Вейвлет-анализ как инструмент исследования характеристик дорожного движения для интеллектуальных транспортных систем в условиях недостающих данных
Ключевые слова:
транспортный поток, вейвлет, интеллектуальная транспортная система, спектральный анализ, частотный анализ, ИТСАннотация
Мероприятия по получению достоверной информации о текущем состоянии транспортных потоков являются необходимыми для реализации эффективных методов управления, предлагаемых современными интеллектуальными транспортными системами. Часто встречающейся проблемой при получении характеристик транспортных потоков с технических устройств является потеря исходных данных, которая приводит к необходимости решения задачи анализа неэквидистантных временных рядов. Эффективным подходом к исследованию неэквидистантных данных выступает спектральный анализ, требующий приведения неэквидистантного процесса к равномерному виду, например, восстановлением пропущенных отсчетов, что ведет к появлению погрешности датирования. Таким образом, цель работы — разработка метода и программного обеспечения для вейвлет-анализа характеристик транспортных потоков в частотной и временной областях без восстановления пропущенных отсчетов.
Для анализа и интерпретации нестационарных неэквидистантных временных рядов, полученных из систем мониторинга транспортных потоков, предлагается использовать метод вейвлет-преобразования с подстройкой интервалов дискретизации, результатом которого является частотно-временная развертка с равномерным представлением. Вейвлет-анализ применен к макроскопическим характеристикам транспортного потока, описывающим динамическое состояние транспортной сети в масштабе города или области.
Программное обеспечение, реализующее предложенный метод вейвлет-анализа характеристик транспортных потоков, разработано с использованием атрибутно-ориентированного подхода на фреймворке интеллектуальной транспортной геоинформационной системы ITSGIS. Интеграция разработанного программного обеспечения с интеллектуальной транспортной системой выполняется на трех уровнях: уровень данных — получение исходных данных от систем мониторинга; уровень бизнес-логики — представление обработанных данных для сервисов интеллектуальной транспортной системы; уровень представления пользователю — встраивание визуальных компонентов в пользовательские интерфейсы ITSGIS.
Вейвлет-анализ характеристик транспортных потоков проведен с использованием вейвлетов Морле на примере трех различных по интенсивности и скорости движения участков автодорог в городе Орхус (Дания). В качестве набора данных для анализа выступает недельный интервал с понедельника по воскресенье. Выполнен анализ данных о средней скорости, числе транспортных средств и среднем времени прохождения участка улично-дорожной сети. Построены и проанализированы вейвлет-спектры и скейлограммы, выявлены общие зависимости в частотном расположении экстремумов, выявлены различия в спектральной мощности.
Литература
2. Taylor M.A., Bonsall P.W. Understanding traffic systems: data analysis and presentation. 2nd edn. // London: Routledge. 2017. 443 p.
3. Jain N.K., Saini R.K., Mittal P. A Review on Traffic Monitoring System Techniques // Soft Computing: Theories and Applications. 2019. pp. 569–577.
4. Askari H. et al. A hybridized electromagnetic-triboelectric self-powered sensor for traffic monitoring: concept, modelling, and optimization // Nano Energy. 2017. vol. 32. pp. 105–116.
5. Sahgal D. Ramesh A., Parida M. Real-Time Vehicle Queue Detection at Urban Traffic Intersection using Image Processing // International Journal of Engineering Science and Generic Research. 2018. vol. 4. no. 2. pp. 12–15.
6. Liu Z., Jiang S., Zhou P., Li M. A participatory urban traffic monitoring system: the power of bus riders // IEEE Transactions on Intelligent Transportation Systems. 2017. vol. 18. no. 10. pp. 2851–2864.
7. Bellavista P., Caselli F., Corradi A., Foschini L. Cooperative Vehicular Traffic Monitoring in Realistic Low Penetration Scenarios: The COLOMBO Experience // Sensors. 2018. vol. 18. no. 3. pp. 822.
8. Михеева Т.И., Федосеев А.А., Михеев С.В., Головнин О.К. Метод синтеза тематического слоя объектов транспортной сети на основе материалов космической съемки // Информационный технологии. 2017. vol. 23. no. 11. pp. 808–816.
9. ZhangY., Zhang Y., Haghani A. A hybrid short-term traffic flow forecasting method based on spectral analysis and statistical volatility model // Transportation Research Part C: Emerging Technologies. 2014. vol. 43. pp. 65–78.
10. Jiang Y. et al. Spatio-temporal propagation of traffic jams in urban traffic networks. arXiv preprint 1705.08269. 2017.
11. Moretti F., Pizzuti S., Panzieri S., Annunziato M. Urban traffic flow forecasting through statistical and neural network bagging ensemble hybrid modeling // Neurocomputing. 2015. vol. 67. pp. 3–7.
12. Zeroual A., Harrou F., Sun Y., Messai N. Monitoring road traffic congestion using a macroscopic traffic model and a statistical monitoring scheme // Sustainable cities and society. 2017. vol. 35. pp. 494–510.
13. Fu H. et al. Modeling and integrated control of macroscopic heterogeneous traffic flow in large scale urban network using coloured Petri net // 98th TRB Annual Meeting: Compendium of Papers. 2019. pp. 19–04885.
14. Yu L. Queuing theory with heavy tails and network traffic modeling. URL: https://hal.archives-ouvertes.fr/hal-01891760 (дата обращения: 30.10.2018).
15. Babicheva T.S. The use of queuing theory at research and optimization of traffic on the signal-controlled road intersections // Procedia Computer Science. 2015. vol. 55. pp. 469–478.
16. Lin L. et al. Road traffic speed prediction: a probabilistic model fusing multi-source data // Proceedings of IEEE Transactions on Knowledge and Data Engineering. 2018. vol. 30. no. 7. pp. 1310–1323.
17. Liu Z., Li Z., Wu K., Li M. Urban Traffic Prediction from Mobility Data Using Deep Learning // IEEE Network. 2018. vol. 32. no. 4. pp. 40–46.
18. Wang Y.D. et al. Compression algorithm of road traffic data in time series based on temporal correlation // IET Intelligent Transport Systems. 2017. vol. 12. no. 3. pp. 177–185.
19. Crawford F., Watling D.P., Connors R.D. A statistical method for estimating predictable differences between daily traffic flow profiles // Transportation Research Part B: Methodological. 2017. vol. 95. pp. 196–213.
20. Tchrakian T.T., Basu B., O’Mahony M. Real-time traffic flow forecasting using spectral analysis // IEEE Transactions on Intelligent Transportation Systems. 2012. vol. 13. no. 2. pp. 519–526.
21. Addison P. The Illustrated Wavelet Transform Handbook // Boca Raton: CRC Press. 2017. 464 p.
22. Bhattacharyya A., Singh L., Pachori R.B. Fourier–Bessel series expansion based empirical wavelet transform for analysis of non-stationary signals // Digital Signal Processing. 2018. vol. 78. pp. 85–196.
23. Yang S., Liu J. Time Series Forecasting based on High-Order Fuzzy Cognitive Maps and Wavelet Transform // IEEE Transactions on Fuzzy Systems. 2018. vol. 26. no. 6. pp. 3391–3402.
24. Wang J., Liu W. Wavelet estimations for heteroscedastic super smooth errors // Communications in Statistics-Theory and Methods. 2018. pp. 1–21.
25. Zeng X., Wang J. Wavelet density deconvolution estimations with heteroscedastic measurement errors // Statistics & Probability Letters. 2018. vol. 134. pp. 79 – 85.
26. Cheng Y., Zhang Y., Hu J., Li L. Mining for similarities in urban traffic flow using wavelets // International Conference on Intelligent Transportation Systems Conference (ITSC). 2007. pp. 119–124.
27. Wang J., Wang Z., Li J., Wu J. Multilevel Wavelet Decomposition Network for Interpretable Time Series Analysis // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD’ 2018). 2018. pp. 2437–2446.
28. Tian F., Ming W.T., Yun W. Application of Wavelet Fuzzy Neural Network in Real Time Traffic Flow Forecasting // Proceedings of IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). 2018. pp. 1452–1455.
29. El-Wakeel A.S., Noureldin A., Hassanein H.S., Zorba N. Utilization of Wavelet Packet Sensor De-noising for Accurate Positioning in Intelligent Road Services // Proceedings of the 14th International Wireless Communications & Mobile Computing Conference (IWCMC). 2018. pp. 1231–1236.
30. Xiangxue W., Lunhui X. Wavelet-based short-term forecasting with improved threshold recognition for urban expressway traffic conditions // IET Intelligent Transport Systems. 2018. vol. 12. no. 6. pp. 463–473.
31. Zheng Z., Pan L., Pholsena K. Mode Decomposition Based Hybrid Model for Traffic Flow Prediction // Proceedings of IEEE Third International Conference on Data Science in Cyberspace (DSC). 2018. pp. 521–526.
32. Chen X. et al. Kernel sparse representation with hybrid regularization for on-road traffic sensor data imputation // Sensors. 2018. vol. 18. no. 9. pp. 2884.
33. Прохоров С.А. Прикладной анализ неэквидистантных временных рядов // Самарский государственный аэрокосмический университет. 2001. 375 с.
34. Прохоров С.А., Столбова А.А. Программный комплекс анализа неэквидистантных временных рядов на основе непрерывного вейвлет-преобразования // Программные продукты и системы. 2017. Т. 30. № 4. С. 668–671.
35. Khaymovich A.I., Prokhorov S.A., Stolbova A.A., Kondratyev A.I. A model of milling process based on Morlet wavelets decomposition of vibroacoustic signals // International Conference Information Technology and Nanotechnology (ITNT). 2017. vol. 1904. pp. 135–140.
36. Cannarile F., Baraldi P., Colombo P., Zio E. A Novel Method for Sensor Data Validation based on the analysis of Wavelet Transform Scalograms // International Journal of Prognostics and Health Management, Prognostics and Health Management Society. 2018. vol. 9. no. 1. pp. 002.
37. Golovnin O.K., Mikheeva T.I. Attribute-driven network-centric urban transport process control system modeling // Journal of Physics: Conference Series. 2018. vol. 1096. no 1. pp. 012199.
38. ITSGIS Homepage. URL: http://www.itsgis.ru (дата обращения: 30.10.2018).
39. Tönjes R. et al. Real Time IoT Stream Processing and Large-scale Data Analytics for Smart City Applications // European Conference on Networks and Communications, poster session. 2014. 5 p.
40. CityPulse Dataset Collection. URL: http://iot.ee.surrey.ac.uk:8080/datasets.html (дата обращения: 30.10.2018).
Опубликован
Как цитировать
Раздел
Copyright (c) 2019 Олег Константинович Головнин, Анастасия Александровна Столбова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).