Bewegliches Wavelet

Hallo, nach dem Versuch, dies auf nationales Forum ohne Erfolg zu diskutieren, im versuchen ein Glück an breiterer Gemeinschaft. Im-Experimentieren mit einer Wavelet-Transformation in MATLAB wegen seiner bekannten Zwecken - Multiresolutionalanalyse, Denoising, Feature-Extraktion, Signal Vorverarbeitung für NNs etc. Im im Hinblick auf die Verwendung als Basis für die Verbesserung der grundlegenden Indikatoren - Reduzierung von Rauschen, Ersatz Von MAs etc. Die Ergebnisse mit historischen Daten sind sehr schön, aber das Hauptproblem im Gesicht ist die Randeffekte (Grenzartefakte). Dadurch wird die Leistung der WT mit Hilfe von Echtzeitdaten signifikant gesenkt (fenstergestützte xxx Vergangenheitsbeispiele). Ich frage mich, wenn einige von Ihnen mit handelsüblichen WT-basierten Indikatoren (TS Research Group, Pilgrimm) arbeiten, was ist Ihre Erfahrung, sie leiden auch unter Grenzartefakte Nur um genauer zu sein, die Methode im Versuch ist redundant (nicht deciamated) , Shift invariante Transformation. Ive versuchte mehrere Toolboxes - Matlab Wavelet Toolbox, Wavelab802 (donoho und Co.), Pieflab, noch ohne viel Erfolg in Echtzeit-Performance. Thx für die Antworten Im froh, eine Person mit den gleichen Interessen zu treffen :) Ive fing an, mit Wavelets auch zu spielen, aber ich störte nicht mit kommerziellem weichgehandeltes direkt zu Matlab :) Ich erhielt nicht zur Realzeitverarbeitung, gerade auslaufend offline. Welche Art von Schwierigkeiten und in welchen Fällen Sie expirience Im arbeiten mit DWT (die quotwavedecquotquotwaverecquot Routinen), scheinen sie ziemlich schnell arbeiten. Afterall, wenn u das Modell arbeiten, ist es immer möglich, Code in C :) gibt es eine Menge von OpenSource-Bibliotheken auf jedem Fall. Übrigens würde ich mich freuen, wenn wir hier einige Aspekte der Apllication von waveletsto Marktanalyse diskutieren. Ich habe die folgenden Fragen: 1. Wavelet Approximation der N-Ebene scheint eine perfekte Substitution für die MA. Es hat keine Verzögerung und folgen dem Trend besser. Aber was ist mit Nebeneffekt Wie man damit umgehen Was ist die beste Methode der Polsterung Vielleicht einige Zulage (einige künstliche Verzögerung) sollte genommen werden, um Nebenwirkungen zu beseitigen 2. Welche Wavelet ist am besten geeignet für die Analyse der Preisdaten Derzeit, Im mit Meyer Wavelet, um die Grafik zu glätten. Auf dem Bild unten - die rote Linie ist die 5. Ebene Näherung - die grüne Linie ist die 3. Ebene Näherung Es wäre interessant zu wissen, wie Sie Wavelets verwenden. Aufrechtzuerhalten. ) Sein nettes, zum jemand zu sehen, das mit diesem auch kämpft. Gut, nicht nur, um den Kampf zu sehen, aber die möglichen Lösungen, aber :) ive aus dieser Arbeit seit einiger Zeit, so im Schreiben zu antworten ASAP, um diesen Thread gehen, und würde einige Zeit brauchen, um in diese Dinge wieder zu bekommen, Aber ich denke immer noch, dass es sich lohnt. Wie Sie festgestellt haben, ist das größte Problem Grenzeffekte. Gut, ich denke, die einfache Polsterung wäre nicht genug, um vernünftige Ergebnisse zu erhalten. Ich habe noch einige wissenschaftliche Papiere, die irgendwo liegen und wenn ich mich richtig erinnere, waren einige Schlüsselwörter zu diesem: Extrapolation - das kann leicht in Matlab getestet werden (nicht sehr gute Ergebnisse) Aufbau von Grenzwellen - um ehrlich zu sein, bin immer noch ein wenig verwirrt Dieser Ansatz-Tools. Verwenden Sie nur Standard-Matlab Wavelet Toolbox ive gefunden große Toolbox von Professor Donohoampco. Genannt Wavelab802. Es enthält mehrere Algorithmus als Grenzkorrektur (oder Sometginh wie die) markiert, aber ich habe es nicht geschafft, bessere Ergebnisse mit ihnen zu bekommen, aber ich glaube, ich war nicht mit diesem Tools richtig - das ist für weitere Studie. Verwenden Sie dezimierte oder undezimierte (shif invariante) Version von Transformation, ich denke, dass dezimiert ist ok, wenn Sie auf das invers transformierte Ergebnis nach demoising zum Beispiel konzentrieren, aber nicht geeignet für Features Extraxtion mit NN. Zu Ihnen 2. Frage, ich glaube, ich habe einige Papier Bewertung verschiedener Wavelets für finanzielle Zeitreihen, krank versuchen, es zu finden. So dass ich dringend empfehlen Ihnen, einen Blick auf wavelab802 nehmen, krank versuchen, einige Gedanken während der Woche post, weil wie ich sagte, ich mastierte dies so schnell wie ich konnte. Ja ponimaju, nemnogo :) es scheint mir 2, dass einfache quotmirrorquot extrapolation (quotSymmetrizationquot) funktioniert ganz gut. Tatsächlich wird der Randeffekt nur bei hohen Wavelet-Koeffizienten bemerkbar. Es passt zu meinen Bedürfnissen ganz gut. Ja, ich verwende nur Wavelet-Toolbox. Ive heruntergeladen Wavelab vor kurzem, aber didnt Blick auf es. Haben u bekommen deutlich bessere Ergebnisse mit ihm Ich verwende nicht nicht dezimierte Methoden. Ich verwende Wavelets für die lang - und kurzfristige Trenderkennung. In der Tat ist alles, was ich jetzt brauchen nur eine Vorverarbeitung Filter vor einigen Schlußfolgerung Mechanismus. Ive beschlossen, einen Kanal-Erkennungsalgorithmus basierend auf Fuzzy-Logik zu machen. Dies ist, wie Im versuchen, um es funktionieren: s1 std. Abweichung der linearen Regression für die letzten 3 max Punkte s2 std. Abweichung der linearen Regression für die letzten 3 min Punkte k Koeffizient der Parallelität zwischen der linearen Regression der Max - und Min-Punkte Hier ist die Fuzzy-Regel: a s1 ist niedrig und s2 ist niedrig und k ist hoch Zum Beispiel haben wir hier a0,8 Ich weiß nicht, ob das wirklich interessant ist, aber Ill versuchen, es funktionieren :) Was denken Sie an die Idee scheint es mir 2, dass einfache quotmirrorquot Extrapolation (quotSymmetrizationquot) funktioniert ganz gut. Tatsächlich wird der Randeffekt nur bei hohen Wavelet-Koeffizienten bemerkbar. Es passt zu meinen Bedürfnissen ganz gut. Auch ich interessiere mich für Wavelets, habe aber keinen Zugriff auf bequeme Software wie Mathlab. Kann ich fragen, wie Sie die oben gezeigten Kurven erhalten Wie weit haben Sie gleiten die Eingabe zwischen Transformationen Für Kompressionszwecke Ich schätze, Sie würden Slip das Eingabefenster eine volle Fenstergröße, aber für Echtzeit-Signal-Filterung scheint es, dass Sie das Eingabefenster schlüpfen kann Nur eine Probe auf einmal. Wäre dies Ergebnis, was heißt neu lackieren Die zweite Frage ist, ob die Kurven Single-Sample-Vorhersage, oder Filterung Nach Vorhersage Ich meine, dass Sie die Transformation, werfen weg einige Koeffizienten, nehmen die inverse Transformation und verlängern eine Probe. Es scheint, dass Spiegeloxtrapolation das bis ziemlich schlecht verwirren würde. Durch Filterung, Sie gerade tun nicht die Verlängerung. Mache ich Sinn, die Aufgabe im, die versucht, jetzt zu lösen, ist quotchannelquot-Erkennung. Das heißt, ich versuche, einen Algorithmus, der eine Schätzung der Unterstützung und Widerstand Ebenen auf recen Schwankungen des Preises zu machen. Also habe ich nicht tief in Extrapolation tecniques. Das einzige was ich tat, war das Filtern mit spiegelbasierter Extrapolation. Wie für die zweite Frage - die dargestellten Kurven sind nur Ergebnis filtern. Ich habe keine Zeit, um meine Absagen für einige Wochen fortzusetzen, aber ich hoffe, krank wird es bald wieder) Rainfall Datenanalyse mit gleitenden Durchschnitt (MA) - Modell und Wavelet multi-resolution intelligente Modell für Lärmbewertung, um die Prognose Genauigkeit zu verbessern Zitieren Sie diese Artikel als: Akrami, SA El-Shafie, A. Naseri, M. et al. Neuronal Comput Applic (2014) 25: 1853. doi: 10.1007s00521-014-1675-0 Die Niederschlagsvorhersage und die Annäherung ihrer Größenordnung haben eine gewaltige und unbedingte Rolle in der Wasserbewirtschaftung und Abflussvorhersage. Das Hauptziel dieser Arbeit ist es, die Beziehung zwischen den Niederschlagszeitreihen, die durch die Wavelet-Transformation (WT) und den gleitenden Durchschnitt (MA) im Klang-Einzugsgebiet, Malaysia, erreicht wurden. Zu diesem Zweck wurden die Haar - und Dmey-WTs verwendet, um die Niederschlagszeitreihen in 7, 10 verschiedene Auflösungsniveaus zu zersetzen. Mehrere Pre-Processing-Fallstudien auf der Grundlage von 2-, 3-, 5-, 10-, 15-, 20-, 25- und 30-Monats-MAs wurden durchgeführt, um einen längerfristigen Trend im Vergleich zu einem kürzerfristigen MA zu entdecken. Die Informationen und Daten wurden von Klang Gates Dam, Malaysia, von 1997 bis 2008 gesammelt. In Bezug auf das Verhalten werden die Zeitreihen von 10-, 15-, 20- und 30-Tage-Niederschlägen in Annäherungs - und Detailkoeffizienten mit anderer Art zerlegt Von WT. Korrelationskoeffizienten R 2 und Wurzel-Mittel-Quadrat-Fehlerkriterien werden angewandt, um die Leistungsfähigkeit der Modelle zu untersuchen. Die Ergebnisse zeigen, dass es einige Ähnlichkeiten zwischen MA-Filter und Wavelet Approximation Sub-Serie-Filter aufgrund der Rausch-Elimination. Darüber hinaus haben die Ergebnisse, dass die hohe Korrelation mit MAs über Dmey WT im Vergleich zu Haar Wavelet für Niederschlagsdaten erreicht werden kann. Darüber hinaus könnten saubere Signale als Modell-Eingänge verwendet werden, um die Modellleistung zu verbessern. Daher könnten Signalzerlegungstechniken für den Zweck der Datenvorverarbeitung günstig sein und könnten zur Beseitigung der Fehler geeignet sein. Zerlegungskoeffizienten Dmey Wavelet Haar Wavelet Gleitender Durchschnitt Prognosegenauigkeit Referenzen Akrami SA, Nourani V, Hakim SJS (2014) Entwicklung eines nichtlinearen Modells basierend auf Wavelet-ANFIS für die Niederschlagsprognose am Klang Gates Dam. (2006) Datenvorverarbeitung für die Flussfluss-Prognose mittels neuronaler Netze: Wavelet-Transformationen und Datenpartitionierung. Phys Chem Earth 31: 11641171 CrossRef Google Scholar Chang FJ, Chen L (1998) Realer kodierter genetischer Algorithmus für regelbasiertes Hochwasserschutz-Reservoir-Management. Wasser Resour Manag 12 (3): 185198 CrossRef Google Scholar Chen GY, Bui TD, Krzyzak A (2009) Invariante Mustererkennung mit Radon, Dual-Tree-Komplex Wavelet und Fourier-Transformationen. Pattern Recogn 42: 20132019 CrossRef MATH Google Scholar Chen RJC, Bloomfield P, Fu JS (2003) Eine Bewertung von alternativen Vorhersagemethoden zur Erholungsbesuch. J Leis Res 35 (4): 441454 Google Scholar Erdbeobachtungszentrum, Universiti Kebangsaan Malaysia (UKM), Malaysia 2013 Fonseca ES, Guido RC, Scalassara PR (2007) Wavelet-Zeitfrequenzanalyse und kleinste Quadrate unterstützen Vektor-Maschinen zur Identifizierung von Sprachstörungen . (MRSI) mittels Wavelet-Kodierung und paralleler Bildgebung: In-vitro-Ergebnisse. J Magn Reson 211: 4551 CrossRef Google Scholar Genovese L, Videud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF (2011) Daubechies-Wavelets für leistungsstarke elektronische Strukturberechnungen. CR Mec 339: 149164 CrossRef MATH Google Scholar Lisi F, Nicolis O, Sandri M (1995) Kombination von Singular-Spektrum-Analyse und neuronale Netze für die Zeitreihen-Prognose. Neuronale Netze für die Vorhersage und Prognose von Wasserressourcen Variablen: eine Überprüfung der Modellierung von Fragen und Anwendungen. Environ Modell Softw 15: 101123 CrossRef Google Scholar Mallat SG (1998) Eine Wavelet-Tour der Signalverarbeitung. Akademische Presse, San Diego MATH Google Scholar Masset P (2008) Analyse der finanziellen Zeitreihen mittels Fourier - und Wavelet-Methoden, Universität Freiburg (Schweiz) Fakultät für Wirtschaftswissenschaften und Sozialwissenschaften Newbold P, Carlson WL, Thorne BM (2003) Wirtschaft und Wirtschaft (fünfte Version). Prentice Hall, Upper Saddle River Google Scholar Nourani V, Komasi M, Mano A (2009) Ein multivariater ANN-Wavelet-Ansatz für die Niederschlagsabflussmodellierung. Wasser Resour Manag 23: 28772894 CrossRef Google Scholar Partal T, Kisi O (2007) Wavelet und Neuro-Fuzzy-Konjunktion Modell für die Niederschlagsvorhersage. J Hydrol 342: 199212 CrossRef Google Scholar Rioul O, Vetterli M (1991) Wavelets und Signalverarbeitung. IEEE SP Zeitschrift. Pp 1438 Serrai H, Senhadji L (2005) Akquisitionszeitverkürzung bei der Magnetresonanzspektroskopie mit diskreter Wavelet-Kodierung. J Magn Reson 177: 2230 CrossRef Google Scholar Shafiekhah M, Moghaddam Abgeordneter, Sheikh El Eslami MK (2011) Preisvorhersage für die Strommärkte auf dem Vormarsch nach einer hybriden Prognosemethode. Energie-Convers Manag 52: 21652169 CrossRef Google Scholar Sifuzzaman M, Islamand MR, Ali MZ (2009) Anwendung der Wavelet-Transformation und ihre Vorteile im Vergleich zu Fourier-Transformation. J Phys Sci 13: 121134 Google Scholar Syed AR, Aqil B, Badar S (2010) Vorhersage der Netzwerk-Verkehrslast mit Wavelet-Filter und saisonale autoregressive gleitenden Durchschnitt Modell. (2009) Methoden zur Verbesserung der Leistung des neuronalen Netzes in der Prognose der täglichen Flüsse. J Hydrol 372: 8093 CrossRef Google Scholar Yang X, Ren H, Li B (2008) Eingebettete Null-Baum-Wavelets-Codierung basierend auf adaptivem Fuzzy-Clustering zur Bildkompression. Bild Vis Comput 26: 812819 CrossRef Google Scholar Zhao X, Ye B (2010) Faltung Wavelet-Paket-Transformation und ihre Anwendungen auf Signalverarbeitung. Digit Signal Process 20: 13521364 CrossRef Google Scholar Urheberrechtsinformationen Das Natural Computing Applications Forum 2014 Autoren und Mitgliedsverbände Seyed Ahmad Akrami 1 E-Mail-Autor Ahmed El-Shafie 1 Mahdi Naseri 2 Celso AG Santos 3 1. Bau - und Ingenieurbüro Universiti Kebangsaan Malaysia (UKM ) Bangi Malaysia 2. Abteilung für Bauingenieurwesen Universität Birjand Birjand Iran 3. Abteilung für Bau - und Umwelttechnik Bundesuniversität von Paraba Joo Pessoa Brasilien Über diesen Artikel Print ISSN 0941-0643 Online ISSN 1433-3058 Verlagsname Springer LondonFusing moving average model and Stationäre Wavelet-Zerlegung für automatische Ereignis-Erkennung: Fallstudie von Tokyo Expressway Qinghua Liu 1,2 Edward Chung 3 ,. Liujia Zhai 1 1 Schule für Informatik und Ingenieurwesen, Jiangsu Universität für Wissenschaft und Technologie, Zhenjiang, Jiangsu, China 2 Schule für Verkehrstechnik, Tongji Universität, Shanghai, China 3 Smart Transport Research Center, Queensland University of Technology, Brisbane, Queensland, Australien Online verfügbar am 24. Februar 2015. Verkehr Staus ist ein wachsendes Problem in städtischen Gebieten auf der ganzen Welt. Der Verkehrssektor wurde in vollem Gange Veranstaltung Studie über intelligente Verkehrssystem für die automatische Erkennung. Die Funktionalität der automatischen Störungserkennung auf Schnellstraßen ist ein primäres Ziel eines fortschrittlichen Verkehrsmanagementsystems. Um Leben zu retten und sekundäre Zwischenfälle zu vermeiden, ist eine genaue und prompte Störungserkennung notwendig. Dieses Papier stellt eine Methodik bereit, die ein gleitendes Durchschnittsmodell (MA) mit einer stationären Wavelet-Zerlegung für eine automatische Ereignisdetektion integriert, bei der Parameter des Schichtkoeffizienten aus der Differenz zwischen der stromaufwärtigen und der stromabwärtigen Belegung extrahiert werden. Anders als andere Wavelet-basierte Methode vorgestellt, erstens es glättet die Rohdaten mit MA-Modell. Dann verwendet es stationäre Wavelet zu zerlegen, die eine genaue Rekonstruktion des Signals zu erreichen, und verschiebt nicht die Signaltransfer-Koeffizienten. So kann es die Vorfälle genauer erkennen. Die Schwelle zum Auslösen des Alarms wird ebenfalls entsprechend der normalen Verkehrslage mit Überlastung eingestellt. Die Methodik wird mit realen Daten von Tokyo Expressway Ultraschallsensoren validiert. Experimentelle Ergebnisse zeigen, dass es richtig und effektiv ist, und dass es Verkehrsunfall von anderen Bedingungen wie wiederkehrende Verkehrsstaus zu unterscheiden. Schlüsselwörter: automatische Störungserkennung gleitender Durchschnitt Modell stationärer Waveletabbau Tokyo Expressway 1 Einleitung Verkehrsstau ist ein wachsendes Problem in städtischen Gebieten auf der ganzen Welt. Han et al. (2007) analysiert, dass ein Großteil der Überlastung durch Störfälle verursacht wird, die sich auf nicht wiederkehrende Ereignisse wie Unfälle, Panne, Schutt, verschüttete Lasten, rauhe Witterung, vorübergehende Instandhaltung und Bautätigkeiten sowie andere ungewöhnliche oder besondere Ereignisse beziehen Die den normalen Verkehrsfluss stören. Während eines Zwischenfalls ist die normale Kapazität der Straße eingeschränkt, und Warteschlangen und Verzögerungen treten häufig auf. Jedes Jahr Autobahnen Unfälle und Hindernisse führen zu Verkehrsstaus, Umweltverschmutzung und Schäden an Eigentum, Verletzungen und Todesopfer. Eine genaue und prompte Störungserkennung ist entscheidend für die Reaktion auf solche Notfälle, um Leben zu retten, sekundäre Zwischenfälle zu vermeiden und die normalen Operationen rechtzeitig wiederherzustellen. Eine Studie (Charles 2007) ergab den zunehmenden Beitrag von Störungen zur Autobahnüberlastung und anderen Problemen hat ein starkes Interesse an der Entwicklung von effizienten und effektiven Methoden zur automatischen Erkennung von Störungen (AID) in den letzten Jahrzehnten. Heutzutage ist die Funktionalität von AID auf den Schnellstraßen ein primäres Ziel des Advanced Traffic Management Systems (ATMS), das integraler Bestandteil eines intelligenten Landverkehrssystems (ITS) ist. Das Ziel dieser Arbeit ist es, eine Methodik vorzuschlagen und zu validieren, um ein Ereignis auf der Schnellstraße zu identifizieren, das ein gleitendes Durchschnittsmodell und eine stationäre Wavelet-Zersetzung fusioniert. Die Daten werden von den Tokyo Expressway Ultraschallsensoren erfasst. In den Felddaten gibt es einige fehlende Daten, die durch Kommunikationsverzögerung sowie Stoßwelle verursacht werden, was zu einem falschen Alarm führen kann. Daher sollte die entwickelte Methodik robust sein mit diesen Geräuschen, die in realen Daten bestehen. Um dieses Problem zu lösen, wird ein MA-Modell angewendet, um die Rohdaten zuerst zu glätten. Dann wird die Wavelet-Zersetzung auf die Geschwindigkeits - und Belegungsdaten angewendet. Der Straßenverkehr unter normalen Umständen hat eine gewisse Trägheit, aber wenn ein Ereignis eintritt, ändert sich der Verkehrsflusszustand und spiegelt sich in der Leistung der Verkehrsparameter wider. Wavelet-Analyse hat gute Leistung, ideale Frequenz und lokale Merkmale in der Analyse der transienten Daten. Im Gegensatz zu anderen Wavelet-basierten Verfahren wird in diesem Papier stationäre Wavelet-Zersetzung angewendet, bei der sich der Übertragungskoeffizient des Signals nicht verschiebt und somit die Zeit des Auftretens genauer erfassen kann. Die vorgeschlagene Methodik wird mit Tokyo Metropolitan Expressway Verkehrssensoren Daten getestet. Dieses Papier ist wie folgt organisiert: Abschnitt 2 liefert die Literaturrecherche für Erkennungsalgorithmen. Abschnitt 3 bietet eine Einführung in die diskrete Wavelet-Transformation und stationäre Wavelet-Transformation. Die in dieser Studie verwendeten Ultraschallsensoren von Tokyo Metropolitan Expressway werden in Abschnitt 4 vorgestellt. Dann wird die vorgeschlagene AID-Methodik für die Schnellstraße in Abschnitt 5 beschrieben, gefolgt von den Test - und Validierungsergebnissen mit den Felddaten in Abschnitt 6. Schließlich wird die Schlussfolgerung Und Diskussion werden in Abschnitt 7 dargestellt. 2 Literaturrecherche Seit den 1970er Jahren wurden eine Reihe automatischer Erkennungssysteme entwickelt (Cook und Cleveland, 1974. Bowers et al., 1995. Dia and Rose, 1997. Cheu et al. 2004. Crabtree und Stamatiadis, 2007. Jeong et Al. 2011 und Kadali et al., 2014). AID-Systeme umfassen zwei Hauptkomponenten, Detektionstechnologie und Incident Detection Algorithmus. Die Verkehrserfassungstechnologie liefert die Verkehrsinformationen, die zum Erfassen eines Vorfalls erforderlich sind, während der Vorfalldetektionsalgorithmus diese Information interpretiert und die Anwesenheit oder Abwesenheit von Vorfällen ermittelt. Die Leistung des AID-Systems wird nach drei Hauptkriterien bewertet (Chung und Rosalion, 1999 und Jiang et al., 2001). 2.1 Leistungsbewertungskriterien Die Parameter sind die Erkennungsrate (DR), die falsche Alarmrate (FAR) und die mittlere Erkennungszeit (MTTD). Das DR ist das Verhältnis der Anzahl der detektierten Vorfälle zu der aufgezeichneten Anzahl von Vorfällen im Datensatz. Sie wird in Prozent angegeben. Die Algorithmen untersuchen Vorfälle in jedem diskreten Zeitintervall wie 20 s, 30 s und 1 min. Der FAR ist das Verhältnis von falschem Erfassungsintervall zu der Gesamtzahl der Intervalle, auf die der Algorithmus angewendet wurde. Sie wird gewöhnlich als prozentualer Anteil pro Abschnitt (zwischen der stromaufwärtigen und der stromabwärtigen Detektorstation) ausgedrückt. Wobei Nf die Anzahl des fehlerhaften Erfassungsintervalls Nt ist, die Gesamtzahl der Intervalle ist, auf die der Algorithmus angewendet wurde. Die Erfassungszeit ist die Zeitdifferenz zwischen dem Zeitpunkt, zu dem der Vorfall durch den Algorithmus erfasst wurde, und der tatsächlichen Zeit, in der das Ereignis aufgetreten ist. Die MTTD ist die durchschnittliche Zeit bis zur Erkennung über n Zwischenfälle. 