Norconsult Digital levererar IT-system som går under Stockholms stads rubrik ”Smart och uppkopplad stad”, en satsning på bland annat Internet of Things (IoT) och Big Data. Ett av våra system genererar stora mängder trafikmätdata, data som kräver kvalitetssäkring för att kunna användas i generella sammanhang. Om man kan minska tiden för att genomföra kvalitetssäkring ökar man graden av realtid och kan använda data i mer avancerade tillämpningar.
Inom domäner där man tillgång till stora datamängder som exempelvis nätverkstrafik på Internet har man framgångsrikt använt klassificeringsalgoritmer som k-means för att särskilja onormal trafik. Metoden skulle kunna tänkas vara tillämplig även för vägfordon förutsatt att man genom en smart representation av mätperioden kan kompensera för att mängden data är betydligt mer sparsam än för fallet nätverkstrafik.
Exempel på frågeställningar
- En trafikmätning under en tidsperiod karaktäriseras av fordonstyper, hastigheter och avstånd mellan fordon i samma körfält, samt mätutrustningens konfidens. Hur ska dessa parametrar bäst viktas i en jämförelse för att kunna säga om två mätperioder påminner om varandra?
- Vilken nivå av realtid kan man nå i utfästelsen om en pågående trafikmätning påminner om ett trafikmönster som är känt sedan tidigare?
- Under vilka omständigheter det är möjligt att detektera att en ovanlig trafiksituation är på väg att uppstå innan vägtrafiken korkat igen totalt?
- Går det att via användning av k-means identifiera hittills okända typer av trafikmönster som kan tänkas vara användbara i realtidssammanhang för vägtrafik?
- Bör man ta hänsyn till kända trafikmönster för platsen eller går det säga något meningsfullt utifrån allmänna trafikmönster?
Intressanta Tekniker: C#, Oracle, PostgreSQL, klustring med k-means samt hierarkisk klustring
Kave Silverklippa
Utvecklingsansvarig
Kontakta oss
