| Abstract | The accelerated development of communication technologies in this decade has allowed the use of large spatiotemporal traffic datasets for research related to intelligent transport systems (ITS). ITS applications based on large sets of traffic data enable the solution to problems arising from the growth of urban centers around the world. Some of the problems of increasing traffic demand in urban centers are manifested through traffic congestion that leads to increased travel time on the transport network and environmental pollution due to increased exhaust gases leading to reduced quality of life. The aim of this doctoral thesis is to develop methods for classifying different states of the traffic network using the proposed traffic data representation named the Speed Transition Matrix (STM). The thesis will present three methods of classifying the state of road traffic networks based on the proposed STM traffic data representation. The methods relate to classifying traffic network congestion in urban areas, detecting anomalies in traffic patterns on the urban transport network, and detecting bottlenecks on motorways due to increased traffic demand. The result indicates that STM can be used for mentioned tasks with high accuracy. Obtained methods can be used in traffic monitoring and control systems in a variety of use cases like bottleneck prevention, traffic lights optimization, and delivery vehicles routing. |
| Abstract (croatian) | Ubrzani razvoj komunikacijskih tehnologija u ovom desetljeću omogućava korištenje velikih skupova prostorno-vremenskih prometnih podataka za istraživanja vezana za inteligentne transportne sustave (ITS). ITS aplikacije zasnovane na velikim skupovima prometnih podataka omogućavaju rješavanje problema koji nastaju zbog rasta urbanih centara diljem svijeta. Neki od problema povećanja prometne potražnje u gradskim središtima se očituju kroz prometna zagušenja koja dovode do povećanja vremena putovanja na prometnoj mreži i zagađenja okoliša zbog povećane količine ispušnih plinova što dovodi do smanjenja kvalitete života. Cilj doktorskog rada je razviti metode za klasifikaciju različitih stanja prometne mreže modeliranjem prometnih podataka prijelaznim matricama brzina (eng. SpeedTransition Matrix - STM). U radu će se prikazati tri metode klasifikacije stanja cestovne prometne mreže koje se temelje na predloženom STM prikazu podataka. Metode se odnose na klasifikaciju zagušenja prometne mreže u gradskim sredinama, detekciju anomalija u prometnim uzorcima na gradskoj prometnoj mreži i detekciju uskih grla na autocestama zbog povećane prometne potražnje. STM je nova metoda prikaza prometnih podataka koja se ovom disertacijom predlaže kao vizualizacijska metoda i ulazni podatak za metode klasifikacije stanja prometne mreže. STM se zasniva na matrici koja prikazuje vjerojatnost prijelaza (promijene) između ulazne i izlazne brzine na promatranoj tranziciji, gdje tranzicija predstavlja kretanje vozila između dva cestovna segmenta na prometnoj mreži u određenom vremenskom intervalu. Svaka tranzicija sadrži dva povezana cestovna segmenta, označenih kao ulazni i izlazni, ovisno o smjeru kretanja vozila. Vjerojatnosti prijelaza brzine prikazani STM-om vizualno se grupiraju u prometne uzorke koji se mogu koristiti za klasifikaciju stanja prometne mreže procjenom njihove relativne pozicije u STM-u. Stoga je najvažniji parametar za određivanje stanja prometne mreže korištenjem STM prikaza centar mase (engl. Center of Mass - CoM) prikazanog prometnog uzorka. Parametar CoM prikazuje poziciju uzorka na temelju kojeg se klasificira stanje prometne mreže temeljem vjerojatnosti prijelaza brzine na promatranoj tranziciji. Ova disertacija pisana je prema takozvanom Skandinavskom modelu u sklopu koje je objavljeno tri znanstvena rada koji prikazuju originalni doprinos u području prometa i transporta. Prvi rad prikazuje razvoj metode detekcije prometnih zagušenja na temelju STM prikaza prometnih podataka . U ovom dijelu istraživanja, atributi koji predstavljaju položaj prometnog uzorka prikazanog STM-om, bit će izdvojeni ekstrakcijom koordinata CoM-a. Izdvojeni atributi će se zatim koristiti kao ulaz u model za klasifikaciju stanja prometne mreže na razini grada. Za ovaj dio istraživanja koristit će se skup podataka koji sadrži GNSS pozicijske podatke. Grad Zagreb je izabran za eksperimentalno područje kao europski grad srednje veličine s velikim brojem prikupljenih podatkovnih točaka. Temeljem relevantne literature i domenskog znanja, svakoj izračunatoj STM je dodijeljeno jedno od stanja prometne mreže i to “slobodni prometni tok”, “stabilni prometni tok” ili “prometno zagušenje”. Nakon provedene validacije nad stvarnim označenim prometnim podacima i podacima označenim pomoću stručnog priručnika Highway Capacity Manual (HCM), metoda je ostvarila vrijednosti točnosti od 97%, odnosno 91%. U ovom radu metoda je primijenjena za analizu stanja prometne mreže na Zagrebačkim mostovima. Rezultati istraživanja ukazuju na neefikasnu prometnu signalizaciju i upravljanje prometnim tokovima. Drugi rad prikazuje razvoj metode detekcije neočekivanih događaja (anomalija) u velikom skupu podataka o gradskom prometu. Ovaj dio istraživanja ima za cilj klasificirati prometne uzorke prikazane STM-ovima kao očekivane ili ne, na temelju atributa izdvojenih izračunavanjem CoM-a. Glavna pretpostavka je da se anomalija može otkriti promatranjem promjena u položaju CoM-a unutar STM-a. Povećavanjem Euklidske udaljenost između CoM-a i glavne dijagonale STM-a, raste vjerojatnost da će prometni uzorak biti klasificiran kao neočekivan. Na pozicijama koje su udaljenije od glavne dijagonale, mogu se uočiti dvije vrste prostornih prijelaza: (i) prijelazi s visokih izvorišnih na niske odredišne brzine, koji predstavljaju nagla kočenja vozila (donji lijevi kut STM-a), i (ii) prijelazi s niske izvorišne brzine do visokih odredišnih brzina koje predstavljaju intenzivna ubrzanja (gornji desni kut STM-a). Predložena metoda detekcije anomalija temeljit će se na modelu dekompozicije tenzora. Ulazni tenzori će se formirati pomoću STM-a unutar promatranih vremenskih intervala, koji će rezultirati tenzorom dimenzija 𝑀 × 𝑁 × 𝑇 , gdje 𝑀 predstavlja duljinu dimenzije STM-a, 𝑁 broj promatranih prijelaza i 𝑇 broj promatranih vremenskih intervala. Zatim će se dekompozicija tenzora koristiti za izdvajanje prometnih uzoraka na razini cijelog gradskog područja. Metoda je uspješno korištena za detektiranje pozicija u gradskom području koja imaju najveći potencijal za stvaranje zagušenja uzrokovanih anomalijama u prometnim tokovima. Također, rezultat metode je pokazao lokaciju i vrijeme kada se navedena zagušenja mogu očekivati. Treći rad prikazuje razvoj metode detekcije uskih grla na autocestama, koja predstavlja proširenje predložene metode za detekciju anomalija. Ovo je prirodni nastavak jer su uska grla često uzrokovana neočekivanim događajima na autocestama. Glavni cilj je izdvojiti STM atribute zasnovane na CoM-u i koristiti ih kao ulazni parametar metode strojnog učenja za procjenu vjerojatnosti uskog grla. Algoritam zasnovan na primjeni neizrazite logike, dodatno optimiziran genetskim algoritmom, korišten je za procjenu vjerojatnosti nastanka uskog grla. Glavne varijable korištene za algoritam su izdvojene iz STM-a, a predstavljaju udaljenost CoM-a od glavne dijagonale i udaljenost istog od izvorišta STM-a. Za ovaj dio istraživanja korišten je sintetički skup prometnih podataka izdvojen iz mikrosimulacijskog softvera. Metoda je evaluirana na različitim prometnim scenarijima koji uključuju stvaranje uskih grla na autocestama. Scenariji uključuju sudar na autocesti, visok dotok vozila s ulazne rampe koji dovodi do stvaranja uskog grla i takozvano pomično usko grlo uzrokovano velikim brojem vozila teške kategorije vozila na autocesti. Objavljeni radovi zajednički čine cjelinu i znanstveni doprinos u području prometa i transporta u smislu prijedloga tri metode zasnovane na korištenju nove metode prikaza prometnih podataka naziva STM. Znanstveni doprinosi su sljedeći: 1. Razvoj metode klasifikacije stanja prometne mreže zasnovane na matrici prijelaznih brzina. 2. Razvoj metode detekcije anomalija na prometnoj mreži zasnovane na matrici prijelaznih brzina. 3. Razvoj metode detekcije i procjene vjerojatnosti nastanka uskih grla na autocestama zasnovane na matrici prijelaznih brzina. |
