Ett team av forskare vid University of Memphis har nyligen utvecklat ett billigt och portabelt trafikövervakningssystem (TMS) som heter DeepWiTraffic. Detta nya system, presenteras i en tidning förpublicerad på arXiv, kombinerar Wi-Fi-enheter och djupinlärning.

TMS är en nyckelkomponent i intelligenta transportsystem (ITS), som syftar till att förbättra säkerheten och effektiviteten för transporter. TMS samlar in trafikdata relaterad till ett vägsystems prestanda, mätparametrar som antal passerande fordon, såväl som fordonstäthet, fart, och klass.

I USA, Department of Transportation (DOT) i varje stat har till uppgift att samla in trafikinformation om fordon som färdas över motorvägar och vägar. De TMS som används för att automatiskt räkna och klassificera fordon kan vara antingen tillfälliga eller permanenta.

"En endemisk fråga för många statliga DOT:er är den höga kostnaden för att distribuera ett tillräckligt antal TMS:er för att täcka det gigantiska landområdet i USA, speciellt med tanke på de enorma milen (119, 247) av landsvägar, " skrev forskarna i sin uppsats. "Enligt Georgia DOT, minimikostnaden för att installera en kontinuerlig TMS på en tvåfilig landsbygdsväg är cirka 25 USD, 000, och 365-dagars fordonsklassificering på en tvåfilig landsbygdsväg är dyrare, kostar ca $35, 770."

I deras senaste studie, forskarna tog sig an de utmaningar som är förknippade med de höga kostnaderna för befintliga TMS genom att utveckla ett innovativt och billigt tillvägagångssätt för trafikövervakning baserad på Wi-Fi-kanaltillståndsinformation (CSI) och djupinlärning. Deras TMS använder icke-påträngande fordonsdetektering och klassificeringstekniker, använder distinkta trådlösa kanalegenskaper för att klassificera passerande fordon.

"DeepWiTraffic möjliggör exakt fordonsdetektering och klassificering genom att utnyttja den unika WiFi-kanaltillståndsinformationen (CSI) för passerande fordon, " förklarade forskarna i sin uppsats. "Spatiala och tidsmässiga korrelationer av förbehandlade CSI-amplitud- och fasdata identifieras och analyseras med hjälp av djupinlärning för att klassificera fordon i fem olika typer:motorcykel, personbil, SUV, pickup, och stor lastbil."

I trådlös kommunikation, CSI hänvisar till kanalegenskaperna för en kommunikationslänk, som beskriver hur signalen färdas från sändaren till mottagaren. CSI innehåller omfattande information om förändringar i kanalegenskaperna orsakade av passerande fordon, som kan användas för att klassificera fordon.

Forskarna designade ett konvolutionellt neuralt nätverk (CNN) som automatiskt kan fånga de optimala funktionerna i CSI-data och tränade sedan en fordonsklassificeringsmodell på förbehandlade CSI-data. De använde också andra tekniker för att förbättra modellens klassificeringsnoggrannhet, till exempel, genom att mildra effekterna av hinder kring fordon, inklusive föremål eller människor som rör sig i låg hastighet.

DeepWiTraffic testades på en stor mängd CSI-data från förbipasserande fordon och motsvarande videodata från marken, totalt cirka 120 timmar. Den uppnådde en genomsnittlig detekteringsnoggrannhet på 99,4 procent och en genomsnittlig klassificeringsnoggrannhet på 91,1 procent, trots den låga kostnaden på ungefär $1000.

"Trots den låga kostnaden för det föreslagna systemet, den genomsnittliga klassificeringsnoggrannheten för fem olika fordonstyper var 91,1 procent, som är jämförbar med nya icke-påträngande lösningar för fordonsklassificering, " skrev forskarna i sin uppsats. "Vi förväntar oss att DeepWiTraffic kommer att bidra till att lösa kostnadsfrågan för att distribuera ett stort antal TMS:er för att täcka de enorma milen av landsbygdsmotorvägar."

© 2019 Science X Network