Niekonwencjonalne techniki pomiarowe w modelowaniu ruchu

• Autorzy: Drzał M. , Ostaszewski P.

Warianty tytułu

EN

Unconventional measuring techniques in traffic modeling

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest przedstawienie autorskiego projektu wprowadzenia algorytmu opartego o sieci neuronowe w zastosowaniu do pomiarów wykonywanych w transporcie. Jakość, ilość oraz sposób pozyskiwania danych bezpośrednio przekłada się na wyniki tworzonych modeli symulacyjnych. Przeanalizowano różne systemy (zarówno komercyjne, jak i autorskie), które są używane do pozyskania danych do modelowania. W wyniku różnych wątpliwości, niedostosowania systemów lub zbyt wysokich kosztów, zaproponowano alternatywne rozwiązania, które mogą wyeliminować prezentowane problemy. Zaproponowano rozwiązania ograniczające część problemów sygnalizowanych przez autorów w przedmiotowym zakresie. Testowe prace uzasadniły wykorzystanie sieci neuronowych w pomiarach w transporcie. Otrzymano wyniki pomiarów testowych o dostatecznej zgodności z rzeczywistymi obserwacjami oraz porównano je z wynikami systemów dostępnych na rynku. Autorzy poddają analizie dalsze wymagane prace oraz możliwości udoskonalenia stosowanych rozwiązań.

EN

The aim of the article is to present the original project of introducing an algorithm based on neural networks in application to measurements performed in transport. The quality, quantity and method of obtaining data directly translate into the results of the simulation models created. Various systems (both commercial and proprietary) have been analyzed, which are used to obtain data for modeling. As a result of various doubts, system maladjustments or excessive costs, alternative solutions have been proposed that can eliminate the presented problems. As part of its work, solutions have been proposed that limit some of the problems reported by the authors in this regard. Test work justified the use of neural networks in measurements in transport. Test results with sufficient compliance with real observations were obtained and compared to the results of systems available on the market. The authors also analyze further required work and the possibilities of improving the solutions used.

Słowa kluczowe

PL

techniki pomiarowe; pomiar automatyczny; modelowanie; pozyskiwanie danych; sieci neuronowe; uczenie maszynowe; ruch; transport

EN

measurement techniques; modeling; data acquisition; neural networks; machine learning; automatic measurement of traffic in transport

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Transport Miejski i Regionalny
• Rocznik: 2018
• Tom: nr 4
• Strony: 25--31
• Opis fizyczny: Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Drzał M.

• Sybilla Technologies

autor

Ostaszewski P.

• doktorant w Instytucie Inżynierii Drogowej, Kolejowej i Transportu, Politechnika Krakowska

Bibliografia

• 1. Boukhanovsky A., Krzhizhanovskaya V., Melnikov V., Sloot P., Data-driven modeling of transportation systems and traffic data analysis during a major power outage in the Netherlands, YSC 2015, 4th International Young Scientists Conference on Computational Science, 2015.
• 2. Network Rail: Station Capacity Assessment Guidance, maj 2011.
• 3. Gaca S., Suchorzewski W., Tracz M., Inżyniera ruchu drogowego. Teoria i praktyka, Warszawa 2011.
• 4. Farid H., Wang W., Exposing Digital Forgeries in Interlaced and De-Interlaced Video.
• 5. Hermant L.F.L., Human movement behavior in South African railway stations: implications for design.
• 6. Inamura H., Takeyama Y., Teknomo K., Measuring Microscopic Flow Performance For Pedestrians, Tohoku University, Japan, The 9th WCTR Selected Proceedings.
• 7. Johansson A.F. Data-Driven Modeling of Pedestrian Crowds, Doctoral Thesis, 2009.
• 8. Boltes M., Schadschneider A., Seyfried A., Steffen B., Automatic Extraction of Pedestrian Trajectories from Video Recordings, Pedestrian and Evacuation Dynamics 2008.
• 9. Bonnette J., Codjoe J., Ishak S., Jenkins S., Mousa S., Traffic Counting Using Existing Video Detection Cameras, Final Report – November 2015.
• 10. https://www.youtube.com/watch?v=m3z79fLczDM, dostęp w 22.03.2018 r.
• 11. Cong T., Crouzil A., Khoudour L. Nghi D., Valiere P., Automatic Vehicle Counting System for Traffic Monitoring, Journal of Electronic Imaging, Society of Photo-optical Instrumentation Engineers, 2016.
• 12. Kumar V., Majeti M., Vehicle Detection, Tracking and Counting Objects For Traffic Surveillance System Using Raspberry-Pi, 2015.
• 13. Thool R., Uke N., Moving Vehicle Detection for Measuring Traffic Count Using OpenCV, Jounal of Automation and Control Engineering.
• 14. Bowden R., Kaewtrakulpong P., An Improved Adaptive Background Mixture Model for Realtime Tracking with Shadow Detection, Proceedings of 2nd European Workshop on Advanced Video-Based Surveillance Systems, 2001.
• 15. Zivkovic Z., Improved Adaptive Gaussian Mixture Model for Background Subtraction, In Proceedings of the Pattern Recognition, 17th International Conference on (ICPR'04), Vol. 2.
• 16. van der Heijden F., Zivkovic Z., Efficient adaptive density estimation per image pixel for the task of background subtraction, Pattern Recognition Letters, Volume 27, Issue 7, 2006.
• 17. LeCun, Yann et al., Handwritten Digit Recognition with a Back-Propagation Network, NIPS (1989).
• 18. Hinton G., Krizhevsky A, Sutskever I., Imagenet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems 25, Curran Associates, 2012.
• 19. Le Cun, Y., Boser B., Denker J.S., Henderson D., Howard R. Hubbard W., Jackel L., Handwriten Digit Recognition with a Back-Propagation Network, LeNet-5.
• 20. Kaneda Y., Masakazu M., Mitari Y., Mori K., Subject independent facial expression recognition with robust face detection using a convolutional neural network.
• 21. Bojarski M., Testa D.D., Dworakowski D., Firner B., Flepp B., Goyal P., Jackel L.D., Monfort M., Muller U., Zhang J., Zhang X., Zhao J., Zieba K., End to End Learning for Self-Driving Cars.
• 22. Fahmizal, Nugraha B., Su S., Towards self-driving car using convolutional neural network and road lane detector, 2017 2nd International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology, Jakarta 2017.
• 23. Kamioka E., Ku-Mahamud K., Salman Y., Distance measurement for self-driving cars using stereo camera in Zulikha, Proceedings of the 6th International Conference of Computing & Informatics, 2017.
• 24. Guerra V., Luna-Rivera M., Perez-Jimenez R., Rabadan J., Rodríguez R., Rufo J., Hybrid Visible Light and Ultrasound-Based Sensor for Distance Estimation, SENSORS, Szwajcaria.
• 25. Barsi Á., Lovas T., Potó V., Árpád Somogyi J., Laser scanned point clouds to support autonomous vehicles, 20th EURO Working Group on Transportation Meeting, EWGT 2017.
• 26. Ifte Khairul Alam Bhuiyan, LiDAR Sensor for Autonomous Vehicle, 2017.
• 27. Dollár P., Gkioxari G., Girshick R., He K., Mask R-CNN, 2017.
• 28. Xin Yu, Prevedouros P.D., Sulijoadikusumo G., Evaluation of Autoscope, SmartSensor HD and Infra-Red Traffic Logger for Vehicle Classification, Transportation Research Record: Journal of the Transportation Research Board, No. 2160.

Uwagi

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