Systemy automatycznego wykrywania zdarzeń niepożądanych w miastach Automatic incident detection systems in urban areas
10
0
0
Pełen tekst
(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.
(474) 248. Jacek Oskarbski, Katarzyna &
(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 .
(768) 250. Jacek Oskarbski, Katarzyna &
(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]..
(945) 252. Jacek Oskarbski, Katarzyna &
(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
Powiązane dokumenty