Wyznaczanie jakości informacji w telematyce autostradowej

PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ
z. 92
Transport
2013
Marek Stawowy
Politechnika Warszawska, Wydzia Transportu
WYZNACZANIE JAKOCI INFORMACJI
W TELEMATYCE AUTOSTRADOWEJ
Rkopis dostarczono, maj 2013
Streszczenie: W artykule przedstawiono model wyznaczania jakoci informacji IQ (ang. Information
Quality) na podstawie modelowania wspóczynnika pewnoci hipotezy CF (ang. Certainty Factor) w
telematyce autostradowej. Modelowanie takie dotyczy zazwyczaj systemów ekspertowych lub
sztucznej inteligencji. Jednak w systemach telematyki autostradowej gównym elementem s systemy
komputerowe analizujce i przetwarzajce dane o ruchu pojazdów.
Sowa kluczowe: jako
informacji, wspóczynnik pewnoci, telematyka autostrad
1. WSTP
W telematyce transportu jako
informacji (IQ ang: Inforamtion Quality)1 ma duy
wpyw 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 bdami,
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 skada si wiele czynników. Jak przedstawione na rys. 1 na jako
informacji skadaj 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 przesanek (niepewnych danych). W tej pracy
uyta zostaa jako
informacji IQ zazwyczaj zdefiniowana jako bardziej ogólna do DQ.
222
Marek Stawowy
4. kompletno - informacja zawiera optymaln liczb danych, która wystarcza by móc
przetworzy
informacj w konkretn wiedz, poziom szczegóowoci jest zaleny od
potrzeb odbiorcy,
5. spójno - poszczególne elementy, dane wspógraj 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 waciwym odbiorcom,
8. wiarygodno - informacja potwierdza prawdziwo
danych, zawiera elementy
upewniajce co do rzetelnoci przekazu,
9. przystawalno - informacja jest zgodna z inn informacj, interpretowana we
waciwym kontekcie.
Rys. 1. Elementy skadowe jakoci informacji w sensie technicznym
Opracowanie wasne 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 (wspóczesne detektory s sterowane
mikrokontrolerami) a analiz jak wykonuj jest szeregiem decyzji (wykonywane
algorytmy przez kontrolery), mona uy
modelowania wspóczynnika pewnoci hipotezy
(CF ang: Certainty Factor) [4] wykorzystywanego w systemach ekspertowych i sztucznej
inteligencji. Naley tu przyj
zaoenie, e wyznaczone CF dla zaproponowanego
modelu bdzie szukanym IQ.
Wyznaczanie jakoci informacji w telematyce autostradowej
223
2. MODELOWANIE WSPÓ
CZYNNIKA PEWNOCI
HIPOTEZY DLA SYTEMU TELEMATYKI
AUTOSTRADOWEJ
W pierwszej czci tego rozdziau s sprecyzowane zalenoci jakie zostay uyte do
wyliczania wartoci CF. Wynika to z rónokierunkowoci rozwoju tej metody.
2.1. MODELOWANIE WSPÓ
CZYNNIKA PEWNOCI HIPOTEZY
Formalny opis uproszczony wspóczynnika pewnoci jest nastpujcy:
CF s MB s MD s (1)
Gdzie:
CF - wspóczynnik 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 wskazywaa na najwysz IQ.
Model wykorzystujcy CF mona przedstawi
w postaci grafu gdzie wzami s hipotezy
a gaziami wspóczynniki pewnoci hipotez. Przykadowy model zosta przedstawiony na
rys. 2.
e1
CF(e1,h1)
CF(h1,h)
h1
e2
(
CF
,
e2
h1
)
Rys. 2. Przykadowy model CF
Opracowanie wasne.
h
224
Marek Stawowy
Cao
rozpoczyna si od wzów obserwacji (e1,e2), kolejno pojawia si wze
hipotezy h1, który de facto w dalszym kroku oblicze staje si obserwacj. Do oblicze CF
równolegych wykorzystana zostaa 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 zostaa uyta zaleno
:
CFh ,e1,e 2 CF( e 2,e1) ˜ CF( h ,e 2 )
(4)
Dziki wzorom (3) i (4) mona zwin
graf do postaci jednej gazi z dwoma wzami i CF
tej gazi bdzie szukan wartoci wspóczynnika pewnoci hipotezy.
2.2. MODEL WSPÓ
CZYNNIKA PEWNOCI DLA SYSTEMU
TELEMATYKI AUTOSTRADOWEJ
Na system telematyki autostradowej skada si wiele elementów takich jak: nadzór i
pomiar ruchu, monitoring, pobieranie opat, 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 zostao
ograniczone do jednego z elementów systemu telematyki autostradowej. Jako ten
pokazowy element wybrany zosta nadzór i pomiar ruchu.
W skad 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 skadników.
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
pooenie pojazdów na kolejnych klatkach sekwencji obrazów. Nastpnie jest mierzone
przemieszczenie. Po uwzgldnieniu czasu mona wyznaczy
prdkoci tych pojazdów.
Wyznaczanie jakoci informacji w telematyce autostradowej
225
Na rys. 3 przedstawione zostao 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 wasne.
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 zakócenia
(niechciane informacje). Zwaszcza 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. bd detekcji.
Bd detekcji mona rozpisa
na róne przyczyny, które mog by
kolejnymi stanami
obserwacji:
1. zakócenia sceny,
2. awaria oprogramowania,
3. awaria detektora,
4. awaria komputera.
Czyli ostatecznie stanów obserwacji moe by
wicej:
e1.1. Nastpi ruch.
e1.2. zakócenia obrazu sceny,
e1.3. awaria oprogramowania,
e1.4. awaria detektora.
W dalszym etapie w celu pomiaru prdkoci naley mie
pewno
, e wykryte zostay
pooenia tego samego obiektu w dwóch rónych miejscach. Wykorzystujc metod
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 wasne
Wyznaczanie jakoci informacji w telematyce autostradowej
227
Ostatni krok to wyznaczenie prdkoci. Na tym etapie bd wystpoway nastpujce
stany obserwacji:
e4.1. Wyznaczono prdko
,
e4.2. bdny 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 zostay 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 zaoe.
3. PRZYK
ADOWE OBLICZENIA
Pierwsze obliczenia dotycz uproszczenia dcego do wyznaczenia wspóczynników
pewnoci hipotez porednich, które to uproszczenia skada
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 wasne.
Kolejne wartoci wspóczynników pewnoci hipotez przedstawiono w tabeli 2.
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 wasne.
Wg zaoenia z rozdziau 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 wspóczynnika pewnoci
hipotezy CF wykorzystywanego w komputerowych systemach podejmowania decyzji.
Zastosowanie tego typu modelowania daje moliwo
poczenia wielu rónorodnych
waciwoci badanego procesu analizy. Takich jak niezawodno
systemu komputerowego
(elektroniki i oprogramowania w sensie bdnej 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 przykadowe 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 naleaoby
porówna
z innymi metodami wyznaczania jakoci informacji. Naley uwzgldni
take
wicej bdów pomiaru, które w tym modelu nie zostay 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.
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. Szkoa
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