Onda média móvel no Brasil

Olá, depois de tentar discutir isso no fórum nacional sem sucesso, estou tentando uma sorte em uma comunidade mais ampla. Estou experimentando com uma transformada wavelet em MATLAB por causa de seus propósitos bem conhecidos - análise multi-revolucionária, remoção de recursos, extração de recursos, pré-processamento de sinal para NNs, etc. Estou considerando usá-lo como base para melhorar os indicadores básicos - redução de ruído, substituição De MAs, etc. Os resultados usando dados históricos são muito bons, mas a principal questão que enfrento são os efeitos de borda (artefatos de fronteira). Isso diminui significativamente o desempenho do WT usando dados em tempo real (amostras xxx passadas por janelas). Pergunto-me se alguns de vocês estão usando indicadores baseados em WT comercialmente disponíveis (TS Research Group, Pilgrimm), qual a sua experiência, eles também sofrem de artefatos de fronteira. Apenas para ser mais preciso, o método que estou tentando é redundante (não-dependente) , Mudança de transformação invariante. Eu tentei várias caixas de ferramentas - caixa de ferramentas wavelet matlab, Wavelab802 (donoho e co.), Pieflab, ainda sem muito sucesso no desempenho em tempo real. Thx para as respostas Estou feliz em conhecer uma pessoa com os mesmos interesses :) Eu comecei a jogar com wavelets também, mas eu não me incomodava com comercial soft - procedeu diretamente ao Matlab :) Eu não consegui processar em tempo real, apenas expirando offline. Que tipo de problemas e em que casos você expiria Estou trabalhando com a DWT (as rotinas de cadência de cadência), eles parecem estar funcionando muito rápido. Afinal, se você conseguir trabalhar com o modelo, sempre é possível codificar em C :) há muitas bibliotecas opensource em todos os casos. Por sinal, ficaria feliz se discutimos aqui alguns aspectos da aplicação de wavelets à análise de mercado. Eu tenho as seguintes perguntas: 1. A aproximação Wavelet do nível Nth parece ser uma substituição perfeita para o MA. Não tem um atraso e segue melhor a tendência. Mas o que acontece com os efeitos colaterais Como lidar com isso Qual é o melhor método de preenchimento Talvez seja permitido algum subsídio (algum atraso artificial) para eliminar o efeito colateral 2. Qual o wavelet adequado para análise de dados de preços Atualmente, estou usando Wavelet Meyer para suavizar o gráfico. Na imagem abaixo - a linha vermelha é a aproximação do 5º nível - a linha verde é a aproximação do 3º nível. Seria interessante saber como você usa ondas. -. ) É bom ver alguém lutando com isso também. Bem, não apenas para ver a luta, mas as possíveis soluções, no entanto, eu estive fora desse trabalho por algum tempo, então estou escrevendo para responder o mais rápido possível para manter esse tópico e precisaria de algum tempo para entrar nessas coisas novamente, Mas eu ainda acho que vale a pena. Como você observou também, o maior problema é os efeitos de limites. Bem, acho que o preenchimento simples não seria suficiente para obter resultados razoáveis. Ainda tenho alguns documentos científicos que colocam alguns deles e se eu me lembro corretamente, algumas palavras-chave para isso foram: extrapolação - isso pode ser facilmente testado em matlab (não muito bons resultados) construção de wavelets de fronteira - para ser sincero, ainda estou um pouco confuso com Essas ferramentas de abordagem. Você está usando apenas a caixa de ferramentas de wavelet matlab padrão encontrada na caixa de ferramentas do professor Donohoampco. Chamado wavelab802. Ele contém vários algoritmos marcados como corrigidos por limites (ou sometginh como esse), mas não consegui obter melhores resultados com eles, no entanto, acho que não estava usando essas ferramentas corretamente - isso é para um estudo mais aprofundado. Você usa a versão decimada ou não decimada (mudança invariante) da transformação, acho que dizimada é ok se você se concentrar no resultado inversamente transformado após o arranque, por exemplo, mas não é adequado para a extração de recursos usando o NN. Para você, segunda pergunta, acho que tenho algum documento avaliando diferentes wavelets para séries temporárias financeiras, eu tentarei encontrá-lo. Então eu recomendo que você dê uma olhada no wavelab802, eu tento publicar alguns pensamentos durante a semana, porque, como eu disse, purguei isso tão rapidamente quanto pude. Ja ponimaju, nemnogo :) parece-me que a simples extrapolação de quotmirrorquot (quotSymmetrizationation) funciona bastante bem. De fato, o efeito de limite torna-se visível apenas em um coeficiente de wavelet de alto nível. Isso corresponde às minhas necessidades bastante bem. Sim, eu uso apenas caixa de ferramentas Wavelet. Ive baixado o wavelab recentemente, mas não olhei para ele. Você obteve resultados significativamente melhores com isso. Não uso métodos não dizimados. Eu uso wavelets para detecção de tendências a longo e curto prazo. Na verdade, tudo o que preciso agora é apenas um filtro de pré-processamento antes de algum mecanismo de inferência. Decidi fazer um algoritmo de detecção de canais baseado em lógica difusa. É assim que estou tentando fazê-lo funcionar: s1 std. Desvio da regressão linear para os últimos 3 pontos máximos s2 std. Desvio da regressão linear para os últimos 3 min pontos k coeficiente de paralelidade entre a regressão linear dos pontos máximo e mínimo. Aqui está a regra difusa: a s1 é baixa e s2 é baixa e k é alta Por exemplo, aqui temos a0,8 Eu não sei se isso é realmente interessante, mas eu tentarei fazê-lo funcionar :) O que você acha da idéia, parece que eu sou que a extrapolação quotmirrorquot simples (quotSymmetrizationation) funciona bastante bem. De fato, o efeito de limite torna-se visível apenas em um coeficiente de wavelet de alto nível. Isso corresponde às minhas necessidades bastante bem. Eu também estou interessado em wavelets, mas não tenho acesso a softwares convenientes como mathlab. Posso perguntar como você obteve as curvas mostradas acima. Quão longe você escorregou a entrada entre transformações? Para fins de compressão, acho que você deslizaria a janela de entrada um tamanho de janela completo, mas para filtragem de sinal em tempo real parece que você pode deslizar a janela de entrada Apenas uma amostra por vez. Isso resultaria no que se denomina repintar. A segunda questão é se as curvas representam uma previsão de amostra única ou filtragem. Por predição, quero dizer que você tira a transformação, joga fora alguns coeficientes, toma a transformada inversa e amplia uma amostra. Parece que a extrapolação do espelho desperdiçaria muito mal. Ao filtrar, você simplesmente não faz a extensão. Tenho sentido que a tarefa que estou tentando resolver agora é uma detecção de quotchannelquot. Ou seja, estou tentando fazer um algoritmo que faria uma estimativa de suporte e níveis de resistência com base nas recentes variações do preço. Então, não me aproximei das técnicas de extrapolação. A única coisa que fiz foi filtrar com extrapolação baseada em espelho. Quanto à segunda questão - as curvas apresentadas são apenas resultados de filtragem. Eu não tive tempo para continuar com os meus vencimentos por algumas semanas, mas espero que possa voltar a isso em breve) Dados de precipitação analisando o uso de modelo de média móvel (MA) e modelo inteligente de múltiplas resoluções wavelet para avaliação de ruído para melhorar a precisão de previsão. Cite this Artigo como: Akrami, SA El-Shafie, A. Naseri, M. et al. Neural Comput Applic (2017) 25: 1853. doi: 10.1007s00521-014-1675-0 A previsão de precipitação e a aproximação da sua magnitude têm um papel enorme e imperativo na gestão da água e na previsão de escoamento. O objetivo principal deste trabalho é obter a relação entre as séries temporais de precipitação obtidas da transformada wavelet (WT) e da média móvel (MA) na bacia do rio Klang, na Malásia. Para este fim, os Haar e Dmey WTs foram aplicados para decompor as séries temporais de precipitação em 7, 10 diferentes níveis de resolução, respectivamente. Vários estudos de caso de pré-processamento baseados em mestras de 2, 3, 5, 10, 15, 20, 25 e 30 meses foram realizados para descobrir uma tendência de longo prazo em comparação com um MA de curto prazo. As informações e os dados foram recolhidos da barragem de Klang Gates, na Malásia, de 1997 a 2008. Quanto ao comportamento, as séries temporais de precipitação de 10, 15, 20 e 30 dias são decompostas em aproximação e coeficiente de detalhes com diferentes tipos De WT. O coeficiente de correlação R 2 e os critérios de erro do quadrado médio da raiz são aplicados para examinar o desempenho dos modelos. Os resultados mostram que existem algumas semelhanças entre os filtros MA e os filtros da sub-série de aproximação wavelet devido à eliminação do ruído. Além disso, os resultados obtidos que a alta correlação com MAs podem ser alcançados através de Dmey WT em comparação com wavelet Haar para dados de precipitação. Além disso, sinais limpos podem ser usados ​​como entradas de modelo para melhorar o desempenho do modelo. Portanto, as técnicas de decomposição de sinal com o objetivo de pré-processamento de dados podem ser favoráveis ​​e podem ser apropriadas para a eliminação dos erros. Coeficientes de decomposição Dmey wavelet Onda de Haar Média em movimento Precisão de previsão Referências Akrami SA, Nourani V, Hakim SJS (2017) Desenvolvimento de modelo não-linear baseado em wavelet-ANFIS para previsão de precipitação na represa Klang Gates. Water Resour Manag 28 (10): 29993018 CrossRef Google Scholar Cannas B, Fanni A, Ver L, Sias G (2006) Pré-processamento de dados para a previsão de fluxo de rio usando redes neurais: transformações wavelet e particionamento de dados. Phys Chem Earth 31: 11641171 CrossRef Google Scholar Chang FJ, Chen L (1998) Algoritmo genético codificado real para o gerenciamento de reservatórios de controle de inundação baseado em regras. Water Resour Management 12 (3): 185198 CrossRef Google Scholar Chen GY, Bui TD, Krzyzak A (2009) Reconhecimento de padrões invariantes usando radon, wavelet complexo de duas árvores e transformadas de Fourier. Pattern Recognition 42: 20172019 CrossRef MATH Google Scholar Chen RJC, Bloomfield P, Fu JS (2003) Uma avaliação de métodos de previsão alternativos para visitas recreativas. J livres Res 35 (4): 441454 Google Scholar Earth Observation Center, Universiti Kebangsaan Malásia (UKM), Malásia 2017 Fonseca ES, Guido RC, Scalassara PR (2007) Análise de frequência de onda de onda e máquinas de vetores de apoio de mínimos quadrados para a identificação de distúrbios de voz . Comput Biol Med 37: 571578 CrossRef Google Scholar Fu Y, Serrai H (2017) Imagem espectroscópica de ressonância magnética rápida (MRSI) usando codificação wavelet e imagem paralela: resultados in vitro. J Magn Reson 211: 4551 CrossRef Google Scholar Genovese L, Videaud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF (2017) Daubechies wavelets para cálculos de estrutura eletrônica de alto desempenho. CR Mec 339: 149164 CrossRef MATH Google Scholar Lisi F, Nicolis O, Sandri M (1995) Combinando análises de espectro singular e redes neurais para previsão de séries temporais. Neural Process Lett 2 (4): 610 CrossRef Google Scholar Maier HR, Dandy GC (2000) Redes neuronais para a previsão e previsão de variáveis ​​de recursos hídricos: uma revisão de problemas de modelagem e aplicações. Modelo Environ Model: 15: 101123 CrossRef Google Scholar Mallat SG (1998) Uma turnê wavelet de processamento de sinal. Academic Press, San Diego MATH Google Scholar Masset P (2008) Análise de séries temporais financeiras utilizando métodos de Fourier e Wavelet, Universidade de Friburgo (Suíça) Faculdade de Ciências Econômicas e Sociais Newbold P, Carlson WL, Thorne BM (2003) Estatísticas para Negócios e economia (quinta versão). Prentice Hall, Upper Saddle River Google Scholar Nourani V, Komasi M, Mano A (2009) Uma abordagem de onda múltipla multivariada para a modelagem de precipitação-escoamento. Water Resour Manag 23: 28772894 CrossRef Google Scholar Partal T, Kisi O (2007) Wavelet e modelo de conjunção neuro-fuzzy para a previsão de precipitação. J Hydrol 342: 199212 CrossRef Google Scholar Rioul O, Vetterli M (1991) Wavelets e processamento de sinal. Revista IEEE SP. Pp 1438 Serrai H, Senhadji L (2005) Redução do tempo de aquisição na imagem espectroscópica de ressonância magnética usando codificação discreta de wavelet. J Magn Reson 177: 2230 CrossRef Google Scholar Shafiekhah M, Moghaddam MP, Sheikh El Eslami MK (2017) Previsão de preços dos mercados de eletricidade diária usando um método de previsão híbrido. Energy Convers Manag 52: 21652169 CrossRef Google Scholar Sifuzzaman M, Islamand MR, Ali MZ (2009) Aplicação da transformada wavelet e suas vantagens em comparação com a transformada fourier. J Phys Sci 13: 121134 Google Scholar Syed AR, Aqil B, Badar S (2010) Previsão de carga de tráfego de rede usando filtros de wavelet e modelo de média móvel autônomo sazonal. Int J Comput Electr Eng 2 (6): 17938163 Google Scholar Wu CL, Chau KW, Li YS (2009) Métodos para melhorar o desempenho da rede neural na previsão dos fluxos diários. J Hydrol 372: 8093 CrossRef Google Scholar Yang X, Ren H, Li B (2008) Codificação embutida de wavelets de árvore zero com base em agrupamentos flexíveis adaptativos para compressão de imagens. Image Vis Comput 26: 812819 CrossRef Google Scholar Zhao X, Ye B (2010) Transformação de pacotes wavelet de convolução e suas aplicações para processamento de sinal. Processo de sinal de dígito 20: 13521364 CrossRef Google Scholar Informações de direitos autorais The Natural Computing Applications Forum 2017 Autores e afiliações Seyed Ahmad Akrami 1 Email autor Ahmed El-Shafie 1 Mahdi Naseri 2 Celso AG Santos 3 1. Departamento de Engenharia Civil e Estrutural Universiti Kebangsaan Malásia (UKM ) Bangi Malásia 2. Departamento de Engenharia Civil Universidade de Birjand Birjand Irã 3. Departamento de Engenharia Civil e Ambiental Universidade Federal de Paraba Joo Pessoa Brasil Sobre este artigo Imprimir ISSN 0941-0643 Online ISSN 1433-3058 Nome do editor Springer LondonFusing modelo médio móvel e Decomposição de wavelet estacionária para detecção automática de incidentes: estudo de caso da Expressway de Tóquio Qinghua Liu 1,2 Edward Chung 3 ,. Liujia Zhai 1 1 Escola de Ciências da Computação e Engenharia, Jiangsu Universidade de Ciência e Tecnologia, Zhenjiang, Jiangsu, China 2 Escola de Engenharia de Transportes, Universidade de Tongji, Xangai, China 3 Smart Transport Research Center, Queensland University of Technology, Brisbane, Queensland, Austrália Disponível on-line 24 de fevereiro de 2017. O congestionamento do tráfego é um problema crescente nas áreas urbanas em todo o mundo. O setor de transportes esteve em estudo de evento de swing completo em sistema de transporte inteligente para detecção automática. A funcionalidade da detecção automática de incidentes nas vias expressas é um dos principais objetivos do sistema avançado de gerenciamento de tráfego. A fim de salvar vidas e prevenir incidentes secundários, é necessária uma detecção precisa e precisa de incidentes. Este artigo apresenta uma metodologia que integra o modelo de média móvel (MA) com decomposição de wavelet estacionária para detecção automática de incidentes, em que parâmetros de coeficiente de camada são extraídos da diferença entre a ocupação a montante e a jusante. Ao contrário de outros métodos baseados em wavelets apresentados anteriormente, primeiro suaviza os dados brutos com o modelo MA. Em seguida, ele usa wavelet estacionário para se decompor, o que pode conseguir uma reconstrução precisa do sinal e não altera os coeficientes de transferência de sinal. Assim, pode detectar os incidentes com mais precisão. O limite para ativar o alarme incidente também é ajustado de acordo com a condição de tráfego normal com congestionamento. A metodologia é validada com dados reais de sensores ultra-sônicos da Tokyo Expressway. Os resultados experimentais mostram que é preciso e eficaz, e que pode diferenciar o acidente de trânsito de outras condições, como o congestionamento de tráfego recorrente. Palavras-chave: detecção automática de incidentes modelo móvel padrão de decomposição estacionária de wavelets Tokyo Expressway 1 Introdução O congestionamento do tráfego é um problema crescente nas áreas urbanas em todo o mundo. Han et al. (2007) analisaram que grande parte do congestionamento é causada por incidentes, que se referem a eventos não recorrentes como acidentes, desagregações, detritos, cargas derramadas, clima inclemente, manutenção temporária e atividades de construção, bem como outros eventos especiais ou não usuais Que perturbam o fluxo normal de tráfego. Durante um incidente, a capacidade normal da estrada é restrita e as filas e atrasos geralmente ocorrem. Todos os anos, os acidentes e obstruções das vias rápidas resultam em congestionamento de trânsito, poluição ambiental e danos na propriedade, ferimentos pessoais e fatalidades. A detecção precisa e precisