流媒体在线估计算法的时间和空间范围的延迟

文摘

知道交通拥堵及其对提前旅行时间的影响是至关重要的积极的旅行计划以及先进的交通管理。提出了一个流算法来估计时间和空间的程度延迟在线可以部署与路边传感器。首先,该算法使用流输入从单个传感器来检测一个偏离正常的交通模式,称为异常,这是作为延迟发生的早期迹象。然后,连续的一组传感器检测异常用于暂时和空间估计延迟的程度与检测到的异常有关。绩效评估通过一个真实数据集进行收集的路边传感器在曼谷,泰国,和NGSIM数据集收集在加州,美国。使用NGSIM数据,定性地表明,该算法可以检测连续出现的冲击波和评估相关的延迟。然后,使用一个数据集来自泰国,它定量地显示,该算法可以检测和估计延迟与反复出现拥堵和incident-induced一次性的拥堵。该算法也优于先前提出的流算法。

1。介绍

大城市的交通拥堵已经成为一个严重的问题在世界各地,引起了经济、环境和健康问题。现有的解决方案,解决交通拥堵问题,增加道路容量,使用替代交通方式(例如,公共交通系统),在特定的时间特定道路上限制使用(例如,拥堵费),和更有效地使用现有的道路1]。而前三个解决方案需要大量建设新的基础设施和/或研究的公共意见,最后的解决方案可以更迅速实现为主要涉及利用交通信息以更有效的方式。

智能交通系统(ITS)提供了有效的方法收集、处理和传播相关的交通信息,利用传感器网络在路边的功能和车载车辆(2]。最有效和实用的方法之一就是及时提前提供相关交通信息,使驾驶员避免拥堵的路线和交通管理中心主动管理交通流。这不仅将使司机估计他们的旅行时间,而且估计严重拥堵和交通管理中心启动适当的策略来恢复正常交通。

尽管许多交通估计和预测方法提出了在过去几十年,最近的文献综述(3]表明,仍有十个挑战,需要研究关注。这些挑战之一是如何使用短期流量估计反映交通状况的宏观的角度来看,这是非常重要的交通管理策略。虽然大多数短期流量评估方法专注于评估流程,旅行时间,或者交通条件本身,一些最近的研究转向整合新信息反映进一步洞察未来的交通状况。这些新信息包括旅行时间变化反映可靠性(4)和延迟相关的异常反映了严重程度(5- - - - - -7]。

本文的重点是在异常检测和估计延迟段高速公路上。异常检测和延迟估计是必不可少的两个司机和交通管理中心反映交通堵塞的严重程度,进而可用于最小化的影响(例如,通过提醒司机改变路线或发送拖车删除一个残疾人车)。而异常检测已收到更多的关注在过去的十年里(8),延迟估计没有同样收到了同样的关注。节中详细2下面,大多数以前的研究都集中在评估和预测旅行时间在正常交通条件下(9- - - - - -15),而相对较少的方法特别关注交通延迟(5- - - - - -7,10,16]。此外,提出的方法在5,7)不是实时操作而设计的,而研究[6只关注交通延误工作区域。最近的一项研究(16提供有关现有模型的功能,但重点是路口十字路口。

本文的贡献可以概括如下。首先,该算法设计在线操作,可以与现有的路边传感器部署。第二,它可以检测到异常,实现更高的检测率和较低的假阳性(即利率。假警报率)与现有的方法相比,在17]。第三,该算法可以估计延迟首先估计延迟的空间范围使用一组路边传感器,然后暂时估计延迟使用经验方程。最后,出于实用目的,选择合适的输入时间窗口大小的好处和预测地平线。

本文提出了一个算法基于一个新的框架,包括异常检测和延迟估计这是一个显著增强版本的算法(18],它只关注检测事件。首先,空间和时间延迟估计是注册(节中详细解释4)。第二,它表明本文增强算法可以用来检测冲击波和估计相关的延迟(部分中解释5)。第三,现实世界的数据集用来评估该算法本文更重要比用于(18]44多延迟情况下额外的六个月的数据收集(部分中解释5)。最后,显示该算法的潜力被部署在不同的位置,著名的NGSIM数据(19也用于评估,尚未完成(18]。

本文的其余部分组织如下。节讨论相关工作2。研究框架提出了部分3。然后,部分4详细描述了该算法。绩效评估使用真实的数据部分中描述5,结果讨论了部分6。最后,部分7本文总结并讨论未来的工作。

2。相关工作

大多数以前的研究都集中在评估和预测旅行时间在正常交通条件下(9- - - - - -15]。其中,应用最广泛的技术探测车辆和自动车辆识别(AVI)。探测器安装在车辆技术车辆交流自己位置一些远程服务器,他们的旅行时间计算(10]。最著名的探测车辆的技术之一是全球定位系统(GPS)。与探测车辆,AVI技术设计为安装在路边来识别个人车辆在不同的位置(9]。使用AVI,每辆车的旅行时间可以计算时间之间的差异,车辆通过两个连续的位置(11]。著名的AVI技术是无线电频率识别(RFID)和车牌识别。算法用于估计旅行时间是支持向量回归模型(9),一个三层神经网络模型10),一种低通自适应滤波算法(11),等等。即使使用旅行时间提供最准确和方便的方法来估计和预测延迟,它需要一个适当的数量的传感器安装在车辆和/或道路上还没有广泛使用在许多地区的发展中国家。

除了使用探测车辆和AVI直接估计旅行时间,一群间接方法也被提出,旅行时间估计和预测交通流量(12- - - - - -15]。他们用类似的假设有一定程度的流量和延迟之间的关系。通常采用回归技术,人工智能,来源于历史数据和统计模型。特别是,它表明,旅行时间可以准确地预测提前20分钟使用线性回归(12- - - - - -14]。尽管这些方法已被证明在正常交通条件下表现良好,他们需要足够的历史数据可能并不总是可用的道路上每一段。同时,拥挤的交通条件下瞬态变化可能不一致对估计精度的影响(15]。

相对较少的方法设计估计交通延迟,也就是说,在拥挤的条件下发生的额外的旅行时间。在这一组的方法依赖于一个主要的假设,速度并没有改变显著的部分道路。一种方法提出了(20.]遵循这种假设当incident-induced延迟可以估计第一次建立参考免费旅行配置文件。根据参考资料,可以更准确地估计incident-induced延迟。另一个工作(21]估计事件延迟通过部署事件持续时间模型和能力降低模型转化为确定性排队模型,从而将incident-induced交通延误的随机性质引入确定性交通。同样的原则也适用于计算交通延误造成的降水,天气和交通数据存档用于交通延迟估计(22]。另一个很好的例子的方法是(5基于速度测量)估计延迟。然而,该方法在5]只能离线工作的位置,需要的知识一个意外。本文提出的方法的目的是类似于[目的5),但主要的区别在于,我们的方法是设计主要在线工作,也就是说,实时处理速度输入流的方式。

在我们之前的作品中,我们提出的算法来检测和分类不同类型的交通异常(8,23),检测能力转移到路边传感器在不同的位置24),最近来推断交通过渡在当地地方交通数据不可用(25]。算法在本文提出异常导致延迟所以它使用一种不同的方法从我们之前的工作8,23]。更重要的是,该算法是一个重要的扩展我们的以前的工作在18)的功能在单个传感器检测到异常,发现冲击波,估计交通延迟显示。

3所示。研究框架

在本节中,我们提出研究框架包括某些术语的定义对于发展中该算法部分至关重要4。首先,定义是很重要的时间和空间的延迟。延迟被定义为一个额外的旅行时间所经历过的车辆由于环境,阻碍交通的运动(27]。空间范围内是指一个区域的路段上车辆预计将经历延迟。时间范围在本文中是指短期评估;也就是说,它表示延迟汽车预计将经历在不久的将来。短期被定义为一个时间周期从几秒到几小时到未来(3]。例如,对于我们分析的高速公路,短期是指一段分钟。

延迟后发生交通条件的变化正常的来颠覆性的条件(28]。正常的条件是指场景时传入的交通流量远低于高速公路段的能力。颠覆性的可以与条件反复出现的或一次性的交通堵塞。反复出现的交通拥堵是指当交通流量超过高速公路容量的场景(例如,在早高峰时间在工作日)。一次性的拥堵是指场景的容量高速公路段是减少意外事件(如事故和残疾的车辆)。一个异常在本文中是指偏离预期交通模式可以发生在反复出现的交通拥堵(例如,速度下降由于冲击波)(25)或之前临时堵塞(例如,速度下降由于事故和残疾车辆)(8]。

图1表明该算法可以部署与路边传感器(2高速公路段上。一个典型的路边传感器系统如图1由传感器放置连续高速公路段上。在每一个传感器,主要有两个单位。传感器单元负责收集交通数据使用磁力计等传感技术、雷达、激光、和摄像机(29日]。通信单元负责交通数据发送到数据收集使用无线通信技术,如GPRS模块,3 g,或者蓝牙取决于传感器的拓扑和本地可用的技术。然后,收集交通数据的算法模块在处理某些特定应用程序的算法。本文的算法是算法模块部署在检测到异常,估计延迟。延迟算法提供的信息可以用于特定的应用程序包括先进的旅行者信息系统和先进的交通管理系统。

4所示。该算法

在本节中,提出的算法。首先,在概述部分4.1每个操作的算法流程输入流量数据并与之交互。然后,部分4.2解释了两个重要的输入参数用于调整算法。部分4.3介绍了异常检测操作用于检测延迟的发生。最后,部分4.4描述了该算法估计时空上的延迟。

4.1。概述

如图2,该算法在线流媒体的方式和利用时间的流量样本从路边传感器获得的数据作为输入。对于一个给定的时间步长和一个输入窗口大小,执行每个操作样本的输入从每个路边传感器,是指车辆的平均速度,通过传感器在时间步。该算法包括两个主要操作,即异常检测(block II图2)和延迟估计(III和IV图块2)。异常检测的目的是检测偏离正常的交通模式,导致交通延迟。一旦发现异常,激活延迟估计算法操作的目的是估计一个额外的旅行时间车辆预计经验给定的道路段。

4.2。定义输入时间窗口大小()和预测地平线()

在我们进一步描述该算法如何执行异常检测和延迟估计,重要的是定义时间窗口大小和预测地平线,这是两个重要的输入参数,如图2。输入时间窗口大小定义了时间的输入样本的数量(单位时间内)该算法可以用来检测异常并估计延迟。预测地平线定义了在未来多长时间(时间单位)车辆将经历的时延估计算法。换句话说,当一个延迟的是估计的算法在时间吗预计,高速公路段经历类似的延迟期间。尽管众所周知,增加会降低估计精度,本文评估了估计精度的变化程度在对价值观的变化。

4.3。异常检测

该算法是基于假设交通延误是由于异常首先可以及时发现延迟检测异常。基于我们的实验以及之前的发现(30.)、速度、流量和入住率适合识别交通异常所以他们选择作为输入。真实的数据可能是不完整、不一致和嘈杂的,第一步是执行数据清理块我在图所示2。该算法的指数移动平均线来自提洛岛平滑(31日)用于插入缺失的数据,消除噪音。指数移动平均线是选择特别给更多的最新速度权重样本他们更相关的延迟发生。

异常检测操作派生的基于滑动窗口的方法(32),但修改单独评估每个输入时间窗口是否与正常或异常交通模式相关联。该算法使用模式匹配,每个实时输入模式组成的交通数据的样本从路边传感器。输入被确定为正常或异常通过评估其相似性的基础模式组成的正常模式和异常模式。检测到异常如果输入模式更相似的比。在实践中,和可以速度、流量和入住率测量正常和异常条件先天和存储在数据库中。

异常检测的主要挑战是,异常会导致速度、流、时间和占用模式不同,空间,和形状。例如,观察到一对上游和下游之间的中断发生路边传感器导致速度下降在上游下游传感器传感器而保持不变。另一方面,相同的中断可能会导致流掉在上游和下游传感器。此外,相同的中断会导致下降的速度模式在几秒内下一个场景,汽车正以较高的速度。相反,它可能发生在几分钟在另一个场景中根据交通流和司机的行为。下降速度模式的形状也可以线性(不同斜坡)指数,对数,甚至乙状结肠(中24]。为应对这些挑战,该算法中使用动态时间扭曲。

动态时间规整(DTW)之间的相似性度量时间序列模式提出了(33)来克服的局限性传统欧氏距离通过引入扭曲轴调整误差测量。图3显示两个时间序列之间距离测量模式和使用DTW。图中可以看到3(一个),起初和似乎没有类似利用欧氏距离度量比较点在同一时间。然而,如图3 (b)和3 (c)DTW提供了一个更加灵活和有效的方法,时间序列相似性模式可以通过比较在不同的时间点。这相当于“包装”前的时间序列进行比较。

在实践中,DTW将运行在一个算法模块图1相似性评估一个输入模式衡量一个路边传感器和个人基础模式。给定一个输入窗口大小计算机编程语言是用于实现DTW通过构造一个——- - - - - -矩阵的行数和列的长度是相等的和,分别。每个矩阵元素对应点之间的对齐和。这时,一个扭曲的道路;构造为一组矩阵元素定义了一个映射点为了衡量之间的距离和。之间的相似性和可以基于这些扭曲的路径计算。

基于DTW算法足够灵活来应对这些模式差异和随后进行比较和更有效率。如果输入模式发现是类似于基础模式吗与异常有关,该算法宣称异常检测和收益推迟评估。我们注意到异常也可以由多个传感器用于检测延迟估计操作。

4.4。延迟估计

延迟估计操作包含两个连续的步骤:估计空间异常的程度和估计的时间范围如第三和第四块如图所示2,分别。延迟的空间范围道路段的长度是异常的经历,可以估计通过寻找一组连续的传感器检测到异常的部分在哪里4.3。如图4,路边传感器被认为是破坏区域组成从传感器、中间传感器和最终的传感器。一开始传感器是第一个下游传感器检测到异常;也就是说,它是延迟是起源的地方。中间传感器是传感器位于从一开始连续上游传感器,也检测到异常;也就是说,他们表示连续的异常的上游延伸。最后传感器是第一个上游传感器异常未被检测到;也就是说,这是和交通中断的位置不再存在上游从这个位置仍在正常状态。然后,估计是开始和结束之间的距离传感器。

第二步,时间延迟估计在第四块图2,使用作为输入来估计延迟汽车预计将体验在路上段。使用定义在[27),,估计延迟的时间,计算额外的旅行时间估计超过正常的旅行时间所示(1),估计时间和旅行吗是正常的在同一路段旅行时间。估计旅行时间计算除以的估计意味着速度测量的开始,中间和结束传感器。

正常的旅行时间计算除以以正常的速度。我们注意到,计算的平均测量速度在前面的时间窗口(尺寸)在检测到异常在当前时间窗口(也大小)。因此,反映了预期速度司机在高速公路上段经历了如果没有发生异常。

估计的速度可以计算如下。基于我们之前的研究(24)和实际数据的进一步分析在6个时期,它是观察到出现的延迟与五异常下降速度模式,即线性、指数、对数、乙状结肠和非保密。此外,可以找到最适合每一个经验方程5速度下降模式(例如,一个指数方程最适合指数下降速度模式)(24]。核函数用于非保密的速度下降的模式。

对于一个给定的预测地平线和总开始、中间和结束传感器,这些经验方程可以用来暂时推断速度到每个路边传感器的未来,也就是说,。然后,可以先获得平均速度暂时推断样品吗然后平均空间所有传感器如下:

在实践中,延迟估计可以如下操作。一旦检测到,延迟速度模式来衡量每个路边传感器测量和传输算法模块图1。使用动态时间扭曲,这些速度模式是基础与速度模式与异常有关先天,收集和储存,找到相似。一旦最相似的基础速度下降模式被发现,其相应的经验方程是用来计算估计的平均速度所示(2),然后用于计算并最终估计延迟在(1)。注意,计算(1)是短期的延迟3]。延长(1)来估计车辆的小时的延迟或推迟推迟所有车辆在路上所经历的部分可以通过添加交通量进行乘法因子(1)。

5。业绩评估

在本节中,使用实际数据进行绩效评估。首先,部分5.1提出了两个真实的数据集用于评估该算法。然后,部分5.2描述了现有的算法(17)作为基准。节5.3性能评估参数。

5.1。描述现实世界的数据集

5.1.1。现实世界的数据从路边摄像头传感器

该算法使用实际收集的数据从评估一系列的相机传感器安装在大量使用入站部分Chalerm-Maha-Nakhon高速公路在曼谷,泰国。这些传感器共同发起的一个项目的一部分,泰国(EXAT)高速公路管理局和国家电子和计算机技术中心(NECTEC)针对实时交通监控。它由一系列连续十一个相机传感器安装在高速公路11公里。图5显示了高速公路的拓扑和相机的位置站,在连续两个相机之间的距离传感器范围从644到1977米。每个相机传感器能够检测单个车辆通过时间序列产生的高速公路段和交通数据包括速度、占用,流在1分钟的间隔34]。每个相机传感器连接到一个当地EXAT操作办公室通过无线移动网络技术(例如,GPRS和3 g),运营商可以查看实时交通信息和交通管理决策。

道路段的视图内的摄像头作为指定区域来计算交通数据输入。速度测量距离的车辆在指定区域的导线除以时间。流量测量是车辆通过指定区域的速度在一个给定的时间间隔。入住率的一小部分时间来衡量一个指定的区域是被汽车占据。

本文中使用的数据集收集从这个传感器网络在一年时间内从1月1日到12月31日,2010年。在本文中,我们选择了3日,4日,5日和6日传感器实验网站。交通拥堵的一个例子被相机传感器研究如图6。用于评估目的,发生的异常及其相关延迟是由一组独立并手动记录运输专家。总共16个临时拥挤病例记录用于测试该算法的异常检测功能。每个记录是与时间相关的实例之前中断发生后,它已经结束了。除了这些16例,与另一个团队的专家进一步调查还显示额外的44延迟情况。因此,总共60延迟情况下用于测试该算法的评估操作。

我们注意到该算法的交通数据输入是典型的数据,大多数路边传感器,例如,回路探测器,已经产生。因此,我们预计,如果传感器将被替换为其他类型的传感器,系统的性能不能显著改变。这是值得进一步调查大规模部署。

5.1.2中。NGSIM数据

显示的潜力被部署在不同的位置,该算法也评估使用NGSIM数据(19]。所选择的数据集收集于101年美国高速公路南行在洛杉矶,加利福尼亚,美国在07:50 am-08:35。这期间收集的数据集被选中,因为它是拥挤,由冲击波的形成可能产生额外的延迟。应该指出的是,造成的异常病例和延迟的时间不是标签在这个数据集,所以无法部署完整的算法数据集。然而,潜在的冲击波所表现出的算法可以检测。评估算法,四个虚拟传感器放置大约0.1公里距离获取的交通数据捕捉冲击波的发生及其空间区段。类似传统的固定流量传感器(如相机传感器和回路探测器),这些虚拟传感器计算流量数据基于交通流量和速度,通过传感器的位置。一个输入窗口大小用5分钟的时间序列30秒的平均速度从上游和下游获得虚拟传感器作为输入。观察并记录冲击波的发生的交通运输研究团队(25]。

5.2。基准算法

评估的能力对现有方法的算法,一个基准算法(17]。这个基准测试算法被选中,因为它也有类似的目标检测算法的异常导致延迟。同时,该算法已经实现在真实的异常检测系统(17]。此外,组成的一个预测组件和一个检测逻辑组件,它的目的是评估的区别交通数据连续观察到路边传感器。

然而,基准算法和该算法之间的主要区别在于检测逻辑。基准算法旨在检测突然重大改变交通预测的输入组件的值通过建立阈值(速度和入住率)过滤掉逐步改变流量输入引起的反复出现的拥堵,和一个异常信号只会提高时指定的阈值被超过。另一方面,该算法的目的是检测两个突然和渐进的变化,这使得它能够检测不同类型的异常与更少的假警报。这种差异会变得更加明显在两种算法评估与真实数据部分6。

5.3。性能评估参数

数值评估算法中,我们使用检出率(博士),假阳性率(玻璃钢),平均检测时间(MTTD)和平均绝对百分比误差(日军)所示(3),(4),(5)和(6),分别。博士,玻璃钢,MTTD用于评估算法的异常检测操作。日军是用来评估总延迟估计的准确性记录延迟情况下,错误的估计的记录延迟时间规范化的实际延迟一些估计延迟的可能性最小化样本支配别人。

性能参数适用于数据集包含标签交通异常和异常所造成的延迟。因此,这些参数将被评估的实际收集的数据在泰国,但是,由于缺乏异常的标签,不能申请NGSIM数据集。

6。结果和讨论

在本节中,该算法评估使用真实的数据部分中描述5.1和比较基准算法中描述的部分5.2。两种算法进行测试,如果他们在网上操作,其中每个检测操作执行每输入时间窗口。

6.1。评估使用NGSIM数据

该算法评估其能力检测的冲击波,这指的是一个现象,车辆必须暂时减缓低于正常速度,随后迫使汽车后面进一步减缓。这种现象是创建冲击波方面或移动速度下降区域移动向后干扰流和恼人的驱动力35]。冲击波的发生在拥堵不仅会导致额外的延迟,但也增加了追尾事故的几率。识别冲击波在拥堵也带来了挑战,因为它暂时出现,需要一个算法快速、敏感到足以感知他们(25]。冲击波代表意外事件的发生所以他们视为异常。

图7表明该算法可以检测所有四个事件(图7(一))的冲击波而基准算法可以检测只有两个(图7 (b))。如图7 (b),只有突然改变速度差(第二和第三次数)可以检测到基准算法。这个算法的目的是检测连续上游和下游流量测量之间的差异所以操作与连续变化的速度差,不够显著。另一方面,基准算法错过第一和第四出现冲击波在图7 (b)因为它们与相对更渐进变化的速度差有关。与基准算法不同,该算法使用DTW评估输入模式检测延迟出现,这样就可以检测所有四个事件相关的突然和渐进的速度变化如图7(一)。

一旦检测到事件的冲击,该算法所得估计延迟节中描述4.4。使用部分中描述的空间范围估计4.44个传感器,通常发现三个传感器检测速度下降与冲击波。因此,最下游传感器和最上游传感器选择开始和结束传感器,分别发现是0.48公里。

表1显示的值,,,在(1)的四个冲击波出现。作为比较,延迟估计也申请了第二次和第三次出现所检测到的基准算法(见图7)。注意,由于基准算法不能检测第一和第四出现,估计这段时间内的操作不激活,转而使用正常速度和旅行时间。我们进一步注意,所有四个事件及其相关的旅行时间和延迟可以连续在线计算的算法。

如表所示1的四位出现冲击波发现在图7与旅行时间(在(1))56.82,55.54,60.98,和53.79 s,分别。该算法能够检测所有四个事件,这些估计旅行时间都被包括在延迟计算。另一方面,如果基准算法代替,只有第二个和第三个事件及其相关的旅行时间将导致报道不准确计算延迟。我们注意到,尽管延迟之间的差异从算法和基准算法获得在这个例子可能小,显著改善更高程度的中断时可以看到评估。

结果见表1有许多应用在先进的旅行者信息系统和先进的交通管理系统。直接应用程序将旅行时间估计的高速公路段和报告给司机。的能力来检测出现的冲击波,也可用于其他应用程序,如计算冲击波传播时间(25]。它也可以用来提醒驾车者调整车辆间间距能够避免追尾事故。

6.2。评估在泰国使用实际数据收集

本节评估的能力提出算法和基准算法(17)检测16记录交通异常部分中描述的现实世界的数据集5.1。作为输入,两种算法使用速度、流量和路边传感器收集的入住率。在评估之前倍交叉验证技术。现实世界的数据集包含16个异常情况所以评价16倍执行。在一个迭代,异常情况保留作为测试集,而其他异常情况下集体被用来校准算法和基准算法。也就是说,在第一次迭代,集体作为训练集,然后进行测试。然后,在第二次迭代,用于训练,而用于测试,等等。

