Session 57 david gundlegård
21
Hur kan den realtidsdata som samlas in kombineras på bästa sätt? Mobile Millennium Stockholm David Gundlegård Institutionen för Teknik och Naturvetenskap Avdelningen för Kommunikations- och Transportsystem Andreas Allström (LiU/Sweco), Mahmood Rahmani (KTH) Transportforum 2012
Transcript of Session 57 david gundlegård
Hur kan den realtidsdata som samlas in kombineras på bästa sätt?
Mobile Millennium Stockholm
David Gundlegård
Institutionen för Teknik och Naturvetenskap
Avdelningen för Kommunikations- och Transportsystem
Andreas Allström (LiU/Sweco), Mahmood Rahmani (KTH)
Transportforum 2012
Agenda
• Allmänt om projektet
• Forskningsplattform
• Tillgänglig data
• Estimering
• Kombinera data
• Kommande arbete
2
Partners
• Finansierat av Trafikverket• FUD-program TTS• STRESS (Storstäders Trängsel
och REStids System)• Samarbete mellan
• Linköpings Universitet• KTH• Sweco• University of California, Berkeley
Syfte
• Skapa nya modeller för filtrering av trafikdata och fusionering av data från olika källor
• Visualisera restider/hastigheter från dessa modeller i realtid
• Bygga en plattform för fortsatt forskning och utveckling inom området
• Validera befintliga och nya modeller• Identifiera vägsträckor där nya
datainsamlingsmetoder behövs
TomTomBaserad på GPS –data från TomToms premiumprodukter
Trelocity/DNBaserad på taxidata och MCS-data (?)
Mobile Millennium StockholmBaserad på taxidata och MCS-data
Trafiken.nuBaserad på MCS-data
Google trafficBaserad på data från användare av Google maps
Varför?
12
Forskningsplattform
Sensorer
Sensorer - radar
Sensorer - taxi
Sensorer - kameror
Sensorer - kommande
• Bluetooth
• FCD• Samarbeten
• Mobilapp
• Kameror (för realtidsestimering)
• Mobilnätsdata?
• Incidenter
17
Estimering - motorväg
• Baserad på kinematic wave theory (Lighthill-Whitham-Richards PDE)
• Använder en transformation av Cell Transmission Model• Propagerar hastighet istället för densitet
• Underlättar fusion med punkthastigheter från probes
• Ensemble Kalman Filtering (EnKF) används för att kombineramodellprediktion och mätningar
Rådata VS Modell
Estimering - Huvudvägnät
o Idag baserat på taxi-datao Ruttklassificering
o Hidden Markov Modelo Restidsfördelning länkar
o Baserad på länkparametrar, ex.vis. kölängd, cykeltid
o Korrelation mellan länkaro Modellera hur tillståndet propagerar i nätverketo Coupled Hidden Markov Model (CHMM)o Coupling = lokal korrelation mellan länkar
o Historisk databas
20
Estimering - Huvudvägnät
• Enklare Gaussisk modell körs live i nuläget• Kombinera mätningar och historisk databas (Bayesian estimation)
21
Fas 1 - Pendlarrutter
Fusionering av data
o Många olika typer av trafikdatatillgängligto Fler kommer!o Ingen enskild datakälla löser alla
problem o Kombinera heterogen data med
olika egenskapero Förbättra kvalitet och täckning för
estimering och prediktionero Minska antalet fasta sensorer
Fusionering av data
• Taxi + Radar
• Via Ensemble Kalman Filteringoch CTM-v som trafikmodell
• Mer generellt• Punktsensorer + restider samplade
dynamiskt i tid och rum
Tid(t)
Position (s)Naiv trajektor
Sann trajektor
Genomsnittlig hastighet från modell
Initial trajektor
(t1, s1)
(t2, s2) Förbättrad trajektor
Fusionera data
Fast sensor
Fast sensor
Kommande arbete
o Färdigställa och utvärdera fusionering av taxi + radar
o Validering av utvecklade modeller för motorväg och huvudvägnät
o Utöka täckningen på restidsestimering i realtid
o Fokus på predikteringsmodellero Utvärdera effekterna av att minska antalet
fasta sensorer i kombination med modell och alternativ data
o Utöka antalet sensorer för estimering, prediktering och validering
