Wyznaczanie jakości informacji w telematyce autostradowej Determination of Information Quality of Motorway Telematics

Pełen tekst

(1)PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 92. Transport. 2013. Marek Stawowy Politechnika Warszawska, Wydzia Transportu. WYZNACZANIE JAKO CI INFORMACJI W TELEMATYCE AUTOSTRADOWEJ Rkopis dostarczono, maj 2013. Streszczenie: W artykule przedstawiono model wyznaczania jakoci informacji IQ (ang. Information Quality) na podstawie modelowania wspó czynnika pewnoci hipotezy CF (ang. Certainty Factor) w telematyce autostradowej. Modelowanie takie dotyczy zazwyczaj systemów ekspertowych lub sztucznej inteligencji. Jednak w systemach telematyki autostradowej g ównym elementem s systemy komputerowe analizujce i przetwarzajce dane o ruchu pojazdów. Sowa kluczowe: jako informacji, wspó czynnik pewnoci, telematyka autostrad. 1. WSTP W telematyce transportu jako informacji (IQ ang: Inforamtion Quality)1 ma duy wp yw na bezpieczestwo ruchu pojazdów na autostradzie. Szczególnie, jeli chodzi o informacje telematyczne zwizane z nadzorem ruchu otrzymywane z rónych detektorów. Wszystkie pomiary wykonywane tymi detektorami mog by obarczone rónymi b dami, które wprowadz pewn doz niepewnoci informacji. Niepewno ta moe wskazywa. nam na jako informacji. Czyli im niepewno mniejsza tym jako informacji wysza. Na jako informacji sk ada si wiele czynników. Jak przedstawione na rys. 1 na jako. informacji sk adaj si: 1. relatywno - informacja odpowiada na potrzeby i ma istotne znaczenie dla odbiorcy, 2. dokadno - informacja jest adekwatna do poziomu wiedzy jaki reprezentuje odbiorca, precyzyjnie okrela temat, 3. aktualno - informacja nie jest nieaktualna, cykl jej aktualizacji jest zgodny z zawartoci treci, 1. W literaturze czsto pojawia si nazwa jako danych (ang. Data Quality). Oba terminy s rozrónialne na zasadzie, e DQ dotyczy tylko danych a IQ dotyczy danych i przes anek (niepewnych danych). W tej pracy uyta zosta a jako informacji IQ zazwyczaj zdefiniowana jako bardziej ogólna do DQ.. .

(2) 222. Marek Stawowy. 4. kompletno - informacja zawiera optymaln liczb danych, która wystarcza by móc przetworzy informacj w konkretn wiedz, poziom szczegó owoci jest zaleny od potrzeb odbiorcy, 5. spójno - poszczególne elementy, dane wspó graj ze sob, forma odpowiada treci, aktualizacja danych jest zgodna z celami, 6. odpowiednio - odpowiednia prezentacja informacji oraz opis do prezentacji umoliwiajcy poprawn interpretacj, 7. dostpno - informacja jest dostpna, kiedy jest potrzebna w aciwym odbiorcom, 8. wiarygodno - informacja potwierdza prawdziwo danych, zawiera elementy upewniajce co do rzetelnoci przekazu, 9. przystawalno - informacja jest zgodna z inn informacj, interpretowana we w aciwym kontekcie.. Rys. 1. Elementy sk adowe jakoci informacji w sensie technicznym Opracowanie w asne na podstawie Wirtualnej Encyklopedii Zarzdzania.. W celu oszacowanie jakoci informacji wybranego systemu naley zamodelowa. niepewno , której odwrotno moe wskazywa na IQ. Modelowanie niepewnoci zapewniaj midzy innymi sieci bayesowskie. Jednak w tym przypadku (dane pochodz z rónych róde ), aby uproci modelowanie a co za tym idzie kalkulacj, mona by uy. teorii ewidencji matematycznej stworzonej przez Dempstera – Shafera. Aczkolwiek, skoro oceniamy informacje z systemów komputerowych (wspó czesne detektory s sterowane mikrokontrolerami) a analiz jak wykonuj jest szeregiem decyzji (wykonywane algorytmy przez kontrolery), mona uy modelowania wspó czynnika pewnoci hipotezy (CF ang: Certainty Factor) [4] wykorzystywanego w systemach ekspertowych i sztucznej inteligencji. Naley tu przyj za oenie, e wyznaczone CF dla zaproponowanego modelu bdzie szukanym IQ.. .

(3) Wyznaczanie jakoci informacji w telematyce autostradowej. 223. 2. MODELOWANIE WSPÓ CZYNNIKA PEWNO CI HIPOTEZY DLA SYTEMU TELEMATYKI AUTOSTRADOWEJ W pierwszej czci tego rozdzia u s sprecyzowane zalenoci jakie zosta y uyte do wyliczania wartoci CF. Wynika to z rónokierunkowoci rozwoju tej metody.. 2.1. MODELOWANIE WSPÓ CZYNNIKA PEWNO CI HIPOTEZY Formalny opis uproszczony wspó czynnika pewnoci jest nastpujcy:. CF s

(4). MB s

(5) MD s

(6). (1). Gdzie: CF - wspó czynnik pewnoci, MB – odwzorowanie wiedzy czyli miara wiarygodnoci (ang: measure of belief), MD – odwzorowanie niewiedzy, czyli miara niewiarygodnoci (ang: measure of disbelief), s – hipoteza na podstawie jakiej informacji. Naley pamita , e: MB o >0,1@; MD o >0,1@ czyli CF 1,1. (2). Czyli jak wynika ze wzoru (2) wynik oblicze powinien si zawiera w zakresie od -1 do 1. Warto 1 bdzie wskazywa a na najwysz IQ. Model wykorzystujcy CF mona przedstawi w postaci grafu gdzie wz ami s hipotezy a ga ziami wspó czynniki pewnoci hipotez. Przyk adowy model zosta przedstawiony na rys. 2.. e1. CF(e1,h1) CF(h1,h). h1. e2 ( CF. , e2. h1. ). Rys. 2. Przyk adowy model CF Opracowanie w asne.. . h.

(7) 224. Marek Stawowy. Ca o rozpoczyna si od wz ów obserwacji (e1,e2), kolejno pojawia si wze hipotezy h1, który de facto w dalszym kroku oblicze staje si obserwacj. Do oblicze CF równoleg ych wykorzystana zosta a zaleno :. CF( h , e1, e 2 ). CF( h , e1, e 2 ) CF( h , e1) CF( h , e 2 ) CF( h , e1) CF( h , e 2 ) , CF( h , e1) i CF( h , e 2 ) t 0 ° CF( h , e1) CF( h , e 2 ) ° , CF( h , e1) CF( h , e 2 ) 0 ® 1 min( CF( h , e1) ; CF( h , e 2 ) ) ° °CF CF( h , e1) i CF( h , e 2 ) 0 ¯ ( h , e1) CF( h , e 2 ) CF( h , e1) CF( h , e 2 ) ,. (3). Do oblicze szeregowych CF zosta a uyta zaleno : CF h ,e1,e 2

(8). CF( e 2,e1) CF( h ,e 2 ). (4). Dziki wzorom (3) i (4) mona zwin graf do postaci jednej ga zi z dwoma wz ami i CF tej ga zi bdzie szukan wartoci wspó czynnika pewnoci hipotezy.. 2.2. MODEL WSPÓ CZYNNIKA PEWNO CI DLA SYSTEMU TELEMATYKI AUTOSTRADOWEJ Na system telematyki autostradowej sk ada si wiele elementów takich jak: nadzór i pomiar ruchu, monitoring, pobieranie op at, meteo, wywietlanie informacji dla kierowców, znaki o zmiennej treci, czno alarmowa, transmisja danych, radiowa informacja drogowa i zintegrowane sterowanie. Kady z tych elementów posiada specyficzne wymagania co do jakoci i wiarygodnoci informacji. Tych cech jest duo i ze wzgldu na ograniczon objto niniejszego opracowania modelowanie zosta o ograniczone do jednego z elementów systemu telematyki autostradowej. Jako ten pokazowy element wybrany zosta nadzór i pomiar ruchu. W sk ad nadzoru i pomiaru ruchu wchodz zazwyczaj: 1. Czujniki zblieniowe takie jak ptle indukcyjne czy detektory wykorzystujce promieniowanie podczerwone. 2. Wideo detektory mierzce zajto lub szybko pojazdów na ywo i w trybie pomiaru wartoci redniej oraz identyfikujce i zliczajce pojazdy. 3. Tory transmisji danych. 4. Narzdzia do interpretacji danych. Do dalszego modelowania uyty zostanie tylko jeden z powyszych sk adników. Mianowicie wideo detektor do pomiaru szybkoci pojazdów na ywo. Zasada pomiaru szybkoci pojazdów za pomoc wideo detektora. Za pomoc kamer sekwencja obrazów jest przekazywana do analizy. Analizator wykrywa po oenie pojazdów na kolejnych klatkach sekwencji obrazów. Nastpnie jest mierzone przemieszczenie. Po uwzgldnieniu czasu mona wyznaczy prdkoci tych pojazdów.. .

(9) Wyznaczanie jakoci informacji w telematyce autostradowej. 225. Na rys. 3 przedstawione zosta o okno programu do pomiaru prdkoci wykorzystujcy wirtualne detektory do wykrywania przemieszcze pojazdów.. Rys. 3. Okno programu do pomiaru prdkoci wykorzystujcy wirtualne detektory do wykrywania przemieszcze pojazdów. Opracowanie w asne.. Modelowanie wspóczynnika pewnoci hipotezy. Pierwszym etapem analizy w takim systemie pomiaru prdkoci jest detekcja ruchu. W tego typu wizyjnych systemach analizy danych zazwyczaj problemem s zak ócenia (niechciane informacje). Zw aszcza w systemach opartych o rónicow analiz obrazów. Take pierwszym etapem decyzji bdzie to czy mamy do czynienia z ruchem obiektu czy te z szumami lub jakimi innym zjawiskami powodujcymi podobne zmiany w obrazie jak ruch pojazdu. Tak wic mona okreli , e mamy do czynienia z dwoma stanami obserwacji: 1. Nastpi ruch, 2. b d detekcji. B d detekcji mona rozpisa na róne przyczyny, które mog by kolejnymi stanami obserwacji: 1. zak ócenia sceny, 2. awaria oprogramowania, 3. awaria detektora, 4. awaria komputera. Czyli ostatecznie stanów obserwacji moe by wicej: e1.1. Nastpi ruch. e1.2. zak ócenia obrazu sceny, e1.3. awaria oprogramowania, e1.4. awaria detektora. W dalszym etapie w celu pomiaru prdkoci naley mie pewno , e wykryte zosta y po oenia tego samego obiektu w dwóch rónych miejscach. Wykorzystujc metod. .

(10) 226. Marek Stawowy. lokalizacji pojazdów za pomoc wirtualnych detektorów mona wyodrbni takie stany obserwacji: e2.1. Wykryto poruszajcy si obiekt, e2.2. awaria oprogramowania, e2.3. awaria systemu komputerowego. Nastpny wze bdzie posiada takie stany obserwacji: e3.1. Wykryto poruszajcy si obiekt przez kolejny wirtualny detektor, e3.2. nie wykryto poruszajcego si obiektu przez w kolejny wirtualny detektor, e3.3. wykryty obiektu nie jest tym samym obiektem wykrytym przez poprzedni wirtualny detektor, e3.4. awaria oprogramowania, e3.5. awaria systemu komputerowego. CF(h1,e1.1). e1.1 e1.2. CF(h1,e1.2). h1 e1.3 e1.4. CF(h1,e1.3) 1.4) h1,e CF(. e2.1 e2.2. e2.3. CF(h2,e1.1,e1.2,e1.3,e 1.4). CF(h2,e2.1). CF(h2,e2.2). CF. (h. 2 2,e. h2 . 3). CF(h3,e2.1,e2.2,e2.3). e3.1 e3.2. CF(h3,e3.1) CF(e3.2,h3). e3.3 CF(h3,e3.3,h3) , h3) e3.4 e3.5. h3 CF(. ,e3.4. h3. ) h3 .5, ,e3 h3 ( CF. CF(h,e3.1,e3.2,e3.3,e3. 4,e3.5). CF(h4,e4.1). e4.1 e4.2. CF(h4,e4.2). h(h4) e4.3 e4.4. CF(h4,e4.3) 4.4) h4,e CF(. Rys. 4. Graf modelu CF. Opracowanie w asne. .

(11) Wyznaczanie jakoci informacji w telematyce autostradowej. 227. Ostatni krok to wyznaczenie prdkoci. Na tym etapie bd wystpowa y nastpujce stany obserwacji: e4.1. Wyznaczono prdko , e4.2. b dny pomiar czasu, e4.3. awaria oprogramowania, e4.4. awaria systemu komputerowego. Graf dla takiego modelu jest do skomplikowany, poniewa mamy kilkuwarstwowe przejcia. Dla uproszczania modelu zosta y wstawione hipotezy porednie. Umoliwiaj to zalenoci (3) i (4) opisane w poprzednim podrozdziale. Tak kolejno mona wyznaczy. porednie hipotezy: h1. Wykryto ruch, h2. wykryto poruszajcy si obiekt, h3. wykryto poruszajcy si obiekt przez kolejny wideo detektor, h zmierzono prdko . Na rys. 4 zosta przedstawiony graf modelu z uwzgldnieniem wszystkich za oe.. 3. PRZYK ADOWE OBLICZENIA Pierwsze obliczenia dotycz uproszczenia dcego do wyznaczenia wspó czynników pewnoci hipotez porednich, które to uproszczenia sk ada si bd z kolejnych oblicze CF na podstawie wzoru (4). Tabela 1 Przypisanie poszczególnych wartoci CF h1. h2. h3. h(h4). CF(h1,e1.1) = 0,9. CF(h2,e2.1) = 0,8. CF(h3,e3.1) = 0,99. CF(h,e4.1) = 0,99999. CF(h1,e1.2) = -0,1. CF(h2,e2.4) = -0,1 *10-3. CF(h3,e3.2) = -0,001. CF(h,e4.2) = -0,1 *10-3. CF(h1,e1.3) = -0,1 *10-3. CF(h2,e2.5) = -0,3 *10-4. CF(h3,e3.3) = -0,1 *10-3. CF(h,e4.3) = -0,3 *10-4. CF(h3,e3.4) = -0,3 *10-4. CF(h1,e1.5) = -0,3 *10-4. CF(h1,e1.4) = -0,5 *10-6. CF(h3,e3.4) = -0,25 *10-4. Opracowanie w asne.. Kolejne wartoci wspó czynników pewnoci hipotez przedstawiono w tabeli 2.. .