2.2 Erkennungstechnologie Für das Verkehrsmanagement stehen eine Reihe von Technologien zur Verfügung, die auch zur Erkennung von Störfällen genutzt werden. Diese Technologien umfassen: Induktionsschleifendetektoren verwenden magnetische oder induktive Schleifen, die in dem Bürgersteig eingebettet sind, um das Vorhandensein eines Fahrzeugs zu detektieren, wobei die am weitesten verbreiteten Detektoren Mikrowellenradar, Infrarot-, Ultraschalldetektion und nicht aufdringliche Detektoren auf einer Struktur oberhalb der Fahrbahn montiert sind. Mikrowelle arbeitet bei jedem Wetter gut, während andere empfindlich auf Umwelteinflüsse sind Videobild-Erkennung Verarbeitung Bilder von der Kamera ist lichtempfindlich und wurde teuer, aber die Kosten fallen Fahrzeugsensoren, Li und McDonald (2005) beschrieben, dass die Installation von elektronischen Maut Tags in einem zunehmenden Anteil der Fahrzeugflotte bot die Möglichkeit, Sondenfahrzeuge als Sensoren zur Messung von Geschwindigkeiten und Reisezeiten zu verwenden. Automatische Nummernschild-Erkennungstechnologie kann alternativ verwendet werden Mobiltelefon-Standort ist ähnlich im Konzept der Fahrzeug-Sonden, aber unter Verwendung von Triangulation zur Überwachung von Fahrzeugfahrgeschwindigkeiten, daher ist es in der Lage, Vorfälle zu erkennen (Cheu et al., 2002). Wie zuvor berichtet, werden induktive Schleifendetektoren, die in dem Pflaster eingebettet sind, typischerweise verwendet, um Verkehrsdaten zu erhalten. Die Daten umfassen Geschwindigkeit, Durchfluss und Belegung und werden typischerweise in 20 s Zyklen bereitgestellt. Daten dieses Typs würden die Eingabe zu einem Erkennungsalgorithmus bilden, der ein Flag anhebt, um das Vorhandensein eines Vorfalls anzuzeigen. 2.3 Incident Erkennungsalgorithmen Viele Forschungs - und Entwicklungsarbeiten konzentrierten sich auf automatische Erkennungsalgorithmen. Diese AID-Algorithmen können in die folgenden Kategorien eingeteilt werden. (1) Vergleichsalgorithmen Vergleichsalgorithmen vergleichen die aktuellen Verkehrsbedingungen wie Volumen und Belegung mit vorgegebenen Schwellenwerten und entscheiden, ob ein Ereignis eingetreten ist oder nicht. Beispiele für Vergleichsalgorithmen umfassen den California Algorithmus, den California 7 Algorithmus, den California 8 Algorithmus und andere modifizierte oder verbesserte Mustererkennungsalgorithmen. Der California-Algorithmus (Payne et al., 1976) vergleicht Belegungen an benachbarten Detektoren im gleichen Zeitintervall und Belegungen in unterschiedlichen Zeitintervallen im gleichen Detektor. Belegungen sind 1 min Werte aktualisiert alle 20 s oder 30 s. O (i. T) steht für die mittlere Belegung des Abschnitts i zum Zeitpunkt t (min). Dann erkennt die Entscheidungsregel einen Vorfall, wenn der Wert auf der linken Seite jedes Kriteriums unten die entsprechende Schwelle zum Zeitpunkt t überschreitet. Wobei O & sub1; die Differenz zwischen dem Anteil von stromaufwärts und dem Anteil von stromabwärts O & sub2; ist, ist die relative Differenz zwischen dem Anteil von stromaufwärts und der Anteil von stromabwärts O & sub3; der relative Unterschied zwischen den benachbarten stromabwärts liegenden Anteilen in zwei Minuten T & sub1 ;. T 2 und T 3 die Prüfschwellen sind. Schematic of California Algorithmus ist in Abb. 1 ist. Feige. 1. Schema des kalifornischen Algorithmus Ein ARRB - und VicRoads-AID-Algorithmus wird ebenfalls auf der Grundlage von Geschwindigkeits-, Belegungs - und Durchflussmessungen in 20 s Zeitscheibe entwickelt (Luk 1989). Die Verkehrsparameter werden durch ein doppelinduktives Schleifensystem gemessen, wobei die Stationen 500 m voneinander entfernt liegen. (2) Statistische Algorithmen Statistische Algorithmen vergleichen die beobachteten Verkehrsdaten mit den prädizierten Verkehrsdaten und entscheiden, ob ein Unfall aufgrund statistischer Signifikanz aufgetreten ist oder nicht. Beispiele für die statistischen Algorithmen umfassen den Standard-Normalabweichungsalgorithmus und den Bayes'schen Algorithmus (Levin und Krause 1978). (3) Zeitreihenalgorithmen Zeitreihenalgorithmen (Ahmed und Cook 1982a) berechnen die kurzfristigen Prognosewerte auf der Grundlage der beobachteten Werte und die statistische Prognose der Verkehrsdaten. Signifikante Abweichungen zwischen beobachteten und prognostizierten Werten werden auf Vorfälle zurückgeführt. Beispiele für die Zeitreihenalgorithmen umfassen den doppelten exponentiellen Glättungsalgorithmus, die Detektorlogik mit Glättungsalgorithmus und den autoregressiven integrierten gleitenden Durchschnittsalgorithmus usw. (Ahmed and Cook 1982b). (4) Katastrophe-Theorie-Algorithmen Katastrophe-Theorie-Algorithmen (Persuad und Hall 1989) wie der McMaster-Algorithmus (Aultman-Hall et al., 1991, Persaud et al., 1990) ermitteln Vorfälle aus plötzlichen diskreten Veränderungen, die in einer einzigen Variablen von Interesse auftreten Wie Geschwindigkeit, Durchfluss und Belegung eine gleichmäßige und kontinuierliche Veränderung aufweisen. (5) Andere Algorithmen Diese Algorithmen umfassen Wavelet-Theorie, neuronale Netzwerkalgorithmen (Jin et al., 2002), Fuzzy-Set-Algorithmen und Videobildverarbeitung. Die Wavelet-Theorie wurde auf die Erkennung von Verkehrsstörungen angewendet, da sie überlegen war, neue Merkmale durch die Transformation zu entgiften und zu extrahieren (Ghosh-Dastidar und Adeli, 2003. Jeong et al., 2006a, Manjunath und Ravikumar, 2010 und Jeong et al. Luo et al. (2010) einen Wavelet-basierten Expressway Incident Detection Algorithmus mit adaptiven Schwellwertparametern. 