Work

Методи та моделі аналізу транспортних систем в умовах нестаціонарності параметрів транспортного потоку

Year: 2021
Type: dissertation
Abstract: Дисертаційна робота присвячена розробці інформаційної технології для \nпідвищення точності визначення інтенсивності транспортного руху на основі \nаналізу даних відеопотоку в режимі реального часу в умовах нестаціонарності \nпараметрів транспортного потоку. \nВисвітлено основні тенденції застосування інформаційних транспортних \nсистем та розглянуто сучасні інформаційні транспортні системи виявлення \nтранспортних засобів. \nВ даному розділі розглянуто існуючі транспортні системи визначення \nінтенсивності транспортного руху. Незважаючи на наявність розвинутих \nтехнологій керування дорожніх рухом, на сьогоднішній день задача про \nвизначення інтенсивності в Україні та в світі все ще залишається не \nрозв’язаною через ряд недоліків існуючих засобів моніторингу транспортних \nсистем – низька точність, складність реалізації системи та ін. Разом з тим існує \nвеличезна потреба у точному визначенні інтенсивності транспортного руху для \nпідвищення якості управління транспортним рухом, що призведе до \nпокращення економіки та екології міст і благополуччя населення. \nРозглянуто існуючі транспортні системи прогнозування інтенсивності \nтранспортного руху. Хоча розроблено велику кількість методів, прогнозування \nтранспортного потоку все ще лишається складним завданням і потребує \nрозроблення нових точних методів. \nЗ розвитком сучасних технологій комп’ютерного зору та зі збільшенням \nкількості відео-камер спостереження за дорожнім рухом з’являється все більше \nможливостей для побудови нових ІТС для визначення інтенсивності \nтранспортних потоків, створення якої є актуальною задачею для підвищення \nякості управління транспортним рухом. \nВперше було розроблено метод визначення показника завантаженості \nсмуги транспортного руху, який отримав назву TLCR (Traffic Lane Congestion \nRatio), для оцінки заторів на одній смузі. Розроблено алгоритм обробки \nзображень з метою виявлення транспортних засобів на наявній ділянці. \nЗапропоновано метод визначення інтенсивності дорожнього руху за \nпослідовними значеннями показника завантаженості смуги дорожнього руху за \nданими відеоряду. Правильно визначені значення параметрів завантаженості \nсмуги транспортного руху TLCR та інтенсивності дорожнього руху дозволить \nсистемі управління знайти оптимізовані параметри та уникнути заторів. \nРозроблено технологію визначення руху об’єктів у відео потоці на основі \nмодуля «bioinspired». Для цього було використано адаптований клас Retina \nмодуля «bioinspired», в якому знаходяться просторово-часовий фільтр двох \nінформаційних каналів моделі сітківки ока для детектування руху транспортних \nзасобів. Під час обробки зображення спочатку вказуються координати області \nзображення, де необхідно виявляти рух, після чого вхідне зображення \nтрансформується з кольорового до відтінків сірого, і далі зображення \nобробляється в модулі «magnocellular» та перевіряється медіанним фільтром на \nрівень ентропії та результат обробки порівнюється з пороговим значенням. \nРозроблено програмний компонент для визначення інтенсивності \nдорожнього руху в двох реалізаціях. Експериментально доведено значну \nперевагу реалізації на основі модуля bioinspired над реалізацією на основі \nпорівняння двох кадрів. Програмний компонент визначення інтенсивності \nтранспортного руху, який розроблений, є складовою частиною інформаційної \nсистеми управління транспортним рухом. \nРозроблена технологія визначення інтенсивності дорожнього руху з \nвикористанням нейронної мережі U-net, яка має високу ефективність та \nрезультативність під час сегментації зображення і відома надійністю під час \nроботи з великими наборами даних. Було використано методи U-net – методи \nкодування та декодування для злиття базової інформації та інформації високого \nрівня. Для навчання нейронної мережі було використано алгоритм оптимізації \nSGD для аналізу градієнта об'єктів. Вхідні зображення розрізались на сегменти \nрозміром 128 на 128 пікселів. Для тренування нейронної мережі U-net було \nвикористано набір даних з 10000 зображень. \nЕкспериментально доведено перевагу використання нейронної мережі Unet для задачі визначення інтенсивності руху та показника завантаженості \nTLCR. \nРозроблена технологія визначення інтенсивності дорожнього руху за \nданими відеоряду, що надходять з відеокамери спостереження. Було \nвдосконалено алгоритм визначення показника завантаженості транспортної \nділянки TLCR надає можливість враховувати тільки автомобілі, які рухаються \nпо досліджуваній смузі. Розроблений метод визначення інтенсивності \nдорожнього руху на основі послідовних значень показника завантаженості має \nнаступні переваги над іншими подібними системами: швидкість обробки даних, \nточність, відсутність необхідності додаткового обладнання (наприклад \nдатчики) та низька вартість. \nРозроблено алгоритм та інформаційну систему для довгострокового \nпрогнозування показника завантаженості транспортної ділянки TLCR для \nподальшої оцінки стану дорожнього руху. Інформаційна система \nпрогнозування базується на моделі навчання з рекурентною нейронною \nмережею LSTM. Розроблена система навчається на тренувальному відео \nотриманих з камер дорожнього руху записного протягом одного тижня для \nпрогнозування показника завантаженості транспортної ділянки TLCR для \nкожного дня тижня. \nРозроблено алгоритм виявлення дорожніх заторів за показником \nзавантаженості транспортної ділянки TLCR отриманих з зображень отриманих \nз відеокамер, встановлених у різних місцях міста. Алгоритм дозволяє \nкласифікувати затори за трьома рівнями завантаженості: низька, середня та \nвисока завантаженість. Розроблений алгоритм досліджували на \nекспериментальних даних записів з дорожніх відеокамер та було отримано \nзадовільні результати виявлення та класифікації рівнів завантаженості. \nПослідовність обробки та перетворень даних складають нову технологію \nвизначення інтенсивності дорожнього руху, що забезпечує високу точність \nоцінки інтенсивності руху транспортних засобів на ділянці дорожнього руху. \nРозроблена технологія може працювати в умовах нестаціонарності параметрів \nтранспортного руху. Завдяки використанню сегментації, замість класифікації, а \nтакож специфічного набору даних для навчання, технологія позбавлена таких \nнедоліків як неправильно підібраний ракурс та відсутність транспортного \nзасобу в існуючих базах даних для навчання. Запропонована система успішно \nпідрахувала транспортні засоби з високою точністю, – середні значення F-міра \nта точність (Accuracy) досягли 0,9967 та 0,9935 відповідно. \nДосліджено точність розробленої інформаційної системи \nдовгострокового прогнозування показника завантаженості транспортної \nділянки TLCR, яка базується на моделі навчання з рекурентною нейронною \nмережею LSTM. Отримана експериментальна середня точність 0,914 для п’яти \nднів (два вихідних та три робочих дні) демонструє високу ефективність \nрезультатів прогнозування.
Language: Ukrainian
Open Access status: green
OpenAlex ID: W6988223555
Cites: 80
Cited by:
Related to: 10