表2表明该算法达到更高的检测率和较低的误警率比基准算法。特别是基准算法相比,该算法提高了检测率和假阳性率约10%和7%,分别。数据8和9显示异常检测到该算法的例子,发现导致交通延迟。根据记录,这些异常与残疾相关车辆停车在肩上区。

发现,基准算法,miss-detection通常发生在低流量。该算法总是需要数据从至少两个传感器和交通流量的大小来衡量路边传感器触发基准算法不够大。而中型和重型卡车交通流触发基准算法,它还增加了假警报。这个算法的目的是直接评估上游和下游传感器之间的区别的路边传感器,随后增加其灵敏度和触发许多假警报。

与基准算法不同,该算法使用DTW评估交通数据分别从每个传感器。这使得该算法能够更有效地识别模式与异常有关,包括在低流量。使用DTW也减少了许多假警报,因为它可以确保不会触发检测单个传感器识别模式。对平均检测时间(MTTD),该算法则需要更长的时间来检测异常基准算法相比,它需要等到足够的时间交通数据已经收集的样本在每个传感器在检测操作可以被触发。然而,平均检测时间还不到6分钟为交通运营商应该给足够的时间响应(8]。为了减少算法的平均检测时间,可以使用短时间样品的流量数据。减少MTTD同时保持可接受的水平的博士和玻璃钢值得进一步调查。

要部署算法,算法的计算时间可以MTTD额外的延迟。即使计算时间没有系统地衡量绩效评估,计算时间的秒。我们使用电脑的规范,这是一个个人的笔记本电脑2.5 GHz CPU和4 GB的内存,计算时间大约是秒。随着计算时间(几秒钟)远远小于平均检测时间(6分钟),它是合理的考虑计算时间可以忽略不计。

本节进一步讨论结果时,该算法应用于估计60延迟情况下节中描述5.1使用不同的输入时间窗口大小(和预测的视野)。出于实用目的,重要的是要选择合适的输入时间窗口大小和预测地平线,使该方法能够有效地执行。尽管15分钟间隔经常被推荐(9)为了避免强烈的波动,使用较低的输入时间窗口大小可以为从业者提供更细粒度的信息(25]。因此,在本文中,我们使用= 3、5、10分钟输入时间窗口大小。对于预测的视野,我们使用= 5、10和15分钟作为本文重点是短期评估(不到15分钟)。此外,交通条件的变化在这个实验网站通常发生在不到15分钟。

该算法评估其能力来估计延迟使用日军。图10从估计延迟60例显示了日军在真实数据集和不同的输入时间窗口大小(和预测的视野)。这些结果表明,该估计算法可以实现的一部分,日军为这组实际数据低于0.1。这精度达到,因为估计部分由两个时空的估计,使该算法首先估计该地区异常而中断,然后估计延迟本身。此外,它可以看到,增加输入时间窗口大小()减少日军使用更多的输入样本提高估计精度。为预测视野的影响(),日军会增加预测的视野大,因为它更难以估计延迟更远的未来。然而,如图10,当增加,日军实际上增加的较大值时速度要小得多使用。因此,它建议从业者,如果目标是估计延迟遥遥领先未来(使用大预言的视野),更大的输入时间窗口大小是必要的。

基于这些发现在这一节中,很重要的是,从业人员选择合适的输入时间窗口大小根据他们实际的目标。如果目标是提供提示延迟信息,应该使用小输入时间窗口大小。另一方面,如果目标是为交通管理提供准确估计延迟的目的,更大的输入时间窗口大小应选用。此外,基于该算法,一个更复杂的和灵活的系统也可以进一步发展。例如,一种循序渐进的工作方式可以实现的算法,一个小的输入时间窗口大小是用作触发及时发现交通延迟的发生。然后,在下一步,输入时间窗口大小可以增加收集更多的流量数据实现更精确的检测和估计的交通延误。

为11公里以外的异常与大尺度效应实验网站,我们预计,该算法应该能够探测到这些异常是否发生下游和上游导致交通模式的变化传播到11公里。准确地估计延迟,基础模式与这样的大规模异常需要合并区分它们。然后,外推技术需要合并,使该算法估计延迟11公里高速公路段以外的当地交通信息不能直接观察到(25]。这是值得进一步调查。

7所示。结论和未来的工作

本文提出一种算法来检测异常,估计延迟从路边传感器使用流量数据。该算法使用单个传感器来检测异常交通数据,然后使用数据从时空上连续下游和上游传感器在一起估计延迟。绩效评估使用实际数据表明,该算法实现了较高的检测率和较低的假阳性率时用来检测异常基准相比,现有的算法。NGSIM的调查数据也显示,该算法也能够探测到的冲击波,随后,估计延迟比基准算法更有效。进一步的结果表明,一个小得多的速度估计误差增加时选择合适的输入时间窗口大小和预测地平线。

有有趣的方面值得进一步调查。一个有趣的方面是减少处理时间,同时保持较低的检测和估计错误。一个可能的方法是引入一个特征提取方法,该方法可以提取隐藏的模式当使用较小的输入时间窗口大小(8]。替代方法包括一组隐藏代表交通流特性研究提前pretraining深度学习模型(36)和填充交通特性为遗传算法学习方法来降低维数(37]。另一个有趣的方面是提高推理能力,通过融合空间推理方法估计交通数据本身他们不能直接测量的地点25]。此外,它实际上是一件非常有趣的评估算法不同的道路类型和几何图形。

除了算法的改进,探讨一个有趣的方面是算法的应用程序。本文提供的解决方案是设计为一个流算法可以在线运行;因此,它可以自然地扩展使用的各种实时应用程序。例如,发现异常,估计额外的旅行时间将是有用的交通运营商和旅行者,如果信息及时、方便地交付。积极沟通路边传感器和vehicle-to-infrastructure (V2I)可以用来迅速传播信息从我们的解决方案到附近的路边留言板显示信息或车辆的道路上,司机们V2I沟通适应路由和导航。

相互竞争的利益

作者宣称没有利益冲突有关的出版这篇文章。

确认

作者要感谢博士Supakorn Siddhichai和他在NECTEC IMG团队协助提供真实的数据分析。

引用

1. 基于n·帕拉多和y Donoso拥堵V2I-V2V系统中的路由发现机制应用智能设备和物联网,”传感器,15卷,不。4、7768 - 7806年,2015页。视图:出版商的网站|谷歌学术搜索
2. k . Nellore和g . p . Hancke”调查城市交通管理系统使用无线传感器网络,”传感器,16卷,不。2、第157条,2016年。视图:出版商的网站|谷歌学术搜索
3. 依Vlahogianni、m . g . Karlaftis和j . c . Golias“短期流量预测:我们和我们,”交通研究C:新兴技术,43卷,3-19,2014页。视图:出版商的网站|谷歌学术搜索
4. r·李和g .玫瑰”,将不确定性纳入短期旅行时间预测,“交通研究部分C:新兴技术,19卷,不。6,1006 - 1018年,2011页。视图:出版商的网站|谷歌学术搜索
5. y钟”,一个方法论的方法估计造成的延迟时间和空间范围的高速公路事故,”IEEE智能交通系统,13卷,不。3、1454 - 1461年,2012页。视图:出版商的网站|谷歌学术搜索
6. j .孟翁,问:“估计能力和交通延误工作区域:概述,“交通研究C:新兴技术,35卷,34-45,2013页。视图:出版商的网站|谷歌学术搜索
7. x张e . Onieva a . Perallos e . Osaba和v c . s . Lee”层次与遗传算法优化模糊规则系统短期交通拥堵预测,“交通研究C:新兴技术,43卷,第142 - 127页,2014年。视图:出版商的网站|谷歌学术搜索
8. s . Thajchayapong e . s . Garcia-Trevino和j·a·巴里亚,“分布式交通异常使用微观交通分类变量,“IEEE智能交通系统,14卷,不。1,第458 - 448页,2013。视图:出版商的网站|谷歌学术搜索
9. m·里皮·m·贝尔蒂尼,p . Frasconi“短期交通流预测:时间序列分析和监督学习的实验比较,”IEEE智能交通系统,14卷,不。2、871 - 882年,2013页。视图:出版商的网站|谷歌学术搜索
10. 郑f和h·范·Zuylen“城市链接旅行时间估计基于稀疏探测车辆数据,”交通研究C:新兴技术31卷,第157 - 145页,2013年。视图:出版商的网站|谷歌学术搜索
11. f·迪翁和h . Rakha估计动态道路旅行时间使用低采样率的自动车辆识别数据,”交通研究B部分:方法论,40卷,不。9日,第766 - 745页,2006年。视图:出版商的网站|谷歌学术搜索
12. d·帕特森和g .玫瑰”动态行程时间估计检测高速公路上,”学报第六届世界大会在智能交通系统中,多伦多,加拿大,1999。视图:谷歌学术搜索
13. j . Kwon b Coifman, p . Bickel“日常行程时间趋势和行程时间预测从回路检测器数据,”交通研究记录,没有。1717年,第129 - 120页,2000年。视图:谷歌学术搜索
14. j .大米和e . Van Zwet”,一个简单而有效的方法对高速公路旅行时间预测,“IEEE智能交通系统,5卷,不。3、200 - 207年,2004页。视图:出版商的网站|谷歌学术搜索
15. c·d·r·Lindveld r . Thijs p h·l . Bovy和n . j . van der Zijpp”评价在线旅游时间估计和预测,“交通研究记录卷。1719年,45-53,2000页。视图:出版商的网站|谷歌学术搜索
16. h, s . Chen y, b . Wu和z . Wang”比较延迟估计模型个交通灯路口在上海使用野外观察,“专业智能运输系统,10卷,不。3、165 - 174年,2016页。视图:出版商的网站|谷歌学术搜索
17. c . l . Mak和h . s . l .风扇”dual-station自动化高速公路事件检测算法的发展,“IEEE智能交通系统,8卷,不。3、480 - 490年,2007页。视图:出版商的网站|谷歌学术搜索
18. k . Hi-Ri-O-Tappa c . Likitkhajorn a Poolsawat, s . Thajchayapong”交通事件检测系统用一系列的点探测器”学报》国际IEEE会议15日在智能交通系统(ITSC 12)安克雷奇,页182 - 187年,阿拉斯加,美国,2012年9月。视图:出版商的网站|谷歌学术搜索
19. 诉Alexiadis j . Colyar j . Halkias r . Hranac g .麦克海尔,“下一代模拟程序,”尽管杂志,卷74,不。8日,22日至26日进行的,2004页。视图:谷歌学术搜索
20. f . g . Habtemichael m . Cetin, k . a . Anuar”Incident-induced高速公路上的延迟:量化方法分组相似的交通模式,”交通研究记录卷。2484年,60 - 69、2015页。视图:出版商的网站|谷歌学术搜索
21. j . Li C.-J。局域网,顾x,“估计事件延迟及其对高速公路网络的不确定性,”交通研究记录卷。1959年,37-45,2006页。视图:出版商的网站|谷歌学术搜索
22. y钟”,评估临时交通拥堵造成的降水使用存档的天气和交通流数据,”交通政策,19卷,不。1,第173 - 167页,2012。视图:出版商的网站|谷歌学术搜索
23. j·a·巴里亚和美国Thajchayapong使用微观交通的流量异常检测和分类变量,“IEEE智能交通系统,12卷,不。3、695 - 704年,2011页。视图:出版商的网站|谷歌学术搜索
24. k HiriOtappa和美国Thajchayapong普遍性和可转移性的事件检测算法使用动态时间扭曲,”程序在19世界大会的智能交通系统,维也纳,奥地利,2012年。视图:谷歌学术搜索
25. Thajchayapong和j·a·巴里亚,“交通过渡使用micro-macro交通变量的空间推理,”IEEE智能交通系统,16卷,不。2、854 - 864年,2015页。视图:出版商的网站|谷歌学术搜索
26. c . a . Ratanamahatana e·基奥,“你知道的一切动态时间扭曲是错误的,”学报》第三届研讨会上挖掘时间和顺序数据结合第十届ACM SIGKDD国际会议上知识发现和数据挖掘(KDD ' 04)美国,西雅图Citeseer洗,2004年8月。视图:谷歌学术搜索
27. 交通研究Thesauras交通研究委员会国家科学院,http://trt.trb.org/trt.asp?NN=Bthd。
28. n . Chiabaut c Buisson, l·勒克莱尔”基本图估计在拥堵,通过率测量”IEEE智能交通系统,10卷,不。2、355 - 359年,2009页。视图:出版商的网站|谷歌学术搜索
29. j . j . Fernandez-Lozano m . Martin-Guzman j . Martin-Avila和A . Garcia-Cerezo”城市交通特征和趋势的无线传感器网络监测、”传感器,15卷,不。10日,26143 - 26169年,2015页。视图:出版商的网站|谷歌学术搜索
30. js。噢,c .噢,s·g·里奇,m . Chang“实时估计事故可能性的安全增强,”交通运输工程学报,卷131,不。5,358 - 363年,2005页。视图:出版商的网站|谷歌学术搜索
31. a . p . Chassiakos和y . j . Stephanedes“平滑算法进行事件探测,”交通研究记录分裂到8 - 16个,卷,1394,页1993。视图:谷歌学术搜索
32. 诉Alarcon-Aquino和j·a·巴里亚,”在通信网络使用小波异常检测,”IEE Proceedings-Communications,卷148,不。6,355 - 362年,2001页。视图:出版商的网站|谷歌学术搜索
33. d . Berndt和j·克利福德”,使用动态时间扭曲时间序列中找到模式,”《车间在数据库知识发现(KDD ' 94),10卷,页359 - 370,西雅图,洗,美国,1994年8月。视图:谷歌学术搜索
34. k . Kiratiratanapruk和美国Siddhichai交通监控系统、车辆检测和跟踪”IEEE 10地区研讨会论文集,(TENCON 06年)IEEE,页1 - 4,香港,2006年11月。视图:出版商的网站|谷歌学术搜索
35. a . Hegyi b .德舒特,j . Hellendoorn”最优协调变速限制抑制冲击波,”IEEE智能交通系统》第六卷,没有。1,第112 - 102页,2005。视图:出版商的网站|谷歌学术搜索
36. 段y, y Lv w·康z李,F.-Y。王”,交通流量预测与大数据:深度学习的方法,”IEEE智能交通系统,16卷,不。2、865 - 873年,2015页。视图:出版商的网站|谷歌学术搜索
37. e·p·洛佩斯-加西亚Onieva, e . Osaba公元Masegosa,和A . Perallos”混合方法对短期交通拥堵预测使用遗传算法和交叉熵,”IEEE智能交通系统,17卷,不。2、557 - 569年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 Kittipong Hiriotappa等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。