Ověření realizace spojité zátěžové mapy pomocí moderních predikčních metod

Projekt byl realizován od 01/2012 do 12/2014 ve spolupráci s firmou Camea spol s.r.o. a Fakultou informačních technologií Vysokého učení technického v Brně. Hlavním příjemcem podpory v tomto projektu byla společnost VARS Brno a.s.
Tato stránka slouží k prezentaci výsledků projektu. Jednotlivé výsledky jsou podrobněji popsány v textu níže a jsou rozděleny do příslušných etap.

 

Etapa 2012 – Analýza problematiky MUI

O stavu řešení za rok 2012 lze říct, že všechny hlavní a dílčí cíle první etapy týkající se výběru metodiky a softvérových prototypů návrhu byly splněny v plné míře a termínu. Všechny dílčí cíle byly experimentálně ověřeny na dostupné datové sadě.

Dosažené výsledky

  • Výběr predikčních metod umělé inteligence pro virtuální senzory

Pro vytvoření optimální predikční metody pro virtuální senzory byly realizovány experimenty s

  • různými MUI a referenční lineární metodou,

  • různými metodami předzpracování vstupních dat z rozličných měřících lokalit a typů senzorů,

  • cílem řešit rozličné predikční úlohy.

Byla vytvořena metodika a systém, kterého výstupy implikují doporučení pro dosažení co nejlepších predikčních výsledků. Obecně se jako nejlepší ze všech testovaných metod jeví metoda SVR (Support Vector Regression) avšak existují situace kdy je výhodnější použit lineární regresi, či neuronovou síť.

Byl sestaven softwarový prototyp na úrovni na úrovni DB zpracování dat, skriptovacího jazyka R a tabulkového procesoru. Řešení úlohy bylo experimentálně ověřeno.

  • Určení minimální hustoty sítě pro optimální funkčnost virtuálních senzorů v situaci bez incidentů

Byla vytvořena metodika pro určení minimální hustoty fyzických senzorů v okolí virtuálních senzorů s cílem optimálních predikčních vlastností v případě, že se na dopravní síti nevyskytují incidenty.

Pro experimentální řešení úlohy byl sestaven softwarový prototyp na úrovni DB zpracování dat, skriptovacího jazyka R a tabulkového procesoru. Řešení úlohy bylo experimentálně ověřeno.

  • Predikce na virtuálních senzorech v situaci s incidentem

Na základě analýzy typů dopravních incidentů byla vytvořena metodika pro detekci a klasifikaci vhodných typů incidentů. Pro predikci dat na virtuálních senzorech v rámci konkrétního typu incidentu lze použít metodiku popsanou v dílčím výsledku DC 1.1. Byl sestaven softwarový prototyp na úrovni na úrovni DB zpracování dat a tabulkového procesoru. Řešení úlohy pro detekci incidentu bylo experimentálně ověřeno.

 

Etapa 2013 – Implementace MUI pro hlavní oblasti problematiky

Ve druhé etapě projektu bylo dosaženo všech významných cílů stanovených v zadání. Byly implementovány nejvhodnější metody umělé inteligence vybrané v minulé etapě projektu, čímž byl zároveň položen základ pro integraci metod umělé inteligence do reálného prostředí a pro zahájení poloprovozu plánovaného v příští etapě. Byl navržen systém pro predikci dopravy, detekci dopravních událostí a predikci dopravy při výskytu dopravní události.

Dosažené výsledky

  • Detekce dopravního omezení a stanovení intenzity dopravy v místě dopravního omezení

V rámci druhé etapy projektu byla vyvinuta aplikace pracující na principu příkazového řádku, která ve dvou oddělených režimech umožňuje predikovat hodnoty na virtuálních senzorech, detekovat dopravní omezení a predikovat hodnoty při dopravním omezení. Systém je konfigurován pomocí XML souborů a vstupy a výstupy systému jsou interpretovány textovými soubory. Systém nemá grafické rozhraní a je určen především k integraci do stávajících telematických systémů.

 

Etapa 2014 – Testování a ladění MUI pro hlavní oblasti problematiky a jejich integrace

Ve třetí etapě projektu bylo dosaženo všech významných cílů stanovených v zadání. Závěry z minulých let byly implementovány do reálného prostředí a byl zahájen poloprovoz systému predikce dopravních dat. V rámci poslední etapy projektu bylo vyvinuto komunikační rozhraní mezi modulem analýzy dat a mezi modulem pro predikci. Toto rozhraní umožňuje bezproblémovou komunikaci a sdílení výsledků, vstupů a výstupů vypočítaných na obou stranách systému. Zároveň bylo provedeno testování funkčnosti a komunikace všech komponent systému a na základě hloubkové analýzy vypočítaných hodnot proběhlo ladění systému ve smyslu úpravy defaultně přednastavených hraničních hodnot (například korelace). Ke stavu řešení za rok 2014 je možné konstatovat, že zadání projektu bylo splněno ve všech etapách beze zbytku a výsledek projektu je nyní připraven k použití v reálném prostředí, ve kterém je již nyní plně integrován.

Dosažené výsledky

  • Stanovení parametrů dopravy v místech virtuálních detektorů

V závěrečné etapě projektu bylo vyvinuto komunikační rozhraní, které zajišťuje komunikaci mezi modulem datového analyzéru, který předzpracovává data na vstupu a modulem umělé inteligence samotným. Tím byl zprovozněn komplexní systém, který zajišťuje stanovení parametrů dopravy v místech virtuálních detektorů. Zároveň byl tento systém v průběhu závěrečné etapy projektu propojen online s daty o provozu a tím pádem byl plně integrován do reálného prostředí a je připraven na reálné použití.

 

Více:

Diagram datových toků