Systemy automatycznego wykrywania zdarzeń niepożądanych w
Transkrypt
Systemy automatycznego wykrywania zdarzeń niepożądanych w
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 114 Transport 2016 $%4 & !*% ( SYSTEMY AUTOMATYCZNEGO WYKRYWANIA +(/+8]58%4(5;&<0.&< = : !B; Streszczenie: Pierwsze systemy automatycznego wykrywania incydentów !£ ( F , (! " > &* ( * F % # ! ( obszarach miejskich. Przedstawiono ponadto opracowywania * ( ! ( ( !hu !. !B * !* 1. 0.>% W(!( ( "> F£ ( x F lub niedyspozycji kierowcy, obiekty na drodze, awaria elementów infrastruktury drogowej oraz zdarzenia niebezpieczne – wypadek lub kolizja~ !£ ! (kolizji lub wypadków). ! ( 10] zachowania przed konfliktowe i konflikty ruchowe, zwane incydentami w innych rodzajach transportu (kolejowym, wodnym i lotniczym) oraz *( zdarzenia niebezpieczne, tylko ze stratami materialnymi (kolizje drogowe) i zdarzenia niebezpieczne ze stratami osobowymi (wypadki drogowe z ofiarami rannymi, wypadki drogowe z ofiarami oraz # F # £ gowe). % czasu jego trwania oraz skrócenia czasu potrzebnego na udzielenie pomocy poszkodowanym, czego wynikiem jest 246 Jacek Oskarbski, Katarzyna &*+µ zmniejszenie (* okresu ekspozycji na ryzyko w£ nia zdar! * ( (2], [22]. W ! xB\^~* *( *29]. Na pods !*( £ ( ( ^£ !* w p !(#;]^6], [20]. W opracowaniach [9], [29] wskazano "£ > * zdarz! x;]– 38%), redukcja wypadków rodzaju „najechanie na ty´x-30%) oraz redukcja (! xB;^~F ( * o powiadamiania o wypadkach drogowych – eCall [20F %( Y ! * (zybkiego wykrycia ( * [21]. ="(&( *£ ! ( £ denF, ! * informowania kierowców. ' wykfalifikowanych operator( ( Y )£ dzania Ruchem w zakresie wykr podejmowania natych! ograniczone. % (! ( * F Y ) = "(&( projektu CIVITAS DYN@MO. % ( * pierwsze wyniki przedstawiono w niniejszym referacie. 29/;.;0;/;05+(/+8] W porównaniu do ruchu na autostradach, parametry i stan ruchu na arteriach miejskich zmienia £ *x ~* parkowania, przystanków transportu zbiorowego, regularnych lub losowych kolejek na wlo(!* m * * !* £ (!F) ( * mniej skomplikowane. & ( ( propozycje algorytmów wykrywania ! na arteriach miejskich, które zestawiono w Tablicy 1. " ! ( 247 Tablica 1 % #1 "#' Algorytm Wykorzystane dane Pattern Matching [28], [7], [23] ) ( ruchu £ cji pomiarowych wlotowych i wylotowych Kalman Filtering [17] Analiza dyskryminacyjna [24] ) (£ ) (stacja pomiaru) i czas przejazdu (pojazd próbny) neuronowy [13] ! £ wych i symulacyjnych Fuzzy Logic [18] G( ruchu*£ * TSC_ar [30] Na( *£ – testowany danymi z symulacji Sequential probability ratio tests [26] G( ruchu, za£ jek INGRID [25] ) ( £ cji pomiarowych MID – MOTION [15] G( *£ !*£ ! Zasada parametrów ruchu oraz ( ! ( od warunków ruchu bez ! x £ niem awarii systemu sterowania) Oszacowanie historycznych parametrów ruchu w celu wykrycia zdarzenia ) zdarzenia – *( ( £ chu na rozpatrywanym i na > na sieciach neuronowych i porównaniu go do modelu MLF, algorytmu Bayesian, oraz analizy dyskryminacyjnej * wnioskowania lokalizacji zdarzenia* ocen ( wn ! " przechowywania ogólnej specjalistycznej wiedzy o ruchu drogowym i przeprowadzenia uniwersalnego wykrywania ! I # * wykorzystywane do surowych danych o ruchu i prognozowanie w czasie rzeczywistym parame e zdarzeniem, rozpoznanie wzorców w procesie decyzyjnym Porównanie obecnej sytuacji ruchu z oczekiwan na podstawie historycznych danych referencyjnych G ( ! dla FG (£ £ ( Zastosowanie Wykrycie zdarzenia, blokada pasa, wlotu Wykrycie zda (£ danego Wykrycie zda (£ danego Wykrycie zdarzenia, blokowania pasa, awarii detektora Wykrywanie ! ( Wykrywanie ! zarówno dla autostrad i dróg miejskich Rozpoznanie ! na pasach ruchu Wykrywanie ! Wykrywanie ! " ! *£ ( £ 14FG #F% * £ soprzestrzennego pola losowego Markowa (MRF) ( * ! x_~ [11]. & !. % ! £ kach arte( * niektóre ( wykrywanie na ( F 248 Jacek Oskarbski, Katarzyna &*+µ % ( (!* czasu ( i zym obszarze sieci ulicznej. 3. OPIS PRZYPADKU % ( -Owsiana w Gdyni. ( F% ! ( #*( £ ramet ! ( [1][12]. % >=">/= x # ~*£ jazdu V, jL* T £ DF, ! £ ( * # potoków ruchu ( F £ lizacji dla grupy o zarejestrowanym numerze. % £ mach pojedynczego cyklu o zmiennym czasie trwania. W Tablicy 2 przedstawiono format zagregowanych danych opiy pojedynczy cykl (ok. 600- ~* £ ( &+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 * ;;2][19]. W niniejszym artykule stosowane przy a £ ( F x> FB~( ( £ *( !F( x( ~ danymi z wierszy (wiersz reprezentuje cykl zmian sygnalizacji). " ! ( 249 ) *( ( 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 xn – numer punktu kontrolnego). / * *£ 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. & # ( !#* F£ ( £ ( x> F B~* *! F, ( h perspektyw spojrzenia na zagregowane dane. Na Rys. 1 przedstawiono szereg czasowy PK_1_Ile £ dów / 60 s zarejestrowanych w punkcie kontrolnym 1 w kolejnych cyklach zmian sygnalizacji w dniu 2015-05-] ( Morska-Owsiana w Gdyni. W tym dniu w godzinach 12:24:24-;]B;; FG=F; F * (£ 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 ~ B;]-05-05 ³% ´ ( £ tych na analizie szeregów czasowych PK_n_Ile. Analogiczny obraz uzyskano dla szeregu PK_n_VFG=F; ( F> * F& ! ( £ F% £ # * metodach dedykowanych do stosowania w trybie on-line. <# ## ;F W modelach przedstawionych w pracach [12] i [19 £ F 250 Jacek Oskarbski, Katarzyna &*+µ &*( B-wymiarowej (16 punktów B PK_n_Ile i PK_n_V~ ;6] na danych z dnia 2015-05-05 z incydentem, poddanych standaryzacji. Wy # =www.r-project.org. Na Rys. 2 przedstawiono wynik rzutowania punktów z przestrzeni 32-x B;]-05]~ &Y;&YBF =FBF% \ kli z dnia 2015-05-] £ &Y;&YB Na rFB FY 239-B FG=FB@ * @ ( £ F: ! (( kli z ruchem normalnym jak i cykli nocnych. Uzyskane wyniki (rys. 1 i B~ ! # ( #£ cych. " ! ( 251 3.1. ARCHITEKTURA KLASYFIKATORA & #* ;3*( £ xrys. 3). Odpowiedzi ( (* ;F,@ Si 0,1 ! adanego cyklu. £ @ ! £ nych z poszczególnych modeli [13]. Rys. 3. Architektura Klasyfikatora % B+#przedstawionego na rys. 3: model FiltrLp oparty na zastosowaniu filtru dolnoprzepustowego do dekompozycji szeregu czasowego oraz model ANN oparty na zastosowaniu sztucznych sieci neuronowych. &{PK_n_Ile lub PK_n_V B* # £ stowego jest traktowana jako F ( ( trendu i trendu „normalnego” tj. trendu w dniu podobnym do badanego [27], o którym wia*( F ; ¹*;* B ; B =F& £ !z wykorzystaniem Toolboxa ANN [8] w programie SciLab. =! !* £ F, ( zdarzenia okre F= £ ców ruchu w stosunku zakresów przedstawionych w pracach [4], [5] czy [19]. 252 Jacek Oskarbski, Katarzyna &*+µ 3.2 WYNIKI B;]-06-04, w którym odnotowano incy ( FG=F modelu FiltrLP (kolor niebieski ze znacznikiem x) i ANN (kolor czerwony). Oprócz prawi {&#. godziny 15:13 i wieczorem po godz. 19.00. +#xF~ £ ( * # 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 =FF,@ modeli FiltrLP i ANN na dane z dnia 2015-06-04 4. WNIOSKI & ]-23:00. W modelu {& # *£ zane jest ze znikomym na(eniem F% ( ( li nocnych od cykli ze zdarzeniem* # £ nego sposobu agregacji d (F % £ F=( # £ ( , który ( T x ~F& ( £ # ( x !~ ( zdarzenia x !~F O modularna struktura klasyfikatora*( . Prace badawcze " ! ( 253 #* (przyd poszczególnych algorytmów i * *F G ( w czasie rzeczywistym F &( ingerencji >=">/=. Bibligrafia 1. Ahmed F., Hawas Y.: A Threshold-Based Real Time Incident Detection System for Urban Traffic Networks, Procedia-Social and Behavioral Science, 48 (2012) 1713-1722, Transport Research Arena – Europe 2012. 2. Button K. J., Hensher D. A. Schintler L.: Handbook of Transport Systems and Traffic Control, Pergamon 2001. 3. Chang, G. L., Rochon S.: Performance Evaluation and Benefit Analysis for CHART in Year 2007. Final report, 2007. http://chartinput.umd.edu/reports/chart2007final.pdf 4. Dia H., Rose G.: Development and evaluation of neural network freeway incident detection models using field data, Transportation Research Part C, 5 (5) 1997, 313-331. 5. Dia H., Thomas K.: Development and evaluation of arterial incident detection models using fushion of simulated probe vehicle and loop detector data, Information Fushion, 12 (2011) 20-27. 6. ERTICO: Expected Benefits of ITS, 4th World Congress of ITS, Berlin, Germany, 1997. 7. Han L. D., May A. D.: Automatic detection of traffic operational problems on urban arterials, Research Report UCB-ITS-RR-89-15, Institute of Transportation Studies, Univ. of California, Berkeley, CA, 1989. 8. Hristev R., Cornet A.: http://atoms.scilab.org/toolboxes/ANN_Toolbox/0.4.2.5 9. INSTITUTE OF TRANSPORTATION ENGINEERS: 1996 ITS Tour Report: Eastern North America and 1996 ITS World Congress: Volume I. 1997 10. +F*+!/F*" /F*Y+F*F*"F ryzykiem w transporcie. Rozdz. 7 w pracy zbiorowej pod red. R. Krystka pt.: Zintegrowany System Bez!> *B: ! F %+¥%B\F 11. Kamijo S., Matsushita Y., Ikeuchi K., Sakauchi M.: Traffic monitoring and accident detection at intersections, IEEE Transactions on Intelligent Transportation Systems, Vol. 1, No. 2, 2000, pp. 108-118. 12. Karim A., Adeli H.: Incident detection algorithm using wavelet energy representation of traffic patterns, Journal of Transportation Engineering, ASCE, 128 (3) 2002, 232-242. 13. Khan S., Ritchie S.: Statistical and neural classifiers to detect traffic operational problems on urban arterials, Transportation Research Part C, 6 (1998) 291-314. 14. Ki Y. K.: Accident detection system using Image Processing and MDR, IJCSNS International Journal of Computer Science and Network Security, Vol.7 No.3, 2007, pp. 35-39. 15. Kruse G., Tannert R., Hasberg P.: Incident detection by MOTION for strategic control in the traffic management system Stadtinfoköln, 7th World Congress on ITS, Turin, Italy. CD-Rom, 2000. 16. +F*%!%F*>F*" F"FRozpoznawanie wzorców, an!*%G>*%BF 17. Lee J. T., Taylor W. C.: Application of a dynamic model for arterial street incident detection, ITS Journal, Vol. 5, No. 1, 1999, pp. 53-70. 18. Lee S., Krammes R. A., Yen J.: Fuzzy-logic-based incident detection for signalized diamond interchanges, Transportation Research Part C, Vol. 6, No. 3, 1998, pp. 359-377. 19. Lu J., Chen S., Wang W., Zuylen H.: A hybrid model of partial least squares and neural network for traffic incident detection, Expert Systems with Application, 39 (2012) 4775-4784. 20. McDonald M., Keller H., Klijnhout J., Mauro V., Hall R., Spence A., Hecht C., Fakler O.: Intelligent Transport Systems in Europe. Opportunities for Future Research. World Scientific, 2006. 21. , F*+F*)F*µ+F" ! ( £ dach i drogach ekspresowych. Drogownictwo nr 4-5 (2015), 150-154. 22. , F/ania zdarzeniami drogowymi. Drogownictwo 4 (2012), 153-156. 254 Jacek Oskarbski, Katarzyna &*+µ 23. Rau L., K., Tarko A. P.: A congestion-oriented approach to detect incidents and to estimate capacities on signalized streets,” Preprint CD-ROM, the 79th TRB Annual Meeting, Transportation Research Board, National Research Council, Washington D.C., January 2000. 24. Sethi V., Bhandari N., Koppelman F. S., Schofer J. L.: Arterial incident detection using fixed detector and probe vehicle data, Transportation Research Part C, Vol. 3, No. 2, 1995, pp. 99-112. 25. Sharma S., Gidde M. R.: Estimated outcome of application of Split Cycle Offset Optimization Technique (SCOOT) & Reduction of frequency of buses, International J. of Engineering Research & Management Technology, Vol. 1, Issue-5, 2014, pp. 82-90. 26. Sheu J. B., Ritchie S. G.: A new methodology for incident detection and characterization on surface streets, Transportation Research Part C, Vol. 6, No. 3, 1998, pp. 315-335. 27. Tang J., Wang Y., Wang H., Zhang S., Liu F.: Dynamic analysis of traffic time series at different temporal scales: A complex networks approach, Physica A, 405 (2014), 303-315. 28. Thancanamootoo S., Bell M. G. H.: Automatic detection of traffic incidents on a signal-controlled road network, Research Report No. 76, Transport Operations Research Group, University of Newcastle upon Tyne, UK, 1988. 29. TRANSPORTATION RESEARCH BOARD: Analytical procedures for determining the Impacts of Reliability Mitigation Strategies, SHRP2 Reliability Research, Report S2-LO3-RR-1, 2013 30. Zhang K., Taylor M. A. P.: Towards transferable incident detection algorithms, Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, 2005, pp. 2263 – 2274. AUTOMATIC INCIDENT DETECTION SYSTEMS IN URBAN AREAS Summary: The first automatic incident detection systems appeared on American roads in the second half of the last century. We can find many examples of implementations of methods of Intelligent Transport Systems in Poland, which also offer opportunities to manage incidents and their detection on both rural roads and street networks in urban areas. The paper presents an overview of methods for detecting incidents in urban areas. The paper presents also the methodology for developing models that will be used for the detection of incidents at intersections with traffic lights immediately after the occurrence of unusual disturbances in traffic and preliminary results of researches. Keywords: Intelligent Transportation Systems, traffic safety, traffic management Praca na# # B;– 2016 # £ nego projektu CIVITAS DYN@MO.