DDITS, được xây dựng bởi một lượng lớn dữ liệu thu thập từ nhiều tài nguyên khácnhau, là hệ thống cho phép người dùng sử dụng tương tác các tài nguyên dữ liệu liênquan đến hệ thống giao
DỮ LIỆU HỆ THỐNG GIAO THÔNG THÔNG MINH
Có 6 thành phần cơ bản trong ITS như sau:
1) Hệ thống quản lý giao thông tiên tiến;
2) Hệ thống thông tin du lịch tiên tiến;
3) Hệ thống điều khiển phương tiện giao thông tiên tiến;
4) Quản lý phương tiện kinh doanh; 5) Hệ thống giao thông công cộng tiên tiến; 6) Hệ thống giao thông đô thị tiên tiến
Chức năng của các thành phần này có thể được thực hiện đầy đủ hay không phụ thuộc vào cách dữ liệu được thu thập và xử lý thành thông tin hữu ích DDITS có thể được tóm tắt như sau
DDITS, được xây dựng bởi một lượng lớn dữ liệu thu thập từ nhiều tài nguyên khác nhau, là hệ thống cho phép người dùng sử dụng tương tác các tài nguyên dữ liệu liên quan đến hệ thống giao thông, truy cập và sử dụng dữ liệu thông qua các dịch vụ tiện lợi và đáng tin cậy hơn để cải thiện hiệu suất của hệ thống giao thông, đồng thời hiện thực hóa và mở rộng các chức năng của sáu thành phần cơ bản của ITS
Rõ ràng, DDITS giao tiếp trực người sử dụng hệ thống giao thông Để DDITS được chấp nhận rộng rãi, trước tiên, nó phải nhận thức được quyền riêng tư và lấy con người làm trung tâm Không giống như mô hình hướng dữ liệu do van Lint đề xuất, trong đó các mô hình được thiết kế để học trực tiếp các động lực giao thông phức tạp từ dữ liệu giao thông, khái niệm DDITS được xem xét ở đây bao hàm trạng thái hiện tại của ITS và quy định một khuôn khổ khả thi cho ITS trong tương lai Hơn nữa, công trình của van Lint, và van Lint và công sự tập trung vào một ứng dụng ITS cụ thể, tức
4 là dự đoán ngắn hạn về thời gian di chuyển trên đường Sự khác biệt giữa DDITS và ITS dựa trên công nghệ thông thường là ITS thông thường chủ yếu phụ thuộc vào kinh nghiệm của con người và ít chú trọng hơn vào việc sử dụng dữ liệu hoặc thông tin ITS theo thời gian thực Ví dụ, Lin và Liu đã cải tiến mô hình phân bổ lưu lượng động tối ưu dựa vào hệ thống phân tích để nâng cao tính sự chính xác trong việc mô hình hóa các nút hợp nhất Zhao và cộng sự đã sử dụng chương trình tuyến tính để đạt được thời gian tín hiệu nhanh cho các nút giao Alonso-Ayuso và cộng sự đã áp dụng mô hình tối ưu hóa tuyến tính hỗn hợp 0–1 để tránh va chạm giữa một số lượng máy bay bất định trong vùng trời Mulder và cộng sự đã nghiên cứu các động cơ của xe để thiết kế một thuật toán phản hồi nhằm đạt được “sự an toàn nhất” trong các hệ thống hỗ trợ cho người lái xe Các mô hình trên được xây dựng dựa vào kinh nghiệm của con người hơn nữa, dữ liệu được sử dụng trong ITS thông thường được thu thập từ các nguồn hạn chế, ví dụ: vòng lặp cảm ứng, video giám sát, …
Theo loại dữ liệu được sử dụng, cách dữ liệu được xử lý và các ứng dụng DDITS cụ thể, một DDITS đầy đủ có thể được phân loại thành một số loại chính, được thảo luận trong các phần sau.
ITS sử dụng hình ảnh
Là một thành phần chính của DDITS, các thiết bị quan sát đã được sử dụng rộng rãi trong một số lĩnh vực khác và tạo ra số lượng dữ liệu chưa từng có trong những năm gần đây vì bốn lý do sau
1) Mọi người quen với thông tin hình ảnh hơn là các dạng thông tin giác quan khác (ví dụ: giọng nói)
2) Chuỗi video bao gồm một loạt thông tin có thể phản ánh, theo cách trực tiếp nhất, tình trạng của hệ thống giao thông và có thể được sử dụng để phát hiện một số xu hướng thay đổi theo thời gian, ví dụ: va chạm của các phương tiện, một tính năng quan trọng của ITS
3) Cảm biến video có thể dễ dàng được lắp đặt, vận hành và bảo trì
4) Giá cả trên hiệu suất của một thiết bị quan sát đã được cải thiện rất nhiều
Do đó, một số lượng lớn các ứng dụng trong ITS được thực hiện bằng công nghệ quan sát, nơi dữ liệu đầu vào được thu thập từ các cảm biến video và đầu ra được sử dụng cho các ứng dụng liên quan đến ITS Một số ứng dụng sử dụng hình ảnh đại diện được liệt kê như sau:
1) Phát hiện, theo dõi và nhận dạng đối tượng tham gia giao thông Các phương pháp đã được phát triển để phát hiện các đối tượng liên quan đến giao thông, bao gồm phát hiện phương tiện,, phát hiện người đi bộ,, nhận dạng biển số xe, phát hiện biển báo giao thông -, và theo dõi làn đường (xem Hình 2 để biết một vài ví dụ).;
2) Phân tích hành vi giao thông, ví dụ, phát hiện hành vi bất thường của phương tiện và sự che giấu ý định trong hệ thống giao thông, và phát hiện sự cố tự động;
3) Mật độ phương tiện giao thông và ước tính mật độ người đi bộ, (xem Hình 2); 4) Xây dựng đường đi của phương tiện;
5) Phân tích, thống kê dữ liệu lưu lượng;
Việc phát hiện, nhận dạng và theo dõi các đối tượng tham gia giao thông có ứng dụng rộng rãi trong ITS Đặc biệt, phát hiện và nhận dạng phương tiện thường được sử dụng
6 để xác định các trường hợp vi phạm giao thông (ví dụ: chạy quá tốc độ, vượt đèn đỏ,
…), điều này rất quan trọng để giảm thiểu tai nạn giao thông Ngoài ra, nhận dạng phương tiện bổ sung cho phương pháp nhận dạng biển số xe trong một số ứng dụng ITS, ví dụ, kiểm soát ra vào bãi đậu xe, thu phí qua đường dễ dàng và thu hồi xe bị đánh cắp Một số nghiên cứu về công nghệ sử dụng hình ảnh để phát triển ITS tập trung vào các ứng dụng này Năm vấn đề chính sau đây được liệt kê như sau
1) Các loại xe rất đa dạng về hình dạng, kích thước và màu sắc
2) Sự xuất hiện của một chiếc xe luôn thay đổi vì sự thay đổi góc nhìn
3) Môi trường ngoài trời phức tạp có thể gây thêm khó khăn cho việc thiết kế một hệ thống phát hiện và nhận dạng phương tiện chung
4) Khả năng tính toán thường rất khó khăn do tốc độ di chuyển của các phương tiện trên đường
5) Rất khó để thiết kế một hệ thống phù hợp với chuyển động và độ trôi của xe Để giải quyết những vấn đề này, Wang và Lien đã đề xuất một phương pháp phát hiện phương tiện bằng cách trích xuất các đặc điểm từ các vùng con trong mỗi khung hình. Cách tiếp cận này sẽ cho phép thực hiện khả năng phát hiện phương tiện ít bị ảnh hưởng bởi phương sai hình học hơn Phát hiện phương tiện cũng là một bước quan trọng trong quá trình nghiên cứu phương tiện thông minh Có thể thực hiện các biện pháp kiểm soát chuyển làn đường và theo dõi xe hiệu quả nếu có thể nắm bắt chính xác vị trí của các phương tiện lân cận Sivaraman và Trivedi đã xây dựng một hệ thống phát hiện xe trên đường bằng cách tích hợp tính năng nhận dạng phương tiện dựa trên học tập chủ động với theo dõi bộ lọc hạt Cherng và cộng sự đã đề xuất một mô hình trực quan động thực hiện phân tích các chuỗi video để phát hiện các chuyển động quan trọng của các phương tiện di chuyển gần đó khi lái xe trên đường cao tốc (xem để xem xét đầy đủ các hệ thống phát hiện phương tiện trên đường).x
Tương tự, việc phát hiện người đi bộ hiệu quả có thể giúp giảm thiểu việc xảy ra các tai nạn liên quan đến người đi bộ và xe cộ Nếu một hệ thống có thể đưa ra cảnh báo kịp thời và bắt đầu một số biện pháp chủ động sau khi phát hiện ra người đi bộ trong khu vực có nguy cơ tai nạn, thì tai nạn liên quan đến xe dành cho người đi bộ có thể được giảm thiểu hoặc thậm chí tránh được Rõ ràng, việc phát hiện dấu hiệu của
7 những rủi ro tiềm ẩn như vậy từ cả góc nhìn trực diện là điều kiện tiên quyết của một hệ thống phát hiện người đi bộ hiệu quả (PDS) Các vấn đề chính được đưa ra như sau:
1) Việc tách người đi bộ ra khỏi nền trong chuỗi hình ảnh hoặc video trong miền thị giác máy tính không phải là việc dễ dàng
2) Bên ngoài của người đi bộ khác nhau về quần áo, kiểu tóc và túi xách Để giải quyết các vấn đề nói trên, Broggi và công sự đã nghiên cứu việc sử dụng camera trong xe để phát hiện những người đi bộ có nguy cơ cao gây ra sự cố giao thông Với một camera duy nhất, Cao và công sự đã sử dụng bộ phân loại tầng để phát hiện khu vực có nguy cơ ứng viên và ước tính khoảng cách giữa mỗi người đi bộ và phương tiện Munder và cộng sự đã sử dụng phương pháp tiếp cận đa hướng Bayes để kết hợp thông tin về hình dạng, kết cấu và độ sâu đã trích xuất để phát hiện và theo dõi người đi bộ trong môi trường đô thị lộn xộn Để có đánh giá toàn diện hơn về nghiên cứu phát hiện và bảo vệ người đi bộ, xem,, và
Nhận dạng biển số xe là một mô-đun cốt lõi dành cho hệ thống cơ sở hạ tầng thông minh và quản lý phương tiện thông minh hữu ích cho nhiều ứng dụng khác nhau, từ giám sát hành vi của phương tiện đến ước tính thời gian di chuyển Phần mềm nhận dạng biển số xe thông thường bao gồm ba phần chính sau:
1) Phát hiện biển số xe;
2) Phân đoạn ký tự; 3) Nhận dạng ký tự
Tương tự như phát hiện phương tiện và người đi bộ, chúng ta có hai cách sau để xác định biển số xe:
2) Từ chuỗi video Mặc dù các sản phẩm thương mại hóa đã được phát triển cho ứng dụng này và có sẵn trên thị trường, vấn đề này vẫn còn là thách thức. Những thách thức lớn vẫn là việc thiết kế một hệ thống phát hiện và nhận dạng biển số xe có thể hoạt động trong nhiều điều kiện phức tạp với sự di chuyển của nhiều đối tượng Hơn nữa, việc phát hiện sẽ ít lỗi hơn với sự thay đổi góc giữa
8 mặt đất và biển số được lắp trên cản Đánh giá chi tiết về nhận dạng biển số xe được đưa ra trong
Nhận dạng đối tượng tham gia giao thông cũng hữu ích để cải thiện hiệu suất của hệ thống trợ lý lái xe (DAS), trong đó các thiết bị video được sử dụng là thiết bị di động, trong khi trong một số trường hợp khác, thiết bị ở trạng thái tĩnh Ngoài khả năng phát hiện phương tiện và người đi bộ đã đề cập ở trên, việc phát hiện và theo dõi làn đường trong thời gian thực là rất quan trọng đối với sự phát triển của hệ thống cảnh báo va chạm trong DAS Tuy nhiên, hệ thống phát hiện và theo dõi làn đường thường gặp phải nhiều loại vạch kẻ làn đường và bề mặt làn đường, cũng như điều kiện thời tiết và thời gian trong ngày McCall và Trivedi đã đưa ra một cuộc khảo sát toàn diện về việc phát hiện và theo dõi từ năm khía cạnh, bao gồm lập mô hình đường, khai thác vạch kẻ đường, tiền xử lý, mô hình phương tiện, theo dõi vị trí, các giả định phổ biến và phân tích so sánh Các tác giả đã chỉ ra bốn trường hợp sau đây
1) Nhận dạng làn đường có thể có hiệu suất tốt hơn vào ban đêm và bình minh so với ban ngày và hoàng hôn, bởi vì có độ tương phản lớn hơn giữa đường và vạch kẻ đường vào ban ngày và lúc hoàng hôn
2) Làn đường có vạch kẻ liền và phân đoạn được nhận dạng tốt hơn so với các vạch khác
ITS đa nguồn
DDITS có thể được hỗ trợ bởi dữ liệu từ nhiều nguồn, ví dụ: vòng cảm ứng, radar laze và GPS Ở một mức độ nhất định, các hệ thống đa cảm biến đóng vai trò bổ sung cho các hệ thống sử dụng hình ảnh, thường dễ bị ảnh hưởng bởi các hạn chế về môi trường như đã nói ở trên Mặc dù các hệ thống phát hiện sự cố (AID) tự động điều khiển bằng tầm nhìn có thể cung cấp một cách hiệu quả và tự động để phát hiện sự cố mà không
12 cần con người vận hành, nhưng hiệu suất của nó chịu sự thay đổi của môi trường ngoài trời, ví dụ: tuyết, bóng tĩnh hoặc động, mưa, và ánh sáng chói
Trong những năm gần đây, GPS thường xuyên được sử dụng trong ITS, vì chúng cung cấp thông tin định vị thời gian thực cho phép theo dõi chuyển động của các phương tiện, một tính năng đặc biệt hữu ích đối với ITS
Clanton và cộng sự đã phát triển một hệ thống cảnh báo chệch làn đường thông qua ước tính đo độ chệch của GPS bằng cách thông qua GPS dẫn đường cấp tự động như một yếu tố phụ trợ của các hệ thống dựa trên tầm nhìn Huang và Tan đã áp dụng Hệ thống định vị toàn cầu (DGPS) và thiết bị liên lạc can thiệp để xây dựng hệ thống cảnh báo va chạm dựa trên hướng di chuyển trong tương lai (CCWS) trong đó vị trí phụ thuộc vào thời gian của một chiếc xe và các phương tiện lân cận được đo và được xử lý thông qua nền tảng GPS Để giảm sai số do các phép đo và để tăng cường độ tin cập, CCWS được đề xuất, các tác giả đã sử dụng kỹ thuật bộ lọc Kalman để ước tính độ lớn của sai số để có thể thực hiện các hành động chủ động dựa trên xác suất va chạm Bằng cách nhóm mô hình tốc độ lấy từ GPS, Kianfar và Edara đã cố gắng tối ưu hóa các vị trí cảm biến giao thông trên xa lộ để ước tính thời gian di chuyển tốt hơn Chen và cộng sự đề xuất một thuật toán giảm dữ liệu dựa trên GPS để loại bỏ dữ liệu vị trí GPS dư thừa và bảo đảm một số điểm chính cho hệ thống đường sắt Qinghai–Tibet
Các vấn đề chính của GPS trong ba điều sau:
1) Vấn đề nhiều đường cùng lúc, tức là một nơi có thể nhận được nhiều thông tin định vị GPS, đặc biệt là trong khu vực đô thị với các tòa nhà cao tầng, nơi các tín hiệu từ vệ tinh có thể bị chặn, dẫn đến các lỗi tiềm ẩn trong dữ liệu định vị của phương tiện;
2) Vấn đề mất dữ liệu, ví dụ, trong thời gian xe đi qua đường hầm; 3) Chỉ số ít vệ tinh để hỗ trợ
Do những nhược điểm này của GPS, hiệu suất của một số ứng dụng giao thông dựa trên GPS có thể bị giảm sút Để giải quyết vấn đề, Schleischer coi thông tin trực quan là nguồn dữ liệu bổ sung cho dữ liệu GPS Nghiên cứu của họ đã kết hợp hai bộ dữ
13 liệu không đồng nhất này để tạo ra thông tin định vị phương tiện với độ chính xác cao bằng cách ước tính kích thước của từng phương tiện (hoặc vị trí phương tiện) với âm thanh và sau đó tinh chỉnh ước tính hướng xe bằng GPS Các thử nghiệm cho thấy phương pháp này được đề xuất tốt hơn để theo dõi các phương tiện trong môi trường đô thị Để giảm các lỗi có thể xảy ra, Meguro đề xuất gắn trên ô tô một camera hồng ngoại đa hướng, ít nhạy cảm hơn với môi trường xung quanh
Có các loại máy dò khác được sử dụng cho ITS, ví dụ: máy dò radar laser và máy dò siêu âm Mặc dù rất tốn kém vào thời điểm hiện tại, máy dò radar có thể được sử dụng thành công trong hệ thống hỗ trợ đỗ xe, trong khi các phương pháp khác, ví dụ, phương pháp dựa trên sóng siêu âm thất bại Jung và cộng sự tiếp tục giới thiệu radar laser vào hệ thống hỗ trợ đỗ xe để định vị các phương tiện với độ chính xác cao Để tránh lỗi xảy ra vì các điều kiện bên ngoài và không thể thu được thông tin trực tiếp và chính xác, Gidel đã sử dụng máy quét laser nhiều lớp gắn trên xe để phát hiện người đi bộ Với sự kết hợp của các đặc điểm giao thông và các đặc điểm khí tượng, chẳng hạn như tốc độ gió và hướng gió, Zito và các cộng sự đã nghiên cứu dự đoán về nồng độ khí carbon monoxide (CO) và nitơ oxit bên đường trong thời gian thực bằng cách sử dụng mạng lưới Các thí nghiệm mở rộng chỉ ra rằng các mô hình mạng nơ-ron được đề xuất có khả năng truyền tải tốt, có thể dễ dàng điều chỉnh cho phù hợp với các tập dữ liệu được thu thập từ các khu vực khác Nghiên cứu này có thể mang lại lợi ích cho việc cải thiện chất lượng không khí gần đường và, theo một nghĩa nào đó, ảnh hưởng của việc thực hiện các nhiệm vụ sử dụng hình ảnh, bởi vì hầu hết các phương pháp như vậy phụ thuộc vào chất lượng hình ảnh
Có một xu hướng thú vị đối với việc sử dụng một số cảm biến giao thông độc đáo cho phép thu thập và phân tích thông tin giao thông theo cách tiết kiệm chi phí hơn Sohn và Hwang đã nghiên cứu tính khả thi của việc sử dụng các mạng di động đã được cài đặt để nhận dạng phương tiện tự động (AVI) Một trọng tâm chính trong công việc của họ là sử dụng điện thoại thăm dò để ước tính thời gian xe chạy trên xa lộ và phân tích các yếu tố có thể ảnh hưởng đến độ chính xác của các ước tính đó So với các hệ thống giám sát đã biết, các hệ thống giám sát bằng điện thoại di động được đề xuất đóng một vai trò bổ sung trong việc nâng cao chất lượng thông tin giao thông
Calabrese và cộng sự đã sử dụng dữ liệu thời gian thực được thu thập từ điện thoại di động để theo dõi tình trạng giao thông của các phương tiện và chuyển động của người đi bộ ở Rome, Ý Gandhi và Trivedi đã sử dụng camera đa hướng gắn trên ô tô để đạt được bản đồ quan sát 360 độ Gandhi và cộng sự đã thiết kế một thử nghiệm đa giác quan để thu thập, đồng bộ hóa và phân tích dữ liệu đa phương thức để giám sát tình trạng của cơ sở hạ tầng giao thông Trong bãi thử, video và cảm biến địa chấn cung cấp thông tin về phương tiện và có thể được sử dụng cùng với các nguồn dữ liệu khác để cải thiện độ tin cậy của việc phân loại phương tiện Ehlgen và cộng sự đã sử dụng camera catadioptric — sự kết hợp của camera và gương — để quan sát khu vực xung quanh của các phương tiện, có khả năng giảm thiểu tai nạn do điểm mù của xe tải và xe cotainter
Khi nhiều cảm biến được lắp đặt trên một chiếc xe, một vấn đề mới là chúng sẽ giao tiếp với nhau như thế nào Ví dụ, nó đã được chỉ ra rằng, khi nhiều cảm biến siêu âm được lắp đặt phía trước một chiếc xe, hiện tượng xuyên âm sẽ xảy ra Tình trạng này là một trong những nguyên nhân chính dẫn đến sự cố của hệ thống cảnh báo va chạm tầm ngắn trong môi trường giao thông tắc nghẽn và hệ thống hỗ trợ đỗ xe Các tác giả đề xuất sử dụng một bộ vi điều khiển để tạo ra một số xung hình sin giả ngẫu nhiên để giảm sự xuất hiện của hiện tượng nhiễu xuyên âm
Cuối cùng, một trong những vấn đề thách thức trong quá trình tổng hợp dữ liệu là làm thế nào chúng ta có thể xây dựng một thước đo tương đồng phổ quát để căn chỉnh hình ảnh từ các nguồn khác nhau Khi có xe chuyển động trên một con đường, điều kiện sẽ trở nên khó khăn hơn, bởi vì chuyển động như vậy sẽ gây bất lợi cho việc thực hiện căn chỉnh hình ảnh Jwa và cộng sự trình bày một đăng ký hình ảnh hiệu quả để căn chỉnh hình ảnh từ các nguồn khác nhau, ví dụ: máy bay không người lái (UAV) hoặc máy ảnh thông thường Nội dung của ITS đa nguồn được tóm tắt trong Hình 3
ITS theo hướng máy học
Mặc dù các thiết bị quay video và nhiều nguồn có thể tạo ra dữ liệu của hệ thống giao thông cho nhiều ứng dụng trong ITS, nhưng không đủ nếu chỉ dựa vào các thiết bị này để tạo dữ liệu đầu vào được sử dụng cho điều khiển giao thông, đặc biệt là để điều khiển giao thông thời gian thực và phân tích hệ thống giao thông Hơn nữa, sự phát triển mới nhất trong ITS cho thấy một xu hướng mới về kiểm soát chủ động thay vì kiểm soát và quản lý thụ động thông thường Ví dụ, dự đoán hiệu quả về khả năng xảy ra tai nạn có thể nâng cao sự an toàn của người đi bộ bằng cách ảnh hưởng tai nạn xe.
Do đó, cần phải tìm hiểu cơ chế nội tại của hệ thống giao thông bằng cách sử dụng cả dữ liệu từ lịch sử và thời gian thực Một số phương pháp tiếp cận dựa vào học được tóm tắt trong các phần sau
1) Học Online: Ví dụ, một ứng dụng điển hình liên quan đến ITS hướng đến máy học là dự đoán thời gian di chuyển của chuyến đi hoặc thời gian di chuyển của phương tiện trong mạng lưới giao thông, một đầu vào quan trọng cho một số thành phần ITS Khó khăn đối với trường hợp này là thời gian di chuyển phụ thuộc vào điều kiện giao thông có tính chất động và phi tuyến tính cao, thay đổi theo thời gian và không gian Do đó, việc ước tính chính xác thời gian chuyến đi của tài xế khi tài xế bắt đầu chuyến đi là điều không dễ dàng Để giải quyết vấn đề, van Lint đã đề xuất sử dụng mạng nơ-ron không gian trạng thái, là một thuật toán học trực tuyến, để đạt được dự đoán ngắn hạn về thời gian di chuyển trên đường cao tốc Bằng cách áp dụng biểu diễn mạng nút-vòng cung, với các vòng cung đại diện cho các đoạn đường và các nút đại diện cho các ngã ba hoặc ngã tư, Jula và cộng sự đã đề xuất mô hình bộ lọc Kalman thời gian thực để dự đoán thời gian di chuyển ở cung và ước tính thời gian đến nút của mạng lưu lượng ngẫu nhiên bằng cách kết hợp dữ liệu lịch sử với các phép đo thời gian thực về thời gian di chuyển dọc theo cung Linda và Manic đề xuất đánh giá rủi ro không gian dựa trên sự kết hợp của gần nhất trực tuyến và suy luận mờ
Hơn nữa, phân tích hướng di chuyển / chuyển động của xe hoặc người đi bộ là một mục tiêu quan trọng của điều hướng tự trị ở các khu vực khác nhau, ví dụ: thành phố và bãi đậu xe Tuy nhiên, hầu hết các thuật toán phân tích quỹ đạo /
17 mô hình chuyển động ngoại tuyến khó có thể dự đoán hoặc xác định một mô hình mới theo thời gian thực với độ chính xác cao Để giải quyết vấn đề này, Vasquez và cộng sự đề xuất một mô hình Markov đang phát triển trong đó cấu trúc và tham số của mô hình được thông qua học trực tuyến để các dạng chuyển động mới có thể được xác định một cách hiệu quả Với mục tiêu máy học các mô hình hoạt động của phương tiện với sự đào tạo tối thiểu của con người, Veeraraghavan và Papanikolopoulos đã chuyển đổi các quỹ đạo quan sát thành một chuỗi hành động và trình bày một thuật toán học bán giám sát có thể học các hoạt động dưới dạng ngữ pháp hoàn chỉnh không có cảnh ngẫu nhiên. Angkititrakul và cộng sự đã sử dụng các mô hình hỗn hợp Gaussian để mô hình hóa hành vi của người lái xe ngẫu nhiên, ví dụ, các sự kiện băng qua làn đường và các sự kiện điều chỉnh lái xe có chủ đích, sau đó sử dụng các tín hiệu lái xe quan sát trực tuyến để đạt được hệ thống cảnh báo chệch làn đường
Một ứng dụng khác của học trực tuyến là phát triển các chiến lược sơ tán hiệu quả Chiu và Mirchandani đã sử dụng thông tin phản hồi để đạt được chiến lược định tuyến phù hợp với hành vi trực tuyến để sơ tán hàng loạt So với các phương pháp tiếp cận dựa khác, phương pháp được đề xuất hiệu quả hơn trong việc hướng dẫn các phương tiện đến một số vị trí an toàn đã xác định trước bằng cách cung cấp thông tin về tuyến đường sơ tán được cập nhật thường xuyên 2) Kết hợp nhiều dữ liệu: Nói chung, trong hầu hết các trường hợp, sử dụng một mô hình duy nhất để đạt được hiệu suất tốt trong ITS là không thể Để giải quyết vấn đề này, Tan và cộng sự đã trang bị ba mô hình sử dụng ba bộ luồng lưu lượng và sử dụng mạng nơ-ron làm mô hình tổng hợp dữ liệu để kết hợp các kết quả dự đoán của ba mô hình Ở đây, hai trong số ba tập dữ liệu — dữ liệu chuỗi thời gian hàng ngày và dữ liệu chuỗi thời gian hàng tuần — được tạo từ dữ liệu luồng lưu lượng truy cập thông thường Xét trên thực tế là các phương tiện có xu hướng thực hành các thao tác khác nhau trong các tình huống giao thông khác nhau Toledo Moreo và Zamora Izquierdo đề xuất một mô hình đa phương tiện tương tác để dự đoán tốt hơn sự thay đổi làn đường đối với các điều kiện giao thông khác nhau Malta và cộng sự kết hợp mô hình lực phanh-bàn đạp và mô hình lời nói để nắm bắt tốt hơn hành vi của người lái Chiến lược kết hợp có thể sử dụng hiệu quả ITS điều khiển
18 đa nguồn để phân tích và dự đoán tốt hơn hành vi của tài xế và động lực di chuyển. Việc tổng hợp dữ liệu từ nhiều nguồn có thể cung cấp thông tin tổng thể và toàn diện, do đó có thể cải thiện hiệu suất của ITS, ví dụ: hướng dẫn sơ tán khẩn cấp và kiểm soát tắc nghẽn Jwa và cộng sự đã cố gắng phát hiện và theo dõi các phương tiện bằng nhiều UAV Họ căn chỉnh các hình ảnh được thu thập từ các UAV khác nhau dựa trên thuật toán căn chỉnh được đề xuất và các phương tiện được theo dõi bằng thuật toán loại bỏ ngoại lệ do họ đề xuất Masini và cộng sự đã khảo sát một số kỹ thuật nhiệt hạch được sử dụng để kết hợp các luồng video trong dải hồng ngoại sóng dài và sóng ngắn, ví dụ, sự kết hợp các hệ số trong hai kim tự tháp Laplacian và đánh giá hiệu suất của chúng bằng cách kiểm tra hình ảnh từng khung hình được trích xuất từ các luồng video Xem xét các ưu và nhược điểm của bộ thu tín hiệu vòng lặp và bộ thu GPS, Kong và cộng sự đã hợp nhất dữ liệu được thu thập từ hai cảm biến này dựa trên lý thuyết bằng chứng, dẫn đến các ước tính về thông tin trạng thái giao thông được cải thiện Polychronopoulos và cộng sự đã thiết kế một cấu trúc phân cấp để kết hợp dữ liệu môi trường và dữ liệu động lực học của phương tiện để dự đoán quỹ đạo của các phương tiện di chuyển Sun và Zhang đã đề xuất một công cụ dự đoán ngẫu nhiên có chọn lọc mới để đối phó với dự đoán lưu lượng truy cập dưới dữ liệu không đầy đủ Họ đã trình bày một thuật toán tổng hợp dữ liệu để cải thiện độ chính xác của dự đoán dựa trên sự kết hợp của nhiều đầu ra Dựa trên các đặc tính bổ sung của máy thu hồng ngoại và rào cản siêu âm, García và cộng sự đã sử dụng một loạt các kỹ thuật tổng hợp dữ liệu đa dạng và đề xuất một hệ thống đa giác quan để phát hiện chướng ngại vật trên đường sắt với độ tin cậy cao
3) Trích xuất có quy tắc: Một chức năng khác của ITS hướng đến máy học là hiểu sâu hơn về một số mẫu, xu hướng hữu ích và mối tương quan giữa các tập dữ liệu lưu lượng truy cập khác nhau Chức năng này được thực hiện theo quy ước thông qua việc sử dụng các luật kết hợp Barai đã sử dụng quy tắc kết hợp để khám phá mối quan hệ giữa các loại đường và các loại tai nạn giao thông cụ thể Gong và Liu đã kết hợp các quy tắc với phân tích kết hợp để dự đoán luồng mạng giao thông Hơn nữa, với các quy tắc liên kết, Haluzová phát hiện ra rằng số vụ tai nạn giao thông ảnh hưởng đến tỷ lệ chậm trễ ở các khu vực đó
Một chiến lược thay thế để có được cái nhìn sâu là sử dụng lý thuyết tập hợp thô do Pawlak đề xuất Lý thuyết có thể rút ra một số thuộc tính quan trọng thông qua việc giảm thuộc tính mà không cần sử dụng bất kỳ thông tin tiên nghiệm nào bên ngoài tập dữ liệu Chang và cộng sự trích xuất việc giảm bảo trì và phục hồi mặt đường dựa trên lý thuyết tập hợp thô Wong và Chung đã sử dụng lý thuyết tập hợp thô để mô hình hóa cơ chế của tai nạn giao thông dưới dạng chuỗi yếu tố, bao gồm đặc tính của người lái xe, đặc tính đi lại, hành vi của người lái xe và các yếu tố môi trường Ngoài ra, họ cũng phát hiện ra mối quan hệ giữa tai nạn va chạm với đường ướt
4) Kiểm soát máy học dựa trên ADP: Một trong những vấn đề lớn đối với DDITS là làm thế nào chúng ta có thể nhận ra việc tối ưu hóa hiệu suất dựa trên học tập của ITS trong một môi trường không chắc chắn Vấn đề này thường khó, nếu không muốn nói là không thể, để xử lý bằng phương pháp lập trình toán học truyền thống Một cách đầy hứa hẹn là phát triển các phương pháp lập trình động thích ứng (ADP) và học tăng cường (RL) để tối ưu hóa hiệu suất của các hệ thống động phức tạp, bởi vì ADP và RL đã được chứng minh là mạnh mẽ trong việc giải quyết các quy trình quyết định Markov với quy mô lớn hoặc liên tục và không gian hành động RL và ADP có thể được sử dụng để cung cấp một khuôn khổ giải quyết vấn đề kiểm soát học Trong thập kỷ qua, nghiên cứu về kiểm soát học dựa trên ADP và tối ưu hóa ITS đã nhận được nhiều sự quan tâm hơn trong các tài liệu Ví dụ, Ling và cộng sự đã nghiên cứu việc tự động hóa việc điều khiển xe ô tô trên đường phố thông qua nhiều tác nhân RL hoạt động trên một loạt các giao lộ có tín hiệu liên tiếp Abdulhai và cộng sự đề xuất thuật toán Qlearning, là một loại thuật toán RL đơn giản nhưng mạnh mẽ, để điều khiển tín hiệu giao thông Salkham và cộng sự đã phát triển một phương pháp học tập củng cố hợp tác để kiểm soát giao thông tối ưu trong môi trường đô thị Mặc dù nhiều nghiên cứu cần được thực hiện trong tương lai, có thể mong đợi rằng kiểm soát học tập dựa trên ADP sẽ cung cấp một công cụ cơ bản để hiện thực hóa
DDITS với học trực tuyến và tối ưu hóa hiệu suất trong các điều kiện động không chắc chắn
5) Học theo định hướng: ITS có những đặc điểm và tính chất độc đáo cần được xem xét khi phát triển các thuật toán hướng máy học Đối với giao thông đường bộ, mối quan hệ không gian - thời gian giữa dữ liệu giao thông và thông tin địa lý tương ứng của cơ sở hạ tầng đường bộ cần được xem xét khi thực hiện ITS hướng máy học Ví dụ: trong thu thập dữ liệu, dữ liệu giao thông từ một đoạn đường phải được phân biệt theo hướng lưu lượng để phân nhóm theo không gian Nếu không, hai điểm dữ liệu từ các làn đường khác nhau với các hướng lái xe khác nhau có thể được nhóm không chính xác vào cùng một nhóm Hơn nữa, việc xảy ra tai nạn giao thông thường sẽ tạo ra các mô hình giao thông khác với các mô hình giao thông do ùn tắc tái diễn Công suất sử dụng ở thượng nguồn khu vực xảy ra sự cố thường sẽ tăng, và công suất ở hạ lưu sẽ giảm Các mẫu lưu lượng như vậy nên được kết hợp vào ITS hướng đến máy học Khung của ITS hướng vào máy học được trình bày trong Hình 4
ITS theo hướng trực quan hóa
HƯỚNG ĐI Ở TƯƠNG LAI CỦA HỆ THỐNG GIAO THÔNG
Phần trước đã thảo luận về khía cạnh công nghệ của sự phát triển trong DDITS Trong các phần tiếp theo, chúng ta sẽ thảo luận một số vấn đề liên quan đến việc triển khai DDITS và xác định các lĩnh vực đáng để nghiên cứu chuyên sâu trong tương lai
Vấn đề máy học
Dữ liệu đóng một vai trò quan trọng trong sự hiệu quả của DDITS Như Barai đã chỉ ra, một lượng lớn dữ liệu được sử dụng cho ITS, trên thực tế, rất bất thường, không đồng nhất và có khác biệt trong ITS Bởi vì hầu hết dữ liệu được lấy mẫu từ thiết bị quan sát hoặc đa nguồn và được truyền theo nhiều cách khác nhau, nó dẫn đến bốn nhiệm vụ thách thức sau đây
1) Làm sạch dữ liệu: Ai cũng biết rằng dữ liệu lưu lượng có rất nhiều nhiễu do các yếu tố khác nhau Ví dụ, trong một nghiên cứu được thực hiện về luồng giao thông trên xa lộ ở vành đai 3 của Thành phố Bắc Kinh, người ta quan sát thấy tốc độ thu thập dữ liệu được chứa các mẫu có tốc độ xe cao hơn nhiều so với tốc độ giới hạn được ghi trên đường Lý do cho điều này là máy dò được sử dụng luôn tự kiểm tra trạng thái làm việc của nó bằng cách gửi tín hiệu giả với các khoảng thời gian cố định Rõ ràng, cần phải thực hiện làm sạch dữ liệu để loại bỏ dữ liệu nhiễu hoặc bất thường trong DDITS Tuy nhiên, việc phát triển quy trình làm sạch dữ liệu tự động là rất khó khăn Wu và Zhu đã cố gắng kết hợp việc làm sạch dữ liệu với phân tích dữ liệu và đề xuất một thuật toán khai thác dữ liệu nhận biết tiếng ồn để phát hiện và loại bỏ tiếng ồn Trong khi đó, họ tinh chỉnh hiệu suất khai thác dữ liệu bằng cách ước tính thông tin thống kê của các loại nhiễu khác nhau Một nhược điểm lớn của phương pháp này là họ cho rằng nhiễu thuộc một dạng nào đó đã biết, trong khi nhiễu trong dữ liệu trong thế giới thực trong DDITS thường là ngẫu nhiên và không được xác định bằng một hàm rõ ràng
Sự cố máy dò cũng có thể dẫn đến mất gói dữ liệu trong quá trình truyền Vì nguyên nhân của việc mất dữ liệu có thể đến từ nhiều nguyên nhân, Qu và cộng sự đã giới thiệu phân tích thành phần chính xác suất (PPCA) dựa trên dữ liệu bị thiếu, trong đó PPCA được sử dụng để nắm bắt cấu trúc chính và ước tính khả năng tối đa được sử dụng để ước tính giá trị bị thiếu Ưu điểm là phương pháp này không chỉ xem xét thông tin cục bộ như dữ liệu lưu lượng truy cập mỗi ngày mà còn xem xét thông tin toàn cục, bao gồm các mối quan hệ giữa
23 các dữ liệu cũ Một nhược điểm lớn của phương pháp này là giả định tuyến tính cơ bản được sử dụng trong phương pháp này không phải lúc nào cũng đúng
2) Giảm chiều dữ liệu (Dimension Reduction): Trong ITS, hầu hết dữ liệu là high dimensional Ví dụ: khi một pixel được coi là một dimension, thì hình ảnh chiếc xe có nhiều dimension Vấn đề "curse of dimensionality" sẽ nảy sinh, tức là khi dimension tăng lên, số lượng mẫu phải tăng theo cấp số nhân Do đó, để học được có thể rất phức tạp May mắn thay, một quan điểm phổ biến là dữ liệu có thể được tạo ra từ một tập hợp các low-dimensional variables Một số phương pháp giảm kích thước đã được đề xuất trong những năm gần đây Một số lý thuyết đại diện và mới được phát triển bao gồm học đa tạp,, phân tích phần tử tử ma trận không âm (NMF), và giảm kích thước dimension
Manifold learning khám phá ra đa tạp low-dimensional cơ bản được nhúng trong không gian Euclid high-dimensional Ví dụ, khi chiếu dữ liệu lên không gian low-dimensional, ánh xạ đẳng phương bảo toàn khoảng cách trắc địa gần đúng của hai điểm bất kỳ và phép nhúng tuyến tính cục bộ giữ cấu trúc liên kết cục bộ giữa một mẫu và các mẫu lân cận của nó Một cuộc khảo sát về sự phát triển gần đây của học đa tạp được chỉ ra trong Động cơ ban đầu của NMF là trích xuất phần không âm từ dữ liệu, ví dụ: trích xuất lông mày và miệng tư hình ảnh khuôn mặt Ding và cộng sự khái quát phương pháp áp dụng cho các lĩnh vực như phân cụm và nâng cao khả năng diễn giải của nó
Giảm kích thước dimension sử dụng thông tin được giám sát để hướng dẫn giảm dimension nhằm tối đa hóa tính độc lập thống kê Tính độc lập thống kê có nghĩa là một không gian con chiếu của không gian dữ liệu sẽ có cùng đóng góp với không gian gốc, và không gian con phần bù trực giao tương ứng của một không gian con sẽ không đóng góp gì vào suy luận của biến phản ứng và do đó là dư thừa Phương pháp giảm kích thước dimension đã được áp dụng để đếm người đi bộ với hiệu suất đầy hứa hẹn, như đã thảo luận trong
Ba phương pháp đã đề cập ở trên có thể giúp chúng tôi khám phá sâu thông tin dữ liệu ITS, cho phép cải thiện hiệu suất của các vấn đề hướng đến máy học trong một không gian giảm dimension
3) Sparsity Learning: Không giống như giảm chiều dữ liệu, nhằm khám phá một số cấu trúc low-dimensional cơ bản, Sparsity Learning trực tiếp loại bỏ một số đối tượng dư thừa khỏi không gian đối tượng gốc nhưng vẫn bảo toàn khả năng diễn giải của các đối tượng còn lại Một thuật toán Sparsity Learning cổ điển là Lasso, được đề xuất bởi Tibshirani Trong thuật toán này, các đối tượng không liên quan đến biến phản hồi sẽ được tính trọng số bằng các số không và do đó bị loại bỏ khỏi không gian đối tượng ban đầu Để có được độ hiệu quả cao hơn, một số cải tiến đã được đề xuất trong thập kỷ qua Yuan và Lin đề xuất Group- Lasso nhóm các biến có tương tác bậc cao hơn và nhấn mạnh tác dụng chính của các biến này Qi và cộng sự đã khai thác bản chất thưa thớt của không gian đặc trưng high-dimensional và sử dụng quy luật xác định log để phát triển một thuật toán học số liệu Sparsity (thưa thớt) hiệu quả trong không gian high- dimensional
Duchi và Singer đã kết hợp đưa Sparsity vào các thuật toán thúc đẩy để đạt được hiệu suất tốt hơn với độ thưa lớn hơn Huang và cộng sự sử dụng độ phức tạp của mã hóa liên quan đến cấu trúc để nghiên cứu cấu trúc thưa thớt của một tập hợp đặc trưng, sự khái quát hóa của ý tưởng về độ thưa thớt của nhóm Dữ liệu lưu lượng bao gồm một số tính năng thừa cần được loại bỏ. Điều quan trọng là phải có một đánh giá tốt về các tính năng quan trọng đối với hiệu suất của DDITS
Một nhánh khác của sparse learning là cảm biến nén (CS) CS giả định rằng hầu hết dữ liệu là sparse, có thể được lấy mẫu với tốc độ thấp hơn tốc độ lấy mẫu Shannon – Nyquist.1 Nếu tính nhất quán giữa phép đo ban đầu và phép đo đề xuất thấp, thì có thể xem xét một hình thức sparse learning, với một xác suất cao Đặc biệt, các phép đo được đề xuất có thể không có sẵn và do đó là phổ quát cho tất cả các dữ liệu Một tài nguyên CS có thể được truy cập tại
25 http://dsp.rice.edu/cs Bởi vì DDITS phụ thuộc nhiều vào camera và các cảm biến, sẽ rất thú vị khi nghiên cứu cách CS có thể được kết hợp vào DDITS. Ngoài ra, các kỹ thuật CS có thể tiết kiệm chi phí phát sinh do lắp đặt các thiết bị đắt tiền với tốc độ lấy mẫu ITS cao
4) Heterogeneous Learning: Nhiều cảm biến để cải thiện hiệu suất của ITS sẽ tạo ra dữ liệu từ các nguồn khác nhau Kết quả là, các bộ dữ liệu được thu thập để quản lý giao thông, phân tích tai nạn và phân tích tín hiệu giao thông cho thấy một thuộc tính không đồng nhất, với các tính năng khác biệt đáng kể Mặc dù dữ liệu không đồng nhất có thể khám phá các khía cạnh khác nhau, nhưng làm thế nào chúng ta có thể so sánh và kết hợp dữ liệu vẫn là một nhiệm vụ đầy thách thức
Vấn đề có thể được xem xét với máy học Có hai lĩnh vực chính trong máy học để giải quyết các vấn đề học không đồng nhất Một phương pháp là tìm kiếm một không gian chung cho các tập dữ liệu không đồng nhất Ví dụ, cả hai canonical correlation và Procrustes đều dành để sắp xếp hai dữ liệu không đồng nhất vào một không gian chung Hai phương pháp này giả định rằng phép biến đổi giữa hai tập dữ liệu không đồng nhất là tuyến tính Một cách tổng quát hóa tự nhiên từ phép biến đổi tuyến tính sang phi tuyến là sử dụng một thủ thuật hạt nhân ánh xạ ngầm dữ liệu vào một số không gian sản phẩm bên trong có highdimensional hơn thông qua phân tích tương quan kinh điển hạt nhân Phương pháp khác là sử dụng phương pháp học truyền (transfer learning), nhằm mục đích tổng quát hóa tính thường xuyên được học từ một hoặc nhiều tập dữ liệu thành các tập dữ liệu không đồng nhất khác Một cuộc khảo sát về các lý thuyết học chuyển giao được đưa ra trong.
Vấn đề chi phí
Mặc dù các công nghệ mới cho ITS đã nhanh chóng được phát triển trong hai thập kỷ qua, nhưng chi phí vẫn là mối quan tâm lớn đối với việc triển khai ở cấp độ hệ thống Ví dụ, trong ITS sử dụng hình ảnh, việc thay thế tất cả các thiết bị camera có độ phân giải thấp bằng các thiết bị camera có độ phân giải cao là không thực tế và rất tốn kém
Một cách để giải quyết vấn đề chi phí là tăng cường khả năng phân tích dữ liệu bằng cách thiết kế một bộ phân loại hiệu quả và đáng tin cậy để nhận dạng đối tượng lưu lượng hoặc để cải thiện chất lượng của chuỗi hình ảnh hoặc video Cao và cộng sự đã phát triển một bộ phân loại để phát hiện người đi bộ chỉ với một camera quang học duy nhất Zhang và cộng sự đã sử dụng các kỹ thuật máy học để tìm hiểu hình ảnh dáng đi độ phân giải cao của các bản sao có độ phân giải thấp từ tập hợp các cặp hình ảnh dáng đi tập luyện có độ phân giải cao / thấp Nhờ đó, có thể nhận ra người đi bộ ở khoảng cách lớn hơn giữa người đi bộ và máy quay mà không cần mua máy quay độ phân giải cao
Vấn đề chi phí cũng có thể được giải quyết bằng cách xác định các thiết bị thay thế và phát triển các thuật toán để cải thiện hiệu suất của chúng Ví dụ, máy thu DGPS giá rẻ với độ chính xác định vị khoảng 2–3 m được coi là công cụ chính cho các hệ thống định vị xe tự động thế hệ tiếp theo Tuy nhiên, vẫn còn khó khăn để sử dụng các thiết bị như vậy để xác định vị trí của phương tiện, bởi vì các trạm gốc, những thứ cần thiết để đảm bảo hiệu suất của bộ thu DGPS, khá tốn kém Do đó, một cách thay thế là tìm hiểu độ chính xác như vậy từ dữ liệu thu thập từ máy thu GPS có độ chính xác thấp. Zhang và cộng sự đã sử dụng một thuật toán đã được tinh chỉnh, phù hợp với dữ liệu, để tìm hiểu hiệu suất của thiết bị GPS có độ chính xác cao từ tập hợp các điểm dữ liệu có độ chính xác thấp Các thử nghiệm chỉ ra rằng chênh lệch tối đa giữa sự thật trên mặt đất và dữ liệu GPS đã sửa đổi giảm xuống còn 1,279 m, giúp bạn có thể xác định vị trí của các phương tiện đang di chuyển ở mức làn đường
Một cách khác là sử dụng các công cụ hoặc hệ thống hiện có đang được sử dụng cho các ứng dụng khác Claton và cộng sự đã phát triển một hệ thống cảnh báo chệch làn đường với chi phí thấp bằng cách kết hợp bản đồ có độ chính xác cao được xây dựng tốt và hệ thống định vị cấp độ tự động hóa, loại bỏ nhu cầu mua máy thu DGPS giá cao Sohn và Hwang tuyên bố rằng, với mạng di động, thời gian di chuyển giữa hai điểm có thể được ước tính dựa trên điện thoại di động thăm dò Một ưu điểm là mạng di động đã được lắp đặt trên toàn thế giới, ngay cả ở những vùng khó có thể lắp đặt các cảm biến giao thông Do đó, chiến lược được đề xuất có thể giảm chi phí của DDITS ở một mức độ nhất định
Tiêu chí đánh giá đa phương thức
Để đánh giá hiệu quả của DDITS, chúng ta cần phát triển các thước đo để đánh giá.
Có thể không thích hợp khi đánh giá hiệu suất của một số ứng dụng trong ITS chỉ với một tiêu chí duy nhất Ví dụ, khi lập kế hoạch di chuyển bằng tàu, mọi người thường xem xét một số yếu tố, bao gồm tổng thời gian di chuyển, số lần chuyển tuyến, tổng thời gian đi bộ và chờ đợi Hơn nữa, tình trạng giao thông có thể thay đổi theo thời gian Do đó, cần phải xây dựng các tiêu chí đánh giá đa phương thức để tối ưu hóa hành trình và thỏa các yêu cầu khác nhau
Một số thuật toán đã được phát triển cho vấn đề phát hiện người đi bộ, áp dụng nhiều tiêu chí khác nhau để giải quyết vấn đề Hussein và cộng sự đã đánh giá các thuật toán với tập hợp các đường cong cân bằng lỗi được phát hiện (Detection Error Tradeoff - DET) Họ tuyên bố rằng hiệu suất phát hiện ít bị ảnh hưởng hơn bởi việc sử dụng các loại cảm biến khác nhau, ví dụ: NIR và dải nhìn thấy, nhưng bị ràng buộc nhiều hơn với được chọn để lập mô hình phân loại Để hiểu rõ hơn về hiệu suất của một camera đỏ (RLC), Hobeika và Yaungyai đã đánh giá Chương trình Fairfax County RLC Họ kết luận rằng hệ thống RLC có tác dụng tích cực trong việc giảm tỷ lệ vi phạm nhưng không làm giảm tỷ lệ tai nạn Hiệu suất của hệ thống RLC có thể do một số lượng lớn các yếu tố khác nhau, bao gồm lưu lượng trung bình hàng ngày, giới hạn tốc độ và thời gian hoạt động Việc thiết lập các tiêu chí đánh giá đa phương thức sẽ giúp xác định nguyên nhân gốc rễ của vấn đề và thiết kế một hệ thống giải quyết rõ ràng các vấn đề chính liên quan đến vấn đề
Những vấn đề khác
Trong các phần nói trên, xem xét các hướng đi trong tương lai cho một số thành phần cốt lõi của DDITS Trong phần này, sẽ xem xét một số vấn đề bổ sung cho các nghiên cứu trong tương lai có ý nghĩa quan trọng đối với sự phát triển của DDITS Đầu tiên, một cách lý tưởng để nhận dạng đối tượng tham gia giao thông là lắp đặt càng nhiều cảm biến càng tốt để nắm bắt chi tiết từ mọi góc độ khác nhau Tuy nhiên, cách tiếp cận này sẽ tạo ra nhiều dữ liệu dư thừa và cực kỳ tốn kém Ngoài ra, mức độ chi tiết chỉ phù hợp trong bối cảnh của các ứng dụng cụ thể DDITS nên được định hướng theo hướng lên kịch bản từ trước Broggi và cộng sự đã sử dụng máy quét laze để thu hẹp phạm vi tìm kiếm và đề xuất phát hiện và theo dõi người đi bộ xuất hiện để tránh các tai nạn có thể xảy ra Một ưu điểm của phương pháp này là chúng ta có thể tiết kiệm nhiều chi phí cho việc lắp đặt các cảm biến tương quan và đưa ra phản ánh nhanh hơn về các tai nạn (có thể xảy ra), đây là một yếu tố chính trong ITS
Thứ hai, sự tương tác giữa các nhà cung cấp hệ thống (ví dụ: kỹ sư giao thông) và người dùng hệ thống (ví dụ: người tham gia giao thống) ít được xem xét trong ITS truyền thống Khi việc sử dụng điện thoại di động với nhiều loại cảm biến gia tăng nhanh chóng trong những năm gần đây, một số cách tương tác mới đã xuất hiện, ví dụ: Giả sử rằng mỗi điện thoại riêng lẻ là một “ống kính ảo” Một trang blog có thể cung cấp chế độ xem có độ phân giải cao xung quanh bằng cách tích hợp một số âm thanh ngắn, video nhúng hoặc tin nhắn (tức là blog đa phương tiện) được ghi lại bởi một số người dùng điện thoại di động đang hoạt động Mọi người có thể chia sẻ thông tin về sự kiện mà họ tham gia hoặc nơi họ đang ở Đương nhiên, sớm hay muộn, những cách như vậy sẽ ảnh hưởng đến một số khía cạnh của ITS, ví dụ: các tuyến đường của khách du lịch và hình dung về tắc nghẽn Với sự xuất hiện của các trang blog, không có gì ngạc nhiên khi DDITS sẽ lấy mọi người làm trung tâm trong những năm tới
Phân tích hình ảnh cũng là một cách tiếp cận có thể được kết hợp vào DDITS Không giống như các kỹ thuật trực quan nói trên, nó nhấn mạnh việc sử dụng tối đa khả năng phán đoán của con người để xử lý thông tin phức tạp nhận được qua các kênh trực quan, dẫn đến rút ngắn thời gian phản ứng với các sự kiện khẩn cấp, đưa ra quyết định
29 hiệu quả hơn và có được cái nhìn sâu sắc hơn Như được trình bày trong, cách tiếp cận, bao gồm sự tổng hợp dữ liệu được hỗ trợ bởi kỹ thuật trực quan hóa mạnh mẽ, có thể được sử dụng để tích hợp thông tin lưu lượng vào kiểm soát lưu lượng nhằm cải thiện thành phần ra quyết định thời gian thực trong DDITS
Thêm nữa, môi trường ảo đóng một vai trò quan trọng trong DDITS vì chi phí thấp trong việc cung cấp mô phỏng an toàn cho các trình mô phỏng giao thông để mô phỏng nhiều sự kiện giao thông khác nhau Ví dụ, Zhang và cộng sự đã thu thập dữ liệu từ trình mô phỏng lái xe để mô phỏng hành vi của người lái xe và phản ứng của xe Để đối phó với các tình huống quan trọng có thể xuất hiện ở nơi giao nhau giữa đường sắt và đường bộ, Huang và cộng sự đã sử dụng lưới Petri xác định ngẫu nhiên để mô phỏng hệ thống kiểm soát giao thông cắt ngang đường sắt Gần đây, một số nhà nghiên cứu đã cố gắng sử dụng dữ liệu ITS thực tế để tăng cường khả năng vi mô của môi trường ảo, ví dụ, sơ tán hàng loạt Sự phát triển gần đây về kiểm soát và quản lý song song cho ITS, kết hợp rõ ràng các phức tạp về kỹ thuật và xã hội vào việc mô hình hóa và ra quyết định của một hệ thống quy mô lớn, cũng đã cung cấp một nền tảng lý tưởng để triển khai DDITS
Cuối cùng, các đối tượng lưu lượng được biểu diễn trong DDITS có thể đại diện cho mức độ di chuyển của một lượng dữ liệu chưa từng có với chi phí rất thấp Do đó, một ứng dụng tiềm năng của DDITS là cách chúng ta có thể giải quyết một cách hiệu quả Những lợi thế của việc nghiên cứu tính di động được mô tả như sau: Đầu tiên, nó khái quát các chức năng của DDITS Ví dụ: phân tích khả năng di chuyển của các phương tiện để thiết kế chiến lược xếp hàng vào NON-FIFO tốt hơn (tức là áp đặt các tốc độ khác nhau trên các làn đường khác nhau) trên đường cao tốc Thực nghiệm, chiến lược này được chứng minh là hiệu quả hơn chiến lược xếp hàng FIFO trong việc giảm bớt tắc nghẽn Hơn nữa, hiểu sự di chuyển của người thma gia giao thông có thể giúp các nhà quản lý hệ thống giao thông lập kế hoạch tốt hơn về cơ sở hạ tầng và mạng lưới thông tin liên lạc vật lý, ví dụ: đường thường và xa lộ
Thứ hai, việc tham gia giao thông có thể gây ra một số sự kiện không mong muốn, ví dụ như tai nạn giao thông
Thứ ba, nó có thể cung cấp các dịch vụ mới có tác động lớn về mặt xã hội và sinh thái cho người dân sau khi trích xuất kiến thức từ dữ liệu Lưu ý rằng hầu hết các dữ liệu này đều có vấn đề riêng tư Ví dụ: thông tin di chuyển của xe thu được từ thiết bị GPS của người tham gia giao thông có thể tiết lộ thói quen đi lại, nhà riêng và nơi làm việc của họ Do đó, một hướng tiềm năng trong DDITS là cân bằng giữa việc tối đa hóa việc sử dụng dữ liệu phương tiện cá nhân và giảm thiểu việc xâm phạm quyền riêng tư Các hướng nghiên cứu tiềm năng trong DDITS được tóm tắt trong Hình 5