Carnegie Mellon registrerer trafik ved hjælp af avancerede køretøjsbaserede sensordata

Forskere fra Carnegie Mellon University's Department of Civil and Environmental Engineering samarbejdede med Uber Advanced Technologies Group (Uber ATG) for bedre at forstå, hvordan avancerede køretøjsbaserede sensordata kan informere om trafikstrømsmålinger i høj opløsning.

Henry Posner, Anne Molloy, og Robert og Christine Pietrandrea lektor Sean Qian og forskningsassistent Shuguan Yang, begge medlemmer af Carnegie Mellons Mobility Data Analytics Center (MAC), medforfatter til en hvidbog informeret af Uber Advanced Technologies Groups Allison Plummer. Til formålet med denne undersøgelse, Uber gav MAC adgang til udvalgte data, herunder køretøjets rejsehastighed og trafiktæthed langs to vejsegmenter i Strip District.

Forskerne lavede et casestudie, der viser, hvordan avancerede køretøjsbaserede sensorer kan give information om trafikforhold i et givet område. Ved hjælp af historiske data, de valgte tilfælde, hvor mindst tre sensorudstyrede køretøjer havde kørt gennem et givet vejsegment. Information fra det tidspunkt, hvor det første og tredje køretøj passerede et givet punkt, gav input til deres metode, som derefter var i stand til at udsende en nøjagtig forudsigelse af trafiktætheden mellem disse tidspunkter.

Som angivet i hvidbogen, MAC demonstrerer, hvordan sensordata indsamles i dag, uafhængigt af udvikleren, der indsamler det, konceptuelt kunne åbne nye muligheder for trafikvurdering og smarte byer generelt.

Qian, direktør for MAC, og Yang planlægger at fortsætte med at teste denne tilgang over et større vejnet ved hjælp af større datasæt. De er interesserede i at sammenligne effektiviteten af ​​at bruge data fra køretøjsbaserede flydende sensorer, kontra mere traditionelle faste sensorer.