شماره ركورد
19718
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
۱۹۷۱۸
پديد آورنده
پويا پوريايي
عنوان
تشخيص تراكم ترافيكي در شبكه جاده اي با توجه به الگوهاي حركتي اشيا متحرك
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
نرم افزار
سال تحصيل
۱۳۹۷ - ۱۳۹۴
تاريخ دفاع
۱۳۹۷/۷/۲
استاد راهنما
دكتر حسن نادري
دانشكده
كامپيوتر
چكيده
تشخيص ناهنجاريهاي ميان خط سيرها يك مسئله مهم در حوزهي نظارت است. ناهنجاري ميتواند يك رويداد باشد كه با يك الگوي قابل انتظار مطابقت ندارد؛ بحث تشخيص ناهنجاري به دو حوزه كلي تشخيص ناهنجاري يك خط سير و تشخيص ناهنجاري ميان يك مجموعه خط سير تقسيم ميشود.
با وجود اينكه تشخيص ناهنجاريهاي ميان خط سيرها مسئلهي مهمي است و معمولا در حوزههاي مهمي مانند نظارت و كنترل كاربرد دارد؛ اما كارهاي كمي در اين حوزه صورت گرفته است و اكثر الگوريتمهايي كه براي اين حوزه مطرح شده است با تمركز بر روي روابط تجربي بين بسياري از عوامل ترافيكي مانند سرعت و جريان و تعريف خود از ترافيك سعي در پيدا كردن ترافيك دارند.
با توجه به اين كه تشخيص الگو يك روش استاندارد و پركاربرد براي پيدا كردن رفتار ميان اشيا متحرك ميباشد ولي در حوزه تشخيص ترافيك از اين روش كمتر استفاده شده است و بيشتر كارهاي انجام شده براساس تعريف خود افراد و انتظارات خودشان از ترافيك صورت گرفته است، لذا ما در اين پژوهش از يك روش مبتني بر تراكم كه يك روش تشخيص الگو ميباشد استفاده كردهايم و با بهبود آن سعي براين داشتهايم كه يك روش استاندارد براي تشخيص انواع ممكن از تراكم ترافيكي بپردازيم.
در اين پژوهش به دليل اينكه دادههاي خام براي پردازش مناسب نيستند، يك پيش پردازش بر روي دادههاي خام انجام شده است كه داراي مراحل يكسان سازي واحدهاي زماني نقاط و عمليات تطبيق بر نقشه ميباشد. سپس در مرحله بعد الگوريتم پيشنهادي براي تشخيص ترافيك ارائه شده است كه داراي مزاياي متعددي از جمله منطقه بندي پوياي مكانهاي داراي ترافيك، جداسازي مناطق، دسته بندي و ذخيره سازي خطسيرهايي كه در يك محدوده زماني در مناطق داراي ترافيك حضور داشته اند و تغيير جريان محاسبات به سمت مناطق كانديد شده براي ترافيك و حذف خط سيرهاي ديگر براي كاهش زمان محاسباتي ميباشد. در انتهاي پژوهش نيز آزمايشات گوناگوني با استفاده از يك مجموعه داده استاندارد بر روي الگوريتم مورد نظر انجام ميشود كه عملكرد قابل توجه الگوريتم در تشخيص ترافيك را نشان ميدهد. همچنين نشان داده ميشود براي كاهش تاثير رفتار خطسيرها در تشخيص و كاهش خطا چه فاكتورهايي در محاسبه و خوشهبندي توجه شده است و در انتها نتايج حاصل شده مورد ارزيابي قرار ميگيرد.
تاريخ ورود اطلاعات
1397/08/22
عنوان به انگليسي
Congestion Traffic Detection in Road Network with Moving Pattern Trajectory
تاريخ بهره برداري
9/24/2018 12:00:00 AM
دانشجوي وارد كننده اطلاعات
پويا پوريايي
چكيده به لاتين
Detection of anomalies between lines is an important issue in the field of monitoring. Abnormalities can be an event that does not match the expected pattern; the abnormal discovery problem is divided into two areas: the detection of an anomalies of a line and anomaly detection between a trajectory set.
Although the detection of anomalies between the trajectories is an important issue and is commonly used in important areas such as monitoring and control, little work has been done in this area, and most of the algorithms proposed for this area have weaknesses and Limitations are suffering. In general, most of the work done is trying to find traffic by focusing on the empirical relationship between many traffic factors such as speed and flow.
In this research, different methods of traffic density detection were first investigated and then a high level comparison and general classification on these methods were presented. In the next step, and because raw data is not suitable for processing, a preprocess is performed on raw data that has the steps of uniformizing the time units of the points and matching operations on the map. Subsequently, a congestion-based approach to traffic detection has been proposed, with several benefits, including dynamic zoning of traffic areas, segregation of zones, classification and storage of lines that are present in traffic areas at a time interval. and switching the flow of traffic towards the designated areas for traffic and eliminating other lines to reduce computational time. At the end of the research, various experiments have been carried out using a standard data set on the desired algorithm and the results have been evaluated