Авторы: Agachai Sumalee, Hung Wai Ho
Автор перевода: Рубан Д. А.
Источник: Департамент гражданского и экологического инжиниринга, Гонконгский политехнический университет, Хунг Хом, Коулун, Гонконг URL: https://www.sciencedirect.com/...
В данной статье рассмотрены новые технологии, связанные с подключением к транспортной инфраструктуре и пешеходной среде, а также передача большого объема данных, их сбор и хранение, анализ, использование и распространение данных из нескольких источников. Рассмотренны новые подходы к гибкому контролю и управлению транспортными системами в режиме реального времени для повышения общей производительности системы. Учитывая преимущества подключенной среды, очень важно понять, как нынешняя интеллектуальная транспортная система может быть адаптирована к подключенной среде.
Анализ и понимание транспортных проблем часто ограничены предметно-зависимыми источниками данных. Новые технологии, связанные с подключением к транспортно-инфраструктурно-пешеходной (ТИП) среде, и большие данные сделали сбор и хранение, анализ, использование и распространение данных из нескольких источников проще и дешевле. Связанная ТИП-среда также делает систему более гибкой, так что в реальном времени могут быть реализованы меры управления и контроля для повышения производительности системы. В подключенной среде транспортные средства, инфраструктура и пешеходы могут обмениваться информацией либо через протокол однорангового подключения, либо через централизованную систему, через телекоммуникационную сеть 4G или более продвинутую (среда ТИП). Такая технология считается одной из самых потенциально разрушительных технологий для городской экосистемы. Взаимодействие и обмен информацией могут происходить между транспортными средствами (Т2Т), между транспортными средствами (Т2И), между пешеходами и инфраструктурой (П2И) или между транспортными средствами (Т2П). Учитывая преимущества подключенной среды и учитывая ее уникальные характеристики, очень важно понять, как современные интеллектуальные транспортные системы могут быть адаптированы для работы с подключенной средой. Эта статья направлена на: [1] обзор современных тенденций в интеллектуальных транспортных системах (ИТС) и умных городах; и [2] дать представление о внедрении подключенной среды ТИП в эти системы.
Статья организована следующим образом. Следующий раздел - обзор современных тенденций в интеллектуальных транспортных системах. В разделе 3 мы обсуждаем умные города и связанные с ними методы искусственного интеллекта (ИИ). Концепция подключенной среды описана в Разделе 4. Наконец, Раздел 5 предлагает понимание будущих ИТС и умных городов.
Перегрузка, несчастные случаи и проблемы загрязнения в результате транспортировки становятся все более серьезными в результате огромного увеличения различных потребностей в поездках, включая автомобильные перевозки, общественный транспорт, грузовые и даже пешеходные перевозки. Для решения таких проблем были разработаны ИТС, способные интегрировать широкий спектр систем, включая зондирование, связь, распространение информации и управление трафиком. Для того чтобы любая ИТС выполняла свои функции, необходимы три основных компонента: сбор данных, анализ данных и передача данных / информации.
Компоненты сбора данных собирают всю наблюдаемую информацию из транспортной системы (например, поток движения в конкретной точке дорожной сети, среднее время в пути для конкретного участка дороги, количество пассажиров, садящихся на транзитную линию и т. д.) Для дальнейшего анализа текущие условия движения. Традиционно, детекторы индуктивной петли [1,2], которые обнаруживают присутствие транспортных средств на основе наведенного тока в контуре с проходящими транспортными средствами, и пневматические трубки [3], которые обнаруживают присутствие транспортных средств на основе изменений давления в трубе, были использованы для сбора основной информации о трафике, такой как объем трафика и средняя скорость. Однако из-за их высокой стоимости внедрения и воздействия на трафик во время реализации эти методы становятся менее популярными, особенно в перегруженных районах.
В связи с достижениями в области технологий зондирования и визуализации видеокамеры и сканеры радиочастотной идентификации (RFID) все чаще рассматриваются для использования при сборе данных о дорожном движении. Камеры могут быть установлены в разных местах в сети для сбора видео трафика. Затем видео анализируют с использованием специально разработанного программного обеспечения для обработки изображений (например, Autoscope), чтобы определить такую ??информацию, как транспортный поток, скорость, типы транспортных средств и т. д. [4,5]. В этом контексте автоматическое распознавание номерных знаков [6,7] является одной из важнейших областей исследований, поскольку благодаря распознаванию и сопоставлению номерных знаков оно может предоставить дополнительную информацию, такую ??как выбранные маршруты и время в пути. С другой стороны, данные радиочастотной идентификации (RFID) обычно можно получить в местах, которые принимают бесконтактные платежи (например, системы Autotoll и Octopus в Гонконге), или для грузовых перевозок. Посредством сопоставления уникального RFID можно извлечь различную информацию, связанную с трафиком, такую ??как выбор пути и время в пути [8,9].
В последнее время из-за растущего количества смартфонов и передовых технологий связи данные Глобальной системы позиционирования (GPS) [10,11], адреса управления доступом к среде (MAC) из компонентов Bluetooth и WiFi [12,13] и данные мобильных телефонов [14 , 15] становятся доступными для анализа условий движения или даже поведения в пути. По сравнению с источниками данных, перечисленными выше, эти новые типы данных более соответствуют индивидуальному уровню, поскольку такие устройства обычно персонализированы и способны к непрерывному отслеживанию (например, данные GPS и данные мобильных телефонов). С такими характеристиками можно было бы провести более подробный и / или поведенческий анализ.
Компоненты анализа данных ИТС направлены на предоставление различной информации и мер управления / контроля с использованием данных о трафике, собранных из различных обсуждаемых источников (например, детекторов с индуктивной петлей, GPS и т. д.). Традиционно, предварительно определенные и предварительно откалиброванные модели, такие как модели равновесия движения [16,17], модели потока [18,19] и различные модели для пересечения с сигнализацией [20,21], были приняты для оценки условий движения и обеспечения необходимый ответ. Недавние улучшения в вычислительных мощностях и необходимость более детальной оценки привели к разработке микромоделирования и агентных моделей в компонентах анализа данных [22,23]. Благодаря введению новых источников данных, эти модели были расширены для эффективного использования новых данных для повышения точности и детализации оценок [8,13,14,24].
Компоненты передачи данных / информации ИТС помогают передавать собранные данные операционным центрам для оценки и распространять информацию и / или меры управления / контроля среди путешественников и инфраструктур. Способы передачи собранных данных развивались от проводов к оптическим волокнам к беспроводным сетям (например, 3G / 4G, WiFi и т. д.) С облачными платформами. Для распространения информации и стратегий контроля / управления методы эволюционировали от традиционных дорожных знаков и радиовещания до переменных знаков сообщений [25], мобильных приложений [26] и информации в транспортных средствах [27], используя преимущества усовершенствованных технологий связи.
С помощью этих базовых компонентов ИТС можно разделить на две категории в зависимости от их функциональности. Это усовершенствованные информационные системы для путешественников (ATIS) и усовершенствованные системы управления (AMS). Детали каждого представлены ниже.
Усовершенствованные информационные системы для путешественников - ATIS призваны помочь путешественникам принимать решения о поездках (например, выбор режима, выбор маршрута, выбор времени отправления и т. д.), Предоставляя различные типы информации (например, время в пути, время ожидания, доступная парковка). Из различных реализаций наиболее часто изучаемыми областями являются оценка / прогнозирование времени в пути [8,10,28] и системы наведения маршрута [29,30], поскольку они могут напрямую влиять на выбор путешественников, особенно на выбор маршрута. С развитием методов сбора данных и технологий связи, описанных выше, предоставляемая информация о времени в пути и маршруте может предоставляться более точно и в режиме реального времени. С помощью дополнительных источников данных (например, данных GPS, данных мобильного телефона и т. д.) Путешественникам также доступна другая информация в реальном времени. Например, анализ изображений дорожного состояния от водителей, полученных автоматически из приложений для смартфонов, может использоваться для определения доступной придорожной парковки в режиме реального времени [31]. Другим примером является прогноз времени прибытия автобуса из информации, передаваемой пассажирами автобуса через сигналы мобильных телефонов через разные вышки сотовой связи [32].
Усовершенствованные системы управления - AMS нацелены на контроль или управление различными инфраструктурами и операторами внутри транспортной системы в различных ситуациях, чтобы обеспечить эффективность и безопасность транспортной системы. В литературе такие методы контроля / управления применяются к артериям [33], автострадам [34], грузовым перевозкам [35], службам транзита [36] и инцидентам / чрезвычайным ситуациям [37]. Благодаря обогащенным источникам данных, улучшенному разрешению данных и улучшенным методам распространения информации, возможно более подробное управление в реальном времени. Например, Фу и Янг [36] предложили стратегии управления удержанием автобусов, основанные на информации о местонахождении автобусов в реальном времени, чтобы регулировать продвижение автобуса на определенных остановках. Хотя эти исследователи только подтвердили свои модели в экспериментах по моделированию, они дают хорошее представление о том, как новые источники информации могут использоваться в управлении транзитом. Kurkcu et al. [37] приводит еще один пример использования открытых источников данных и данных социальных сетей для обнаружения инцидентов, что является важнейшим первым шагом процедур управления инцидентами.
ИТС, представленные в предыдущем разделе, направлены на решение транспортных проблем и повышение общей эффективности транспортных систем. Эти ИТС подпадают под категорию «умной мобильности» в рамках «умных городов», которая вызывает озабоченность в последние десятилетия. В литературе пока нет единого мнения о том, что представляет собой умный город, и существуют различные определения [38,39]. Например, Холл [40] предположил, что умный город будет контролировать свои компоненты (например, дороги, здания и т. д.), Чтобы лучше оптимизировать свои ресурсы, планировать мероприятия по профилактическому техобслуживанию и контролировать безопасность, в то же время максимизируя услуги для своих граждан. Ломбарди и др. [41], с другой стороны, предположил, что умные города - это те, которые используют информационные и коммуникационные технологии (ИКТ) в отношении человеческого капитала, социального и реляционного капитала, а также экологических проблем. Определения также зависят от предыстории заинтересованных сторон и направленности деятельности правительства [42]. Например, академические круги считают, что повышение качества жизни является главной целью умного города, в то время как заинтересованные стороны в частной компании могут выбрать эффективность в качестве основной цели [42]. Несмотря на такое разнообразие определений, использование передовых электронных / цифровых технологий (например, ИКТ), внедрение ИКТ или другого электронного оборудования в городскую инфраструктуру и повышение заинтересованности заинтересованных сторон в различных аспектах системы являются тремя общими характеристиками или аспектами «умного города».
Что касается функциональности, то умные города можно разделить на шесть различных компонентов [39,41,43,44]: разумное управление, разумная экономика, разумный человеческий / социальный капитал, разумная среда, разумный образ жизни и разумная мобильность. «Умное управление» направлено на использование ИКТ для повышения эффективности и прозрачности организаций государственного сектора в управлении государственными ресурсами, а также для поощрения участия общественности в процессе принятия решений. Целью разумной экономики является использование ИКТ и связанных с ними технологий для повышения производительности в производственной цепочке, а также для расширения и укрепления онлайн-транзакций для продвижения электронной коммерции. Умный человеческий / социальный капитал нацелен на повышение уровня образования и активного участия граждан в жизни общества путем предоставления обогащенной информации, получаемой из других компонентов умного города. Цель также заключается в сборе индивидуальных мнений и взглядов, поскольку эти данные являются одними из лучших, которые может получить правительство. Целью разумной среды является снижение загрязнения окружающей среды и решение других экологических проблем с конечной целью повышения устойчивости городов / городов за счет использования технологий. Smart Living стремится улучшить качество жизни (например, безопасность, качество жилья, социальную сплоченность и т. д.) Путем внедрения передовых технологий в городах и инфраструктурах. «Умная мобильность», которую иногда рассматривают под рубрикой «умный образ жизни» из-за ориентации на эффективную перевозку людей, пытается использовать передовые ИКТ для оптимизации логистических и транспортных систем и предоставления эффективных, безопасных и экологически чистых услуг для пассажиров и грузов. На основе этих компонентов были разработаны различные показатели (например, местная доступность, производительность, выбросы и т. д.) [41,45] для оценки эффективности умных городов и помощи лицам, принимающим решения, в разработке политики, которая прокладывает путь к еще более умным городам.
В контексте интеллектуальной мобильности и ИТС различные оценки, прогнозы и методы управления и контроля должны выполняться в режиме реального времени на основе доступной информации от датчиков и заинтересованных сторон. Проблемы, связанные с транспортировкой, характеризуются большим количеством переменных с параметрическими отношениями, которые недостаточно понятны, большими объемами неполных данных и неясными целями и ограничениями [46]. Недавно в интеллектуальной мобильности и ИТС были применены методы, связанные с ИИ, с их уникальной силой в создании знаний. ИИ - это ум, демонстрируемый машиной в рационально воспринимаемой среде (анализ данных от различных типов датчиков) и для принятия рациональных решений, которые максимизируют шансы на достижение цели [47]. Общепринятый подход ИИ для решения транспортных проблем включает в себя искусственные нейронные сети, опорные векторные машины и байесовские сети.
Искусственные нейронные сети (ANN), обладающие способностью выполнять нелинейное отображение между входами и выходами посредством рассмотрения скрытых слоев и достаточного обучения, подходят для решения транспортных проблем, в которых параметрические отношения между переменными не совсем понятны. В литературе ANN обычно используются при оценке / прогнозировании состояния [48,49], обнаружении инцидентов [50], управлении трафиком / инфраструктурой [51] и анализе поведения [52]. Подобно ANN, опорные векторные машины (SVM) являются контролируемыми моделями обучения, которые анализируют входные данные, но в большей степени ориентированы на классификацию этапов / сценариев. В результате, хотя SVM были применены к другим транспортным проблемам [53,54], они в основном используются для таких проблем, как обнаружение инцидентов [55,56] и прогнозирование аварий [57,58] в контексте ИТС. В отличие от ANN и SVM, которые управляются исключительно данными, байесовские сети представляют собой тип статистической модели, которая учитывает вероятности и условные зависимости управляющих переменных. В литературе по ИТС байесовские сети используются для решения различных транспортных проблем [59,60], но в основном используются, когда основное внимание уделяется прогнозированию трафика [61,62] и вопросам, связанным с инцидентами / авариями [63,64].
В связи с существенным прогрессом в области ИКТ и связанных с ними технологий распознавания, в настоящее время наблюдается тенденция к установке и использованию систем автоматизации и связи транспортных средств (VACS) в транспортных средствах. Показано, что VACS способны улучшить индивидуальную безопасность, комфорт и удобство, а также выбросы в подключенных транспортных средствах [65]. Также ожидается, что VACS может развить потенциал для повышения эффективности глобального трафика посредством управления трафиком [[66], [67], [68], [69]]. Число подключенных автоматических транспортных средств (CAV), оснащенных системой VACS, будет быстро расти в ближайшее десятилетие. Между тем, обычные управляемые человеком транспортные средства (RHV) будут продолжать играть важную роль на рынке в краткосрочной перспективе [70,71]. Таким образом, дорога скоро будет разделена CAV и RHV.
Проникновение CAV и VACS на рынок может привести к улучшению производительности сети скоростного шоссе и эффективности транспортных потоков. Это также позволит реализовать схемы управления, такие как индивидуальная скорость транспортного средства и рекомендации по смене полосы движения, которые недоступны для RHV. Как указано в Diakaki et al. [65], VACS, которые реагируют на условия транспортного потока, то есть адаптивные системы круиз-контроля (ACC) и совместные адаптивные системы круиз-контроля (CACC), создают изменения в характеристиках макроскопического транспортного потока. Кроме того, уменьшенное время реакции из-за CAVs может улучшить эффективность транспортного потока через меньшую разность между транспортными средствами [70,72,73]. В экспериментах по кольцевой дороге со смешанной автономией на одной полосе (состоящих из 22 RHV на кольцевой дорожке длиной 230 м) Stern et al. [74] продемонстрировали более 40% экономии расхода топлива за счет введения CAV в трафик, чтобы ослабить нестабильность кольца. Однако исследования по изучению влияния возникающих VACS на характеристики потока трафика, смешанного с CAV и RHV, а также их потенциал для улучшения операций потока трафика, были ограничены [65,75].
По сравнению с пассажирами в автомобиле, пешеходы являются наиболее уязвимыми участниками дорожного движения. Пешеходы составляют значительную долю от общего числа погибших и пострадавших в результате дорожно-транспортных происшествий (например, в 2010 году было 273 000 погибших пешеходов). В настоящее время усилия сосредоточены на разработке усовершенствованных систем защиты пешеходов на основе систем помощи водителю. Производительность таких систем уязвима в сложных городских условиях из-за различных препятствий и недостаточного времени для реагирования водителей. Технология связи между транспортными средствами и пешеходами (V2P) пытается разрешить проблемные пешеходные и дорожные столкновения для повышения безопасности пешеходов.
