Please use this identifier to cite or link to this item: https://hdl.handle.net/10216/86699
Full metadata record
DC FieldValueLanguage
dc.creatorJorge Miguel Marques dos Reis
dc.date.accessioned2019-02-07T08:13:01Z-
dc.date.available2019-02-07T08:13:01Z-
dc.date.issued2016-10-12
dc.date.submitted2016-11-30
dc.identifier.othersigarra:163683
dc.identifier.urihttps://repositorio-aberto.up.pt/handle/10216/86699-
dc.descriptionUm dos maiores desafios propostos hoje em dia aos Sistemas de Transportes Inteligentes (ITS) é o apoio à redução do congestionamento das redes rodoviárias devido ao elevado fluxo de veículos que se dirigem diariamente para as grandes áreas metropolitanas. O sistema de gestão de tráfego NEXT, desenvolvido pela empresa Armis ITS, permite atualmente realizar previsões, em tempo real, das condições de tráfego em redes rodoviárias. A sua implementação tem como base o recurso a técnicas de simulação (abordagem model-driven) e de data mining (abordagem data-driven), através de dados históricos recolhidos de sensores nas estradas.As diferentes técnicas de previsão atualmente utilizadas geram, porém, resultados diferentes. Existe um módulo que, considerando o erro entre a previsão e a realidade, determina a eficiência de cada técnica através de uma percentagem de precisão. A escolha da técnica apropriada dependerá, em grande parte, da capacidade do sistema em identificar a situação e contexto em que uma dada técnica se destaca das restantes. Este contexto está intimamente relacionado com o estado da rede, que pode ser caracterizado por diversas métricas que condicionam a circulação automóvel, tais como o dia e hora, as condições atmosféricas, a ocorrência de incidentes ou a topologia da rede. Assim, ter conhecimento desta relação entre estado da rede e técnica apropriada é particularmente imposto pela necessidade do sistema realizar previsões em tempo real. Desta forma, o principal problema a estudar é a identificação eficiente da melhor técnica de previsão a aplicar, de entre as técnicas implementadas, em casos e situações específicas.A solução passa por estudar, analisar e implementar um módulo inteligente que, com base em técnicas de machine learning, permita decidir, considerando os vários algoritmos de previsão atualmente implementados no NEXT (simulação micro e macroscópica, redes neuronais, entre outras abordagens) e a sua precisão relativamente a cada estado da rede, qual a previsão mais adequada à situação.Como resultados espera-se melhorar a eficiência dos algoritmos de previsão, o que poderá ter um grande impacto na área de gestão e controlo de tráfego automóvel, tendo aplicação em sistemas de informação em tempo real. O desenvolvimento do projeto será orientado à sua total integração no sistema NEXT, podendo estar disponível em centros de controlo de tráfego da empresa Infraestruturas de Portugal (IP).
dc.description.abstractOne of the biggest challenges proposed nowadays to Intelligent Transportation Systems (ITS) is the support to the reduction of traffic congestions due to the high flux of vehicles that travel daily to the major metropolitan areas. The traffic management system NEXT, developed by Armis ITS company, currently allows real-time forecasting of traffic conditions on road networks. Its implementation is based on the use of simulation techniques (model-driven approach) and data mining (data-driven approach), using historical data collected from road sensors.However, the different forecasting techniques currently in use generate different results. There is a module that calculates the efficiency (percentage of accuracy) of each technique, considering the error between prediction and reality. Choosing the appropriate technique mainly depends on the system's ability to identify the situation and context where a given technique is distinguishable from the others. This context is closely related to the state of the network, which can be characterized by various metrics that influence the flux of vehicles, such as date and time, weather conditions, the occurrence of incidents or the network topology. So, be aware of the relationship between the state of the network and the suitable technique is particularly imposed by the need to make predictions in real time.This way, the main problem to be studied is the efficient identification of the best forecasting technique to apply in certain cases and situations.The solution is to study, analyze and implement an intelligent module based on machine learning techniques, to choose the best forecasting algorithm, between the various algorithms currently implemented in NEXT, considering its accuracy for each state of the network.As a result, it is expected to improve the efficiency of prediction algorithms, which can have a big impact on the management and control of road traffic, and can be applyed in real time information systems.The project development will be guided to full integration into NEXT system, and may be available in traffic control centers of Infraestruturas de Portugal (IP).
dc.language.isopor
dc.rightsopenAccess
dc.subjectEngenharia electrotécnica, electrónica e informática
dc.subjectElectrical engineering, Electronic engineering, Information engineering
dc.titlePrevisão em tempo real de condições de tráfego em redes veiculares
dc.typeDissertação
dc.contributor.uportoFaculdade de Engenharia
dc.identifier.tid201662159
dc.subject.fosCiências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática
dc.subject.fosEngineering and technology::Electrical engineering, Electronic engineering, Information engineering
thesis.degree.disciplineMestrado Integrado em Engenharia Informática e Computação
thesis.degree.grantorFaculdade de Engenharia
thesis.degree.grantorUniversidade do Porto
thesis.degree.level1
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
163683.pdfPrevisão em tempo real de condições de tráfego em redes veiculares2.17 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.