3 Einführung in die diskrete Wavelet-Transformation und stationäre Wavelet-Transformation 3.1 Zerlegung und Rekonstruktion von diskreten Wavelets Die diskrete Wavelet-Zerlegung verwendet allgemein den Mallat-Algorithmus. Da die Wavelet-Transformation für unendlich lange Signale definiert ist, müssen die endlichen Längensignale erweitert werden, bevor sie transformiert werden können (Li et al., 2003). Dann werden die Koeffizienten nach der Wavelet-Zersetzung mit dem Tiefpaß und dem Hochpaßfilter und der Abwärtsabtastung (2) als Niederfrequenzsignal und Hochfrequenzsignal übertragen, die sicherstellen, daß die Menge des Datensignals nach der Wavelet-Zersetzung Bleibt unverändert (Karim und Adeli 2002). Bei der Rekonstruktion werden zunächst die Approximationskoeffizienten und Detailkoeffizienten up-sampled (2) und gefiltert, und dann passieren sie Tiefpaß - und Hochpassrekonstruktionsfilter, um jeweils die Approximationskoeffizienten aj (oder das Originalsignal f (t)) wiederherzustellen Previous level Nieder - und Hochfrequenzfilter, die im Zersetzungsfilter verwendet werden, heißen h und g. Der diskrete Wavelet-Zerlegungs - und Rekonstruktionsvorgang ist in Fig. 1 gezeigt. 2 (Jeong et al., 2006b). Feige. 2. Zerlegung und Rekonstruktion von diskreten Wavelets 3.2 Zerlegung und Rekonstruktion stationärer Wavelets Die klassische diskrete Wavelet-Transformation (DWT) hat den Nachteil, dass es sich nicht um eine zeitinvariante Transformation handelt. Das bedeutet, dass auch bei periodischer Signalverbreiterung der DWT einer übersetzten Version eines Signals X im allgemeinen nicht die übersetzte Version der DWT von X ist. Der stationäre Wavelet-Transformation (SWT) - Algorithmus wird von DWT abgeleitet, hat aber diesen Mangel nicht. SWT für einen gegebenen Näherungskoeffizienten a j (oder das ursprüngliche Signal f (t)) des vorherigen Pegels kann durch Falten des Signals mit den geeigneten Filtern wie im DWT-Fall aber ohne Abwärtsabtastung erhalten werden. Dann sind die Approximations - und Detailkoeffizienten auf Ebene j die Größe N. Was die Signallänge ist. Der diskrete Wavelet-Zerlegungs - und Rekonstruktionsvorgang ist in Fig. 1 gezeigt. 3 . Zerlegung und Rekonstruktion stationärer Wavelets Der allgemeine Schritt j fasst die Approximationskoeffizienten auf Ebene j mit aufwärts abgetasteten Versionen der entsprechenden Originalfilter zusammen, um Approximations - und Detailkoeffizienten zu erzeugen. 4 Datenerhebung und - analyse Die in diesem Papier vorgestellte Methodik wurde unter Verwendung von Daten entwickelt, die von Ultraschallsensoren auf der folgenden Seite gesammelt wurden. 4.1 Standortbeschreibung Die ausgewählte Stelle ist die Shibuya-Linie (Route 3) der Tokyo Metropolitan Expressway (Bild 4). Tokyo Metropolitan Expressway hat eine Gesamtstrecke von 301,3 km im Einsatz und ein tägliches durchschnittliches Verkehrsaufkommen von 1,114 Millionen Fahrzeugen. 4. Tokyo Metropolitan Schnellstraßennetz Tab. 1 zeigt die Verkehrsflussstatistiken der Tokyo Metropolitan Expressway vom 1. April 2010 bis zum 31. März 2011. Tab. 1. Verkehrsvolumen Schematische Darstellung des Autobahnabschnitts für die Datenerfassung. 5. Feige. 5. Schematische Darstellung des Autobahnabschnitts für die Datenerhebung 4.2 Datenbeschreibung Die Daten der Shibuya-Linie von März bis August 2010 werden einschließlich der Spitzenzeiten (07: 0009: 30 und 16: 0019: 00) und der Spitzenzeiten (09: 3016) verwendet : 00 und 19: 0007: 00). Die Datenzeichen werden wie folgt aufgelistet: Abtastperiode (1 min) Schleifendetektorintervalle (300 m über dem Durchschnitt) Datenkanal (Spur, Spur 1 und Spur 2). Ein Datenbeispiel für den Verkehrsfluss (Q), die Geschwindigkeit (V) und die Belegung (O) am Tag 2010-03-17 (Mittwoch) der Bahn 1 ist in Fig. 1 gezeigt. 6. wo ein Unfall aufgetreten ist bei 04:19 AM zwischen Upstream-Schleife Detektor 03-02-14 und Downstream-Schleife Detektor 03-02-15. Feige. 6. Rohdaten von Q. V und O der Detektoren 03-02-14 und 03-02-15 am 2010-03-17 5 Vorgeschlagene Methodik Dieses Papier schlägt eine Detektionsmethode vor, die stationäre Wavelet-Zersetzung mit MA-Modell kombiniert. Im Gegensatz zu anderen Wavelet-basierten Methoden, die vor, es zuerst glättet Rohdaten mit MA-Modell, dann verwendet stationäre Wavelet zu zerlegen. Das stationäre Wavelet hat gegenüber anderen diskreten Wavelets einen Vorteil, dass es eine genaue Rekonstruktion des Signals erreichen kann und dass sich das rekonstruierte Signal nicht verschiebt. Die folgenden Experimente zeigen, daß sie einen guten Charakter des Nachweisens des Vorfalls hat. Die Schwelle zum Auslösen eines Vorfalls wird durch das Maximum der Extraktion von normalen Datumsdaten bei wiederkehrender Verkehrsstauung bestimmt. Weitere Einzelheiten sind unten dargestellt. 5.1 Verkehrsparameterauswahl Diese Methode nutzt auch das Phänomen, dass der vorgelagerte Verkehr von Belegungen zunehmen wird und stromabwärts eine nach dem Vorfall abnimmt (7). Die Situation war komplizierter, weil es Verkehrsstaus vor dem Unfall aufgetreten. In dieser Situation ist es schwierig, Unfälle von wiederkehrenden Staus zu unterscheiden. In realen Daten gibt es auch andere Situationen, wie die in Fig. Das heißt, wenn der Unfall sehr nahe bei einer Erfassungsstation aufgetreten ist, wird die Belegung von ihr Null sein und die andere Station wird sich nicht zu viel ändern. Feige. 7. Rohdaten von Q. V und O der Detektoren 03-02-22 und 03-02-23 am 2010-03-30 In diesem Methodik-Eingang ist die Differenz der Belegungen, die stromaufwärts Belegung subtrahiert nachgeschalteten Belegung. 5.2 Rohdaten-Präprozessor Es ist offensichtlich, dass die Rohdaten Rauschen enthalten, die einen falschen Alarm der Erfassung verursachen. In dieser Anwendung wird ein MA-Modell angewendet, um Rohdaten zu glätten (Bild 8). Das Versuchsergebnis zeigt, dass es die Erkennungsrate der Methodik stark verbessern kann. Feige. 8. Roh und geglättete Daten von Q. V und O des Detektors 03-02-42 am 2010-03-30 5.3 Vorgeschlagener Methodikfluss Die vorgeschlagene Methodik wird wie folgt beschrieben. Glatte Rohdaten mit MA-Modell. Es wird eine dreischichtige stationäre Zersetzung der geglätteten Differenz zwischen der stromaufwärtigen und der stromabwärtigen Belegung durchgeführt. Berechnen Sie das Maximum der höchsten Detailschichtkoeffizienten eines normalen Tagesdaten mit Verkehrsstauung als T. Die Schwelle entspricht T plus T. T wird nach DR und FAR eingestellt. Wenn der Wert eines gewissen zeitlich höchsten Detailschichtkoeffizienten größer als der Schwellenwert ist, wird ein einfallender Alarm ausgelöst. Das Flußdiagramm ist in Fig. 1 gezeigt. 9. Feige. 9. Flussdiagramm der vorgeschlagenen Methodik für die Erkennung von Schnellstraßen Die Daten von 2010-03-30 werden als ein Beispiel gezeigt, in dem der Verkehrszustand kompliziert ist. Es enthält eine Verkehrsstauung und einen Unfalldatensatz von 11:04 Uhr zwischen den Schleifendetektoren 22 und 23 der Spur 1. Die geglätteten Unterschiede der Belegungen von drei typischen Abschnitten sind in Fig. 1 gezeigt. 10. Feige. 10. Smoothed differences of occupancies of three typical sections on 2010-03-30 The 3-layer stationary decomposition result is shown in Fig. 11. in which the horizontal line stands for calculated threshold. Traffic incident can be accurately detected in this example. Feige. 11. Comparison of wavelet decomposition results of three typical sections on 2010-03-30 7 Conclusions This paper proposed a fusing of moving average model and stationary wavelet decomposition expressway automatic incident detection methodology, which utilizes smoothed difference between the upstream and downstream occupancies as input. This methodology is applied to loop data of Shibuya Line from March to August, 2010. Experiment result shows that it is accurate and effective. It can differentiate traffic accident from other conditions such as recurring traffic congestion in complicated traffic condition. In experiments it also shows that the real traffic condition is much more complicated than a simulated one. Traffic accidents type and happening time will also affect the result greatly. Next step more research will be carried out and the methodology will compare with other popular approaches such as California algorithm. Acknowledgments The data used in this paper is from Smart Transport Research Centre of Queensland University of Technology. This research is supported by Jiangsu Provincial Government Scholarship and the National Natural Science Foundation of China (No. 51008143). References Ahmed and Cook, 1982a S. A. Ahmed. A. P. Cook Application of time-series analysis techniques to freeway incident detection Transporation Research Record. Volume 841. 1982. pp. 1921 Ahmed and Cook, 1982b S. A. Ahmed. A. R. Cook Discrete dynamic models for freeway incident detection systems Transportation Planning and Technology. Volume 7. Issue 4. 1982. pp. 231242 Aultman-Hall et al. 1991 L. Aultman-Hall. F. L. Halle. Y. Shi. Et al. Catastrophe theory approach to freeway incident detection , Proceedings of the 2nd International Conference on Applications of Advanced Technologies in Transportation Engineering, Minneapolis. 1991 Bowers et al. 1995 D. J. Bowers. R. D. Bretherton. G. T. Bowen The ASTRIDINGRID incident detection system for urban areas , Proceedings of the 2nd World Congress on Intelligent Transport Systems, Yokohama. 1995 Charles, 2007 P. Charles Traffic incident management: best practice 2007. Austroads, Sydney Cheu et al. 2002 R. L. Cheu. H. T. Qi. D. H. Lee Mobile sensor and sample-based algorithm for freeway incident detection Transportation Research Record. Volume 1811. 2002. pp. 1220 Cheu et al. 2004 R. L. Cheu. D. Srinivasan. W. H. Loo Training neural networks to detect freeway incidents by using particle swarm optimization Transportation Research Record. Volume 1867. 2004. pp. 1118 Chung and Rosalion, 1999 E. Chung. N. Rosalion Effective incident detection and management on freeways Research Report ARR. Volume 327. 1999. pp. 149 Cook and Cleveland, 1974 A. R. Cook. D. E. Cleveland Detection of freeway capacity-reducing incidents by traffic-stream measurements Transportation Research Record. Volume 495. 1974. pp. 111 Crabtree and Stamatiadis, 2007 J. D. Crabtree. N. Stamatiadis Dedicated short-range communications technology for freeway incident detection, performance assessment based on traffic simulation data Transportation Research Record. Volume 2000. 2007. pp. 5969 Dia and Rose, 1997 H. Dia. G. Rose Development and evaluation of neural network freeway incident detection models using field data Transportation Reseach Part C: Emerging Technologies. Volume 5. Issue 5. 1997. pp. 313331 Ghosh-Dastidar and Adeli, 2003 S. Ghosh-Dastidar. H. Adeli Wavelet-clustering-neural network model for freeway incident detection Computer-Aided Civil and Infrastructure Engineering. Volume 18. Issue 5. 2003. pp. 325338 Han et al. 2007 X. L. Han. C. H. Jiang. H. X. Ge. Et al. A modified coupled map car-following model based on application of intelligent transportation system and control of traffic congestion Acta Physica Sinica. Volume 56. Issue 8. 2007. pp. 43834392 Jeong et al. 2006a M. K. Jeong. J. C. Lu. X. M. Huo. Et al. Wavelet-based data reduction techniques for process fault detection Technometrics. Volume 48. Issue 1. 2006. pp. 2640 Jeong et al. 2006b M. K. Jeong. J. C. Lu. N. Wang Wavelet-based SPC procedure for complicated functional data International Journal of Production Research. Volume 44. Issue 4. 2006. pp. 729744 Jeong et al. 2011 Y. S. Jeong. M. Castro-Neto. M. K. Jeong. Et al. A wavelet-based freeway incident detection algorithm with adapting threshold parameters Transportation Research Par C: Emerging Technologies s. Volume 19. Issue 1. 2011. pp. 119 Jiang et al. 2001 G. Y. Jiang. H. M. Wen. Z. S. Yang Design of freeway automatic incident detection system and algorithm Journal of Traffic and Transportation Engineering. Volume 1. Issue 1. 2001. pp. 7781 Jin et al. 2002 X. Jin. R. L. Cheu. D. Srinivasan Development and adaptation of constructive probabilistic neural network in freeway incident detection Transportation Research Par C: Emerging Technologies. Volume 10. Issue 2. 2002. pp. 121147 Kadali et al. 2014 B. R. Kadali. N. Rathi. V. Perumal Evaluation of pedestrian mid-block road crossing behaviour using artificial neural network Journal of Traffic and Transportation Engineering: English Edition. Volume 1. Issue 2. 2014. pp. 111119 Karim and Adeli, 2002 A. Karim. H. Adeli Incident detection algorithm using wavelet energy representation of traffic patterns Journal of Transportation Engineering. Volume 128. Issue 3. 2002. pp. 232242 Levin and Krause, 1978 M. Levin. G. M. Krause Incident detection: a Bayesian approach Transportation Research Record, 682: 5258 1978 Li et al. 2003 Q. Li. J. F. Teng. X. Wang. Et al. Research of gyro signal de-noising with stationary wavelets transform , CCECE 2003 Canadian Conference on Electrical and Computer Engineering: Toward a Caring and Humane Technology, Montreal. 2003 Li and McDonald, 2005 Y. Y. Li. M. McDonald Motorway incident detection using probe vehicles Proceedings of the Institution of Civil Engineers: Transport. Volume 158. Issue 1. 2005. pp. 1115 Luk, 1989 J. Y.K. Luk An algorithm for automatic incident detection on the South Eastern Arterial 1989. Contract Report DN Luo et al. 2010 X. L. Luo. J. H. Gao. G. H. Niu. Et al. Traffic incident acoustic recognition method based on wavelet decomposition and support vector machine Journal of Traffic and Transportation Engineering. Volume 10. Issue 2. 2010. pp. 116121 Manjunath and Ravikumar, 2010 A. Manjunath. H. M. Ravikumar Comparison of discrete wavelet transform (DWT), lifting wavelet transform (LWT), stationary wavelet transform (SWT) and S-transform in power quality analysis European Journal of Scientific Research. Volume 39. Issue 4. 2010. pp. 569576 Payne et al. 1976 H. J. Payne. E. D. Helfenbein. H. C. Knobel Development and testing of incident detection algorithms. Volume 2: research methodology and detailed results FHWA 1976. DC, Washington Persaud and Hall, 1989 B. N. Persaud. F. L. Hall Catastrophe theory and patterns in 30-second freeway traffic data. Implication for incident detection Transportation Research Part A: General. Volume 23. Issue 2. 1989. pp. 103113 Persaud et al. 1990 B. N. Persaud. F. L. Halle. L. M. Hall Congestion identification aspects of the McMaster incident detection algorithm Transportation Research Record. Volume 1287. 1990. pp. 167175 Corresponding author: Edward Chung, PhD, Professor. Copyright 2014 Periodical Offices of Changan University. Production and hosting by Elsevier B. V. Open access funded by Periodical Office, Changan University Citing articles ( )