(12) 228. Marek Stawowy. Tabela 2 Wyliczone wartoci CF CF(e1.1,e1.2) = CF(e1.3,e1.4) = CF(e1.1,e1.2,e1.3,e1.4) =. 0,888889. CF(e3.1,e3.2) =. -0,0001. CF(e3.3,e3.4) =. -0,000129997. CF(e3.3,e3.4,e3.5) =. -0,000154994. 0,888878. CF(e3.1,e3.2,e3.3,e3.4,e3.5) = CF(e2.1,e2.2) = CF(e2.1,e2.2,e2.3) =. 0,98998999. 0,989988438. 0,79998 0,799974. CF(e4.1,e4.2) =. 0,9989999. CF(e4.3,e4.3) =. -5,99991E-05. CF(e4.1,e4.2,e4.3,e4.4) = CF(h,e1.1,e1.2,e1.3,e1.4,e2.1,e2.2,e2.3,e3.1,e3.2,e3.3,e3.4,e3.5,e4.1,e4.2,e4.3,e4.4) =. 0,99899984. 0,703255979. Opracowanie w asne.. Wg za oenia z rozdzia u pierwszego IQ modelowanego systemu wynosi 0,703255979.. 4. PODSUMOWANIE W niniejszej pracy przedstawiony zosta sposób na wyznaczenie jakoci informacji IQ systemu telematyki autostradowej przy uyciu modelowania wspó czynnika pewnoci hipotezy CF wykorzystywanego w komputerowych systemach podejmowania decyzji. Zastosowanie tego typu modelowania daje moliwo po czenia wielu rónorodnych w aciwoci badanego procesu analizy. Takich jak niezawodno systemu komputerowego (elektroniki i oprogramowania w sensie b dnej analizy), jako wybranej metody pomiarowej czy jako magazynu danych oraz bezpieczestwo wynikajce z pewnoci danych. Naley zwróci uwag, e kolejne etapy oblicze s do powtarzalne a co za tym idzie atwe do implementacji jako program komputerowy czy symulacja komputerowa. Przestawiono take przyk adowe obliczenia dla rzeczywistego systemu pomiaru prdkoci na ywo. Coraz szerzej stosowanej do nadzoru publicznego ruchu drogowego. Wyniki intuicyjnie s poprawne jednak w kolejnym etapie tego rozwaania nalea oby porówna z innymi metodami wyznaczania jakoci informacji. Naley uwzgldni take wicej b dów pomiaru, które w tym modelu nie zosta y uwzgldnione marginalnie.. Bibliografia 1. Mazur M., Jakociowa teoria informacji, Wydawnictwa Naukowo-Techniczne, Warszawa 1970. 2. Meeker W. Q., Escobar L. : Statistical methods for reliability data. John Wiley & Sons Inc. US and Canada 1998. 3. MIT Information Quality (MITIQ) Program. http://mitiq.mit.edu 2013.. .

(13) Wyznaczanie jakoci informacji w telematyce autostradowej. 229. 4. Shortliffe, E.H.; Buchanan, B.G., Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project, (ebook version), http://aitopics.net/RuleBasedExpertSystems. 2013. 5. Stawowy M., Zastosowanie analizy obrazu do rozwizywania zagadnie transportowych. Raport Prace IPI PAN, nr 862, Warszawa 1997. 6. Stawowy M., Reliability of data obtained from video systems of traffic surveillance . Transport Systems Telematics. Katowice-Ustro 2010. 7. Stawowy M., Jako informacji z wizyjnych systemów nadzoru infrastruktur krytycznych. Szko a Zimowa Niezawodnoci 2013, przygotowane do druku.. DETERMINATION OF INFORMATION QUALITY OF MOTORWAY TELEMATICS Summary: This paper discusses a model for determining information quality IQ based on modeling the certainty factor CF. This modeling practice is usually employed for expert or artificial intelligence systems. Here, however, discussed are computer systems using telematic data. Keywords: information quality, certainty factor, motorway telematic. .

(14)