041)

(1042) ~F &

(1043)

(1044)

(1045) (

(1046) £

(1047) #

(1048)

(1049)

(1050)

(1051) ( x

(1052)

(1053) ! ~ ( zdarzenia x

(1054)

(1055)

(1056) ! ~F O

(1057)

(1058)

(1059)

(1060)

(1061)

(1062)

(1063) modularna struktura klasyfikatora* (

(1064)

(1065) . Prace badawcze.

(1066) "

(1067)

(1068)

(1069)

(1070)

(1071) ! (

(1072)

(1073)

(1074) . 253.

(1075)

(1076)

(1077) #

(1078)

(1079) *

(1080)

(1081)

(1082) ( przyd

(1083) poszczególnych algorytmów i

(1084)

(1085)

(1086) *

(1087) * F G