Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.ufc.br/handle/riufc/38337
Tipo: Tese
Título : Speed prediction applied to dynamic traffic sensors and road networks
Otros títulos : Predição de velocidade aplicada à sensores de tráfego dinâmicos e redes de ruas
Autor : Magalhães, Regis Pires
Tutor: Macêdo, José Antônio Fernandes de
Palabras clave : Speed prediction;Dynamic traffic sensor networks;Road networks;Urban mobility
Fecha de publicación : 2018
Citación : MAGALHÃES, Regis Pires. Speed prediction applied to dynamic traffic sensors and road networks. 2018. 76 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal do Ceará, Fortaleza, 2018.
Resumen en portugués brasileño: A maioria das redes de ruas está atualmente equipada com sensores para monitoramento do tráfego em tempo real. A enorme quantidade de dados históricos de sensores coletados constitui uma rica fonte de informações que pode ser usada para extrair conhecimento útil para municípios e cidadãos, além de contribuir para a implementação de sistemas de transporte inteligentes. Neste trabalho, estamos interessados em explorar esses dados para estimar a velocidade futura em sensores dinâmicos de tráfego e redes de ruas, já que predições precisas têm o potencial de melhorar a capacidade de tomada de decisões dos sistemas de gerenciamento de tráfego. A criação de modelos preditivos de velocidade eficazes nas grandes cidades representa desafio importante que resulta da complexidade dos padrões de tráfego, do número de sensores de tráfego normalmente implantados, e da natureza em evolução das redes de sensores. De fato, sensores são freqüentemente adicionados para monitorar novos segmentos de ruas ou substituídos / removidos devido a razões diferentes (por exemplo, manutenção). A utilização de um grande número de sensores para uma predição de velocidade efetiva, requer soluções inteligentes para coletar grandes volumes de dados e treinar modelos preditivos eficazes. Além disso, a natureza dinâmica das redes de sensores do mundo real exige soluções que sejam resilientes não apenas a mudanças no comportamento do tráfego, mas também a mudanças na estrutura das redes. Este trabalho propõe três abordagens diferentes no contexto de redes de sensores grandes e dinâmicas: local, global e baseada em cluster. A abordagem local cria um modelo preditivo específico para cada sensor da rede. Por outro lado, a abordagem global constrói um modelo preditivo único para toda a rede de sensores. Finalmente, a abordagem baseada em cluster agrupa sensores em clusters homogêneos e gera um modelo para cada cluster. Outra contribuição é o fornecimento de um grande conjunto de dados, gerado a partir de registros de ∼1.3 milhões coletados por até 272 sensores implantados em Fortaleza, Brasil. Ele é usado para avaliar experimentalmente a eficácia e resiliência dos modelos preditivos construídos de acordo com as três abordagens mencionadas anteriormente. Os resultados mostram que as abordagens global e baseada em cluster fornecem modelos preditivos bastante precisos, que se mostram robustos a mudanças no comportamento do tráfego e na estrutura das redes de sensores, que, por sua vez, incluem o problema de cold start. Além disso, esta Tese propõe ainda uma abordagem de domínio cruzado que aplica modelos preditivos originalmente construídos a partir do domínio de sensores, no domínio da trajetórias. Mais especificamente, a abordagem global aqui proposta é usada para construir modelos preditivos a partir de dados de sensores, e usá-los para executar prediçõesrelativas ao domínio de dados de trajetória. Por fim, demonstra-se que as generalizações entre domínios não são triviais e os recursos devem ser cuidadosamente selecionados para ajudar a obter resultados mais precisos.
Abstract: Most urban road networks are nowadays equipped with sensors monitoring traffic in real-time. The huge amount of historical sensor data collected constitutes a rich source of information that can be used to extract knowledge useful for municipalities and citizens and to contribute to the realization of intelligent transportation systems. In this work, we are interested in exploiting such data to estimate future speed in dynamic traffic sensors and road networks, as accurate predictions have the potential to enhance decision-making capabilities of traffic management systems. Building effective speed prediction models in large cities poses important challenges that stem from the complexity of traffic patterns, the number of traffic sensors typically deployed, and the evolving nature of sensor networks. Indeed, sensors are frequently added to monitor new road segments or replaced/removed due to different reasons (e.g., maintenance). Exploiting a large number of sensors for effective speed prediction requires smart solutions to collect vast volumes of data and train effective predictive models. Furthermore, the dynamic nature of real world sensor networks calls for solutions that are resilient not only to changes in traffic behavior but also to changes in the network structure. We study three different approaches in the context of large and dynamic sensor networks: local, global, and cluster-based. The local approach builds a specific prediction model for each sensor of the network. Conversely, the global approach builds a single prediction model for the whole sensor network. Finally, the cluster-based approach groups sensors into homogeneous clusters and generates a model for each cluster. We provide a large dataset, generated from ∼1.3 billion records collected by up to 272 sensors deployed in Fortaleza, Brazil, and use it to experimentally assess the effectiveness and resilience of prediction models built according to the three aforementioned approaches. The results show that the global and cluster-based approaches provide very accurate prediction models that prove to be robust to changes in traffic behavior and in the structure of sensor networks, which, in turn, includes the cold start problem. We also propose a cross-domain approach that uses prediction models from the sensor domain into the trajectory domain. More specifically, we apply our global approach to build prediction models from sensor data and use it to perform predictions regarding the domain of trajectory data. We demonstrate that cross-domain generalizations are not trivial and the features must be carefully selected to help in achieving more accurate results.
URI : http://www.repositorio.ufc.br/handle/riufc/38337
Aparece en las colecciones: DCOMP - Teses defendidas na UFC

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
2018_tese_rpmagalhaes.pdf6,13 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.