An algorithm for vehicle identification by on-board Bluetooth devices exploiting Big-Data tools

• Autorzy: Bazan M. , Janiczek T. , Kurda R. , Matusiak K. , Sak Ł.

Warianty tytułu

PL

Algorytm identyfikacji pojazdów poprzez urządzenia Bluetooth wykorzystujący narzędzia Big Data

• Języki publikacji: EN

Abstrakty

EN

Nowadays, vehicles are equipped with various on-board devices that work in Bluetooth technology and log on to the ITS infrastructure whenever passing by Bluetooth readers. The location of Bluetooth readers is an important issue for travel time prediction in urban areas. Bluetooth technology is used to enhance travel time prediction accuracy and is additional to vehicle license number identification. The algorithms for travel time prediction are used by such technologies e.g., TRAX to offer the road user an alternative route to traverse the most congested regions of the city in the most efficient way. In this paper we present the implementation of the algorithm that enables us to match Bluetooth on-board devices, and also cell phones that are mounted or are just in vehicles of road users. Since the ITS is a source of an enormous and increasing amount of data for this purpose we engage Big Data tools such as Apache HaDoop and Apache Spark. To build Map-Reduce tasks we use Hive-SQL. The algorithm is tested on ITS data from the city of Wroclaw. The results of the algorithm may be used to locate stolen vehicles.

PL

Współczesne pojazdy wyposażane są w wiele różnych urządzeń Bluetooth, które logują się do infrastruktury ITS za każdym razem gdy przejeżdżają one w zasięgu czytników Bluetooth. Położenie czytników Bluetooth jest zagadnieniem istotnym dla metod predykcji czasu przejazdu w regionach zurbanizowanych. Technologia Bluetooth jest użyta do poprawy dokładności czasu przejazdu i jest uzupełnieniem dla identyfikacji pojazdów po numerach rejestracyjnych. Algorytmy do predykcji czasu przejazdu są używane do proponowania użytkownikom trasy alternatywnej w celu przejazdu przez najbardziej zatłoczone regiony miasta w sposób najbardziej efektywny. W artykule jest prezentowana implementacja algorytmu, który pozwala połączyć urządzenia Bluetooth i telefony znajdujące się w pojazdach z samymi pojazdami. Do tego celu angażuje się narzędzia Big Data takie jak Apache HaDoop i Apache Spark. Do zbudowania zadań Map-Reduce używa się Hive-SQLa. Algorytm był testowany na danych z wrocławskiego ITS. Wyniki działania algorytmu mogą być użyte do lokalizowania skradzionych pojazdów.

Słowa kluczowe

EN

automatic number plate recognition; Bluetooth devices; HaDoop; Spark; user identification

PL

Hadoop; Spark; identyfikacja użytkownika

• Wydawca: Wydawnictwo Wyższej Szkoły Technicznej w Katowicach
• Czasopismo: Zeszyty Naukowe Wyższej Szkoły Technicznej w Katowicach
• Rocznik: 2017
• Tom: nr 9
• Strony: 7--21
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Bazan M.

• Wrocław University of Science and Technology, Faculty of Electronics, Department of Computer Engineering, ul. Janiszewskiego 11/17, 50-372 Wrocław, Poland

autor

Janiczek T.

• Wrocław University of Science and Technology, Faculty of Electronics, Department of Control Systems and Mechatronics ul. Janiszewskiego 11/17, 50-372 Wrocław, Poland

autor

Kurda R.

• Wrocław University of Science and Technology, Faculty of Electronics, Scientific Circle CyberTech, ul. Janiszewskiego 11/17, 50-372 Wrocław, Poland

autor

Matusiak K.

• Wrocław University of Science and Technology, Faculty of Electronics, Scientific Circle CyberTech, ul. Janiszewskiego 11/17, 50-372 Wrocław, Poland

autor

Sak Ł.

• Wrocław University of Science and Technology, Faculty of Electronics, Scientific Circle CyberTech, ul. Janiszewskiego 11/17, 50-372 Wrocław, Poland

Bibliografia

• [1] Kolour, H. S., Shahbahrami, A.: An Evaluation of License Plate Recognition Algorithms. International Journal of Digital Information and Wireless Communications (IJDIWC) 1(1) in The Society of Digital Information and Wireless Communications, (ISSN 2225-658X), pp. 247-253, 2011.
• [2] Kazagli, E.: Arterial Travel Time Estimation from Automatic Number Plate Recognition Data, Ph.D. thesis., Department of Transport Science, Division of Traffic and Logistics, Royal Institute of Technology, September 2012, Stockholm.
• [3] Bazan, M., Bożek, M., Ciskowski, P. Halawa, K., Janiczek, T. Kozaczewski, P., Rusiecki, A.: Some aspects of Intelligent Transport System auditing. Archives of Transport System Telematics, Volume 8, Issue 3, 2015, pp. 3-8.
• [4] Ciskowski, P,. Janik, A., Bazan, M., Halawa, K., Janiczek, T., Rusiecki, A.: Estimation of Travel Time in the City Based on Intelligent Transportation System Traffic Data with the Use of Neural Networks. Dependability Engineering and Complex Systems: Proceedings of the 11-th International Conference on Dependability and Complex Systems DepCos – ROLCOMEX, Ed. by W. Zamojski et. al., June 2016, Poland.
• [5] Ma, Y., Chowdhury, M. Sadek, A., Jeihani, M.: Integrated Traffic and Communication Performance Evaluation of an Intelligent Vehicle Infrastructure Integration (VII) System for Online Travel-Time Prediction, IEEE Trans. on Intelligent Transportation Systems, 13(3), 2012, pp. 1369 – 1382.
• [6] Jindal, V., Bedi, P.: Reducing Travel Time in VANETs with Parallel Implementation of MACO (Modified ACO). In: Snášel V., Abraham A., Krömer P., Pant M., Muda A. (eds) Innovations in Bio-Inspired Computing and Applications. Advances in Intelligent Systems and Computing, vol 424. Springer, 2016, Cham.
• [7] Wang, Y., Malinovskiy, Y., Wu, Y.-J., Lee, U. K.: Error modeling and analysis for travel time data obtained from Bluetooth MAC address matching, Research Report, Agreement T4118 Task 46, 2011-01, Washington State Transportation Center (TRAC), December 2011.
• [8] Park, J. H.: Optimal Number and Location of Bluetooth Sensors Considering Stochastic Travel Time Prediction, The 56th Annual Transportation Research Forum, March 2015.
• [9] Wieck, M.: Use of Bluetooth Based Travel Time Information for Traffic Operations. In: ITS America, the 18th World Congress on Intelligent Transport Systems, Orlando, Florida, United States, October 16-18, 2011.
• [10] Hainen, A., Wasson, J., Hubbard, S., Bullock, D. M.: Estimating Route Choice and Travel Time Reliability with Field Observations of Bluetooth Probe Vehicles.Transportation Research Record Journal of the Transportation Research Board 2256(-1), December 2011, pp. 43-50.
• [11] Senkar, B., Karau, H.: Fast Data Processing with Spark - Second Edition, ISBN-13: 978-1784392574, Packt Publishing, 2013.
• [12] Wadkar, S., Siddalingaiah, M.: Building Real-Time Systems Using Hbase, in Pro Apache Hadoop, ISBN: 978-1-4302-4863-7, 2014, pp. 293-323.
• [13] Perera, S.: Instant MapReduce Patterns – Hadoop Essentials How-to Progressing, Packt Publishing, ISBN 139781782167709, 2013.
• [14] Karanth, S.: Mastering Hadoop, Packt Publishing, ISBN-13: 9781783983643, 2014.
• [15] International Transport Forum, CPB, OECD, Big Data and Transport: Understanding and Assessing Options, 2015.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).