Multikriteriální genetické algoritmy v predikci dopravy
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Porozumění chování silniční dopravy je klíčem pro její efektivní řízení a organizaci. Tato úloha se stává čím dál více důležitou s rostoucími požadavky na dopravu a počtem registrovaných vozidel. Informace o dopravní situaci je důležitá pro řidiče a osoby zodpovědné za její řízení. Naštěstí v posledních několika dekádách došlo k značnému rozvoji technologií pro monitorování dopravní situace. Stacionární senzory, jako jsou indukční smyčky, radary, kamery a infračervené senzory, mohou být nainstalovány na důležitých místech. Zde jsou schopny měřit různé mikroskopické a makroskopické dopravní veličiny. Bohužel mnohá měření obsahují nekorektní data, která není možné použít při dalším zpracování, například pro predikci dopravy a její inteligentní řízení. Tato nekorektní data mohou být způsobena poruchou zařízení nebo problémy při přenosu dat. Z tohoto důvodu je důležité navrhnout obecný framework, který je schopný doplnit chybějící data. Navíc by tento framework měl být také schopen poskytovat krátkodobou predikci budoucího stavu dopravy. Tato práce se především zabývá vybranými problémy v oblasti doplnění chybějících dopravních dat, predikcí dopravy v krátkém časovém horizontu a predikcí dojezdových dob. Navrhovaná řešení jsou založena na kombinaci současných metod strojového učení, například Support vector regression (SVR) a multikriteriálních evolučních algoritmů. SVR má mnoho meta-parametrů, které je nutné dobře nastavit tak, aby byla dosažena co nejkvalitnější predikce. Kvalita predikce SVR dále silně závisí na výběru vhodné množiny vstupních proměnných. V této práci používáme multiktriteriální optimalizaci pro optimalizaci SVR meta-parametrů a množiny vstupních proměnných. Multikriteriální optimalizace nám umožňuje získat mnoho Pareto nedominovaných řešení. Mezi těmito řešeními je možné dynamicky přepínat dle toho, jaká data jsou aktuálně k dispozici tak, aby bylo dosaženo maximální kvality predikce. Metody navržené v této práci jsou především vhodné pro prostředí s velkým množstvím chybějících hodnot v dopravních datech. Tyto metody jsme ověřili na reálných datech a porovnali jejich výsledky s metodami, které jsou v současné době používány. Navržené metody poskytují lepší výsledky než stávající metody, a to především ve scénářích, kde se vyskytuje mnoho chybějících hodnot v dopravních datech.
The understanding of the road traffic behavior is a key to effective traffic control, management and organization. This task is becoming more and more important with increasing traffic demands and the number of registered vehicles. The information about the current and future traffic situation is very important for drivers and traffic operators. Fortunately, there was a huge progress in technologies for traffic data acquisition in the last few decades. Stationary sensors, such as loop detectors, radars, cameras and infrared sensors can be installed on important locations of the roads and measure various microscopic and macroscopic traffic variables. However, some measurements can lead to an incorrect data which cannot further be used in the subsequent processing tasks such as traffic prediction or intelligent control. For example, this can be caused by equipment failures or data transmission problems. It is highly desirable to have a framework, which is capable of estimating the missing values in traffic data. It is also very important to provide a reliable short-time prediction of the traffic state. In this thesis, we focus on selected problems from this domain - the imputation of missing traffic data, short time traffic forecasting and travel times estimation. The proposed solution is based on combining the state-of-the art machine learning methods such as support vector regression (SVR) with the multi-objective evolutionary optimization. SVR has various meta-parameters which should be properly set in order to achieve the best performance. The performance also strongly depends on the selection of the input variables for SVR. We used the multi-objective optimization to find the proper settings of SVR meta-parameters and input variables. Using the multi-objective optimization, we obtained many different non-dominated solutions from Pareto front. These solutions can dynamically be switched according to the traffic data which are currently available, in order to maximize the quality of prediction. The proposed methods are specially designed for environments with many missing values in traffic data. We evaluated the proposed methods using real world data and compared them with the state of the art methods for the traffic data imputation and short term prediction such as the probabilistic principal component analysis and support vector regression optimized by a single objective optimization. The proposed methods provide better results than these state of the art methods especially in the cases where there are many missing values in the traffic data.
The understanding of the road traffic behavior is a key to effective traffic control, management and organization. This task is becoming more and more important with increasing traffic demands and the number of registered vehicles. The information about the current and future traffic situation is very important for drivers and traffic operators. Fortunately, there was a huge progress in technologies for traffic data acquisition in the last few decades. Stationary sensors, such as loop detectors, radars, cameras and infrared sensors can be installed on important locations of the roads and measure various microscopic and macroscopic traffic variables. However, some measurements can lead to an incorrect data which cannot further be used in the subsequent processing tasks such as traffic prediction or intelligent control. For example, this can be caused by equipment failures or data transmission problems. It is highly desirable to have a framework, which is capable of estimating the missing values in traffic data. It is also very important to provide a reliable short-time prediction of the traffic state. In this thesis, we focus on selected problems from this domain - the imputation of missing traffic data, short time traffic forecasting and travel times estimation. The proposed solution is based on combining the state-of-the art machine learning methods such as support vector regression (SVR) with the multi-objective evolutionary optimization. SVR has various meta-parameters which should be properly set in order to achieve the best performance. The performance also strongly depends on the selection of the input variables for SVR. We used the multi-objective optimization to find the proper settings of SVR meta-parameters and input variables. Using the multi-objective optimization, we obtained many different non-dominated solutions from Pareto front. These solutions can dynamically be switched according to the traffic data which are currently available, in order to maximize the quality of prediction. The proposed methods are specially designed for environments with many missing values in traffic data. We evaluated the proposed methods using real world data and compared them with the state of the art methods for the traffic data imputation and short term prediction such as the probabilistic principal component analysis and support vector regression optimized by a single objective optimization. The proposed methods provide better results than these state of the art methods especially in the cases where there are many missing values in the traffic data.
Description
Citation
PETRLÍK, J. Multikriteriální genetické algoritmy v predikci dopravy [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Výpočetní technika a informatika
Comittee
Date of acceptance
2016-11-25
Defence
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení