عنوان پایان‌نامه
ترکیب تخمین در شبکه های گسترده سنسوری و کاربرد آن در سیستمهای حمل و نقل هوشمند
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46572;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1792
- تاریخ دفاع
- ۰۷ مهر ۱۳۸۹
- دانشجو
- احسان جعفری
- چکیده
- این پژوهش به مسئله کاربرد ترکیب تخمین برای تخمین حالات ترافیک اختصاص¬دارد. یکی از اهداف مهم و اصلی در زمینه ترکیب تخمین، پیداکردن روش¬هایی به منظور تخمین گسترده حالات سیستم می¬باشد بگونه¬ای که عملکرد آن با حالتی¬که از یک فیلتر کالمن تغذیه¬شده با مشاهدات بدون¬پردازش سیستم استفاده¬شود (این روش معمولا ترکیب تخمین متمرکز نامگذاری می¬شود)، یکسان باشد. مدل ترافیک، یک مدل غیرخطی و مرتبه¬دوم می¬باشد که دارای تعدادی پارامتر مهم و تاثیرگذار بر عملکرد کیفی مدل می¬باشد. کلیه کارهای قبلی که در زمینه تخمین حالات ترافیک تاکنون انجام¬شده است به چگونگی تعیین پارامترهای مدل ترافیک و ارزیابی اهمیت این پارامترها بر عملکرد مدل و در نتیجه تخمین حاصل، اختصاص¬داشته¬است. در پژوهش¬های ابتدائی که در زمینه تخمین حالات ترافیک وجود دارد، این پارامترهای مدل را بصورت برون¬خط و با کمک داده¬های ترافیکی که از پیش وجود دارد تعیین می¬کردند. بدلیل ثابت نبودن این پارامترها در طی روزهای مختلف و متغیر بودن آنها با شرایط آب¬وهوا، محیطی، ترافیکی و ... این روش تخمین چندان رضایت¬بخش نبود. در سال 2005، به منظور بهبود سیستم تخمین¬زن حالات ترافیک، تخمین برخط این پارامترها با تعریف یک مدل دینامیکی برای آنها پیشنهاد و تست¬شد که نتایج آن امیدوارکننده بود. در این پژوهش ابتدا یک مقایسه جامع و کامل بین روش¬های قبلی تخمین در قالب تخمین¬زن¬های غیرتطبیقی و تطبیقی صورت¬گرفته¬است و با بررسی معایب و مزایای آنها، در نهایت یک روش مناسب برای تخمین حالات ترافیک معرفی¬شده¬است. همانطور که بیان¬شد کارهای انجام¬شده در زمینه تخمین حالات ترافیک تا کنون محدود به روش¬های کلاسیک فیلترکالمن می¬باشد و از نظریه ترکیب اطلاعات چندسنسوری که بدلیل گسترده بودن شبکه ترافیکی و متنوع¬بودن منابع جمع¬آوری داده در شبکه، بسیار کاربردی می¬باشد استفاده¬ای نشده¬است. در این پژوهش، از نظریه ترکیب اطلاعات چندسنسوری با سه رویکرد تخمین متمرکز، غیرمتمرکز و مرتبه¬ای استفاده¬شده¬است. معایب و مزایای هر کدام از این روش¬ها مورد بررسی قرارگرفته¬اند و با استفاده از نظریه ترکیب اطلاعات، روشی برای تخمین برخط پارامترهای مدل ارئه¬شده¬است که بهبود قابل ملاحظه¬ای در عملکرد تخمین¬زن ایجاد می¬کند و تخمین مطمئن و قابل اتکایی از پارامترهای مدل بدست می¬آورد. به منظور تست روش¬های استفاده¬شده در این پژوهش و مورد استناد بودن آنها، از اندازه¬گیری¬های واقعی ترافیکی یکی از بزرگراههای آمریکا، در منطقه مینسوتا استفاده¬شده¬است.
- Abstract
- The main objective of this thesis is an investigation on different fusion based methods to utilize information in multiple sets of data for the purpose of traffic state estimation. One of the main concerns in estimation fusion is how to estimate traffic states in a distributed way, while the performance of the fusion based method could be compared with the estimates of a centralized Kalman filter. A part of this research work addresses a simulation based comparison which was carried out among different methods that have been used for traffic state estimation in the literature. Meanwhile, the advantages and disadvantages of these methods have been illustrated. Almost all these methods use classis Kalman filter for traffic flow estimation task, but data fusion approach, which is capable of handling different measurement information from a variety of sources, had not been used. Besides, in the rest of this research work data fusion theory was implemented using three methods for traffic case namely, Centralized estimation, Decentralized estimation, and Hierarchical estimation. In each method, fusion concept could be considered in measurement level or state vector level or both. In this thesis, a fusion based method was proposed for estimation of the traffic model parameters which improves the performance and estimates of traffic flow estimator in comparison with the classic methods. All above mentioned methods were simulated with MATLAB for a part of highway I-94 in Minnesota, USA.
