Survey on traffic prediction in smart cities

摘要

机器学习的快速发展以及新数据源的出现使人们可以比以往更准确地检查和预测智慧城市中的交通状况。 这可以帮助优化未来自动化城市中运输服务的设计和管理。 在本文中，我们将详细介绍此类智能交通的预测方法，并概述现有的数据源和预测模型。

介绍

  • 智能城市”一词是指使用信息和通信技术来感知，分析和集成运营城市核心系统中的关键信息。
  • 以高精度预测交通的下一个可能状态是一项基本挑战，因为该信息有助于防止不幸的事件，例如交通拥堵或道路上的其他异常情况。
  • 文献经常将交通称为流量，因为它具有与流体相似的特性。因此，当我们谈论交通流量预测时，我们希望基于历史和实时数据来预测交通流量的下一个状态（可以是流量，速度，密度或行为）。

流量预测的两种动机：

  • 能够计算出更有效的路线并减少出行时间

  • 市场价值

  • 行人流量预测也是智慧城市中的重要挑战

最终目标将是开发一个集成的管理系统，该系统将合并对车辆和其他城市交通流量（如行人或自行车）的预测。 新一代的智能城市管理系统可以揭示大城市中车辆，行人和自行车流量之间的高层关联。

数据来源

image.png
传感器分为

  • 感应回路
  • 磁传感器
  • 视频图像处理器
  • 微波雷达
  • 激光雷达传感器
  • 主动红外
  • 被动红外
  • 声音感应器

检查两个数据源，即固定位置传感器和移动传感器，并使用以下标准进行比较：

  • 数据源的形式描述
  • 优点和缺点
  • 通常测量的数据类型
  • 公开可用的数据集列表。

Data from fixed position sensors

传统的固定位置传感器基于存在型探测器/传感器，它们部署在空间中的固定位置（表示为p）。 由于这种特性，这些传感器始终在道路的特定点进行测量。 （根据使用的传感器的功能，它们可能会测量一个或多个车道）。

测量类型取决于传感器的功能。 它们中的一些仅具有基本功能，因为它们仅能够测量流量计数（即流量），而另一些还可以测量流量的速度或密度。 更先进的传感器还能够检测车辆的等级，从而更好地了解交通流的特征。

与移动传感器相比，传统固定位置传感器

  • 最大优势在于它们是可靠的数据源，可以捕获所有经过的车辆。 另一方面，GPS传感器一次只能跟踪一辆车辆。 因此，取决于该区域中可用的移动传感器的数量，诸如车辆数量或流量密度之类的汇总统计信息只能近似达到一定的精度。
  • 缺点是我们无法观察车辆的确切路径。 因此，很难找到不同路段之间的关系。 我们只能根据可用的传感器数据得出粗略的估算值（例如空间相关性分析）。 不幸的是，大型传感器网络的部署和维护成本可能过高。