В связи с развитием ИКТ и ростом проникновения интеллектуальных устройств, идея связанного окружения в контексте транспорта была расширена и теперь пересекает физическую границу. В литературе транспортные сети обычно моделируются как ориентированные графы только для транспортной инфраструктуры. Однако транспортные сети должны состоять из человека, физической инфраструктуры, перцепционной разметки дорог и мультимодальных транспортных систем. Таким образом, более разумно рассмотреть всю сеть в кибернетическом, социальном (поведение человека) и физическом (CSP) пространствах. Растет дискуссия о построении модели гибкой иерархической сети трафика, которая объединяет физические, семантические, логические и перцептивные сети в цифровую реконструкцию пространств CSP [76].
Из обзоров в предыдущем разделе можно увидеть, что будущее ИТС находится в нескольких слоях подключенной среды (т. t. Кибер, социальная и физическая). Учитывая это понимание, этот раздел призван дать некоторое представление о развитии будущих ИТС и «умных городов», которые включают: анализ информации из кибер-источников, моделирование сети CSP и модели потоков в подключенной среде.
Помимо физических данных, которые могут быть собраны различными датчиками, общественное мнение и восприятие, собранные из кибер-источников (например, социальных сетей), являются другими многообещающими источниками данных для понимания статуса города и эффективности его транспортной системы. Таким образом, будущие ИТС должны использовать эти источники данных для мониторинга и управления системами. Чтобы извлечь полезную и значимую информацию из источников данных социальных сетей (например, публичных комментариев в Twitter), для анализа данных предлагается алгоритм на основе обработки естественного языка (NLP), который принимает предварительно определенные семантические структуры. Алгоритм НЛП должен быть способен обнаруживать социальные события и / или публичные комментарии, которые могут привести к потенциальным проблемам с дорожным движением (например, перегрузка после футбольного матча), или выявлять отношение общественности к транспортной системе / действующей политике и ее восприятие. Кроме того, с помощью данных социальной сети, помеченных как во времени, так и в пространстве, можно также оценить степень и серьезность проблем с трафиком (например, комментарии о задержке движения поезда после остановки поезда в 8:00).
Чтобы лучше интегрировать данные из пространств CSP и другие появляющиеся данные из нескольких источников, должна быть разработана модель CSP, позволяющая объединять и объединять данные. В будущем следует рассмотреть модель иерархической сети трафика, которая объединяет физические, семантические, логические и перцептивные сети в цифровую реконструкцию пространств CSP. Кросс-уровневое (то есть между кибернетическим, социальным и физическим уровнями) сетевое соединение может быть реализовано с помощью моделей когнитивных вычислений и / или вероятностного вывода для отображения сетевого подключения. Правило ассоциации междоменных данных может быть исследовано с использованием статистики и НЛП. Например, правило пространственно-временной ассоциации может быть установлено между интенсивностью Bluetooth и объемом трафика или использованием энергии здания и потока пешеходов. При формулировании этой иерархической модели сети трафика из-за обилия доступной информации о трафике будет крайне важно идентифицировать и определить типы и объемы (с точки зрения временного и пространственного разрешения) информации, которые будут достаточны для эффективной реализации различных услуг.
С ростом популярности VACS, несомненно, что будущие ИТС будут применяться в подключенных средах со смешанными CAV и RHV. Поскольку поведение / характеристики CAV существенно отличаются от характеристик RHV, очень важно понимать характеристики потока в таких средах смешанного транспортного средства для использования в ИТС. Расширенные модели транспортных потоков будут необходимы как на микроскопическом, так и на макроскопическом уровне. На микроскопическом уровне будут рассмотрены новые модели слежения за автомобилем (CF) с целью включения характеристик, связанных с CAV (например, ненадежная автомобильная связь, задержка связи, протоколы взвода, скорость проникновения CAV и т. д.). Такая модель CF затем может быть использована при разработке управления на основе каналов в ИТС. Напротив, на макроскопическом уровне характеристики, связанные с CAV, должны учитываться при разработке модели потока на уровне сети, чтобы помочь в региональном мониторинге и планировании (например, мониторинг уровня загруженности района, разработка дорожных цен на основе кордона) схема и т. д.).