استفاده از استنتاج بیز برای همجوشی داده‌های زمان سفر در تونل نیایش

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی عمران و محیط‌زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران

2 دانشکده عمران و محیط‌زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران

3 دانشکده مهندسی عمران ، دانشگاه علم و صنعت، تهران، ایران

چکیده

با کاهش هزینه‌های جمع‌آوری داده، سیستم‌های حمل ‌و ‌نقل از سیستم‌های نیازمند به داده، به سیستم‌های نیازمند به تحلیل داده‌ها تبدیل شده‌اند. از آنجایی که دقت این داده‌ها متناسب با منابع جمع‌آوری آن متفاوت است، شناسایی داده با دقت بالاتر با ترکیبی از چند منبع، چالش اصلی کار با داده‌هایی از این دست می‌باشد. روش همجوشی داده‌ها می‌تواند با بهم ‌پیوند ‌دادن داده‌های حاصل از منابع مختلف دقت داده‌ها را در راستای هدف مورد مطالعه افزایش دهد. هدف اصلی از این مقاله، به دست ‌آوردن دقیق‌ترین زمان ‌سفر ممکن است. از جمله روش‌‏های همجوشی داده می‏توان به فیلتر کالمن، استنتاج بیز، شبکه‏‌های مصنوعی و تئوری دمپستر-شیفر اشاره کرد که در این تحقیق از استنتاج بیز استفاده شده و نتایج آن بررسی می‌شود. بر اساس این روش پیشنهاد شد که با ترکیب منابع مختلف داده که پوشش‌های زمانی و مکانی متفاوتی دارند، دقیق‌ترین زمان‌ سفر با پوشش زمانی و مکانی حداکثر از طریق همجوشی داده به دست ‌آید. مطالعه موردی تونل نیایش در شمال تهران انتخاب شد که در آن تجهیزات گسترده سیستم‌های حمل ‌و ‌نقل هوشمند نصب شده‌ است. پس از تعیین دقت هر یک از منابع با استفاده از داده‌های خودروی شناور، زمان‌ سفر همجوشی ‌شده در یک روز که داده‌های همه منابع در آن موجود بود محاسبه گردید. در این تحقیق، با در ‌نظر‌ گرفتن امکان دسترسی همزمان به چند منبع داده در یک یا چند کمان مشترک، منابع داده‌های زمان ‌سفر گوگل، داده‌های زمان ‌سفر از حسگر‌‌های بلوتوث و شناساگرهای حلقه در همجوشی مورد استفاده قرار گرفت. زمان ‌سفر به دست ‌آمده دقت هزینه‌های زمان ‌سفر در برنامه‌ریزی حمل ‌و‌ نقل، اطلاعات تابلوهای پیام متغیر و نرم‌افزارهای مسیریاب را افزایش می‌دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Fusion of travel time data in Niayesh tunnel using Bayesian inference

نویسندگان [English]

  • Mahmoud Mesbah 1
  • Mahan Mollajafari 2
  • Amir Golroo 1
  • Zahra Pakdaman 3
1 Department of Civil & Environmental Engineering, Amirkabir University of Technology, Tehran, Iran
2 Department of Civil & Environmental Engineering, Amirkabir University of Technology, Tehran, Iran
3 Department of Civil Engineering, the University of Science & Technology, Tehran, Iran
چکیده [English]

As data collection costs decrease, transportation systems have shifted from systems requiring data to systems requiring data analysis. Since the accuracy of these data varies with the sources of data collection, acquiring higher-accuracy data from a combination of multiple sources is the main challenge of working with such data. Data fusion is a very efficient mechanism that can interconnect data from different sources to increase the accuracy of data in line with the purpose of the study. The main goal of this article is to get the most accurate travel time possible from multiple sources. Among the data fusion methods are the Kalman filter, Bayesian inference, artificial neural networks and Dumpster-Scheffer theory, from which the Bayesian inference is used and its results are investigated. It is proposed that by combining different data sources with different temporal and spatial coverage, the most accurate travel time with maximum spatial and temporal coverage would be achieved. The Niayesh tunnel in Tehran was selected as a case study, where extensive equipment for intelligent transportation systems is installed. In this study, considering the possibility of simultaneous access to multiple data sources at the same location, the following source, Google travel time data, Bluetooth travel time data and Inductive loop detectors, were fused. The improved travel time can increase the accuracy of travel time costs in transportation planning, information on variable message signs and routing software.

کلیدواژه‌ها [English]

  • Data Fusion
  • Google Travel Time
  • Bayesian inference
  • Travel Time
  • Intelligent Transportation Systems
[1] Bachmann, C., et al., A comparative assessment of multi-sensor data fusion techniques for freeway traffic speed estimation using microsimulation modeling. Transportation research part C: emerging technologies, 2013. 26: p. 33-48.
[2] Bachmann, C., et al., Fusing a bluetooth traffic monitoring system with loop detector data for improved freeway traffic speed estimation. Journal of Intelligent Transportation Systems, 2013. 17(2): p. 152-164.
[3] Kwon, J., B. Coifman, and P. Bickel, Day-to-day travel-time trends and travel-time prediction from loop-detector data. Transportation Research Record, 2000. 1717(1): p. 120-129.
[4] Zhang, X. and J.A. Rice, Short-term travel time prediction. Transportation Research Part C: Emerging Technologies, 2003. 11(3-4): p. 187-210.
[5] El Faouzi, N.-E., L.A. Klein, and O. De Mouzon, Improving travel time estimates from inductive loop and toll collection data with Dempster–Shafer data fusion. Transportation research record, 2009. 2129(1): p. 73-80.
[6] Heilmann, B., et al., Predicting motorway traffic performance by data fusion of local sensor data and electronic toll collection data. Computer‐Aided Civil and Infrastructure Engineering, 2011. 26(6): p. 451-463.
[7] Ivan, J.N., Neural network representations for arterial street incident detection data fusion. Transportation Research Part C: Emerging Technologies, 1997. 5(3-4): p. 245-254.
[8] Bhaskar, A., E. Chung, and A.-G. Dumont, Analysis for the use of cumulative plots for travel time estimation on signalized network. International Journal of Intelligent Transportation Systems Research, 2010. 8(3): p. 151-163.
[9] Skabardonis, A. and N. Geroliminis, Real-time estimation of travel times on signalized arterials. 2005.
[10] Pueboobpaphan, R. and T. Nakatsuji, Real-time traffic state estimation on urban road network: the application of unscented Kalman filter, in Applications of Advanced Technology in Transportation. 2006. p. 542-547.
[11] Chu, L. and W. Recker, Micro-simulation modeling approach to applications of on-line simulation and data fusion. 2004.
[12] Park, T. and S. Lee. A Bayesian approach for estimating link travel time on urban arterial road network. in International Conference on Computational Science and Its Applications. 2004. Springer.
[13] Bachmann, C., Multi-sensor data fusion for traffic speed and travel time estimation. 2011.
[14] Guo, K., et al., Application of multi-sensor target tracking to multi-station monitoring data fusion in landslide. Yantu Lixue(Rock and Soil Mechanics), 2006. 27(3): p. 479-481.
[15] Martí, F.S., Highway travel time estimation with data fusion. 2013, Springer.
[16] Soriguera, F. and F. Robusté, Highway travel time accurate measurement and short-term prediction using multiple data sources. Transportmetrica, 2011. 7(1): p. 85-109.
[17] Liu, K., et al., Iterative bayesian estimation of travel times on urban arterials: fusing loop detector and probe vehicle data. PloS one, 2016. 11(6).
[18] Mahmoud Mesbah, A.G., Farzaneh Abdollahi, Fatemeh Banani, Zahra Pakdaman, Afarin Kheirati, Mohsen Kheirandish & Amirhossein Alikhani, Research plan for transportation systems data fusion Smart city of Tehran to estimate travel time. Amirkabir University of Technology (Tehran Polytechnic), 2016: p. 149.
[19] Guo, Y. and L. Yang, Reliable Estimation of Urban Link Travel Time Using Multi-Sensor Data Fusion. Information, 2020. 11(5): p. 267.
[20] Mil, S. and M. Piantanakulchai, Modified Bayesian data fusion model for travel time estimation considering spurious data and traffic conditions. Applied Soft Computing, 2018. 72: p. 65-78.
[21] Zahra Pakdaman, Fusion of traffic data to determine the network performance evaluation index. Iran University of Science and Technology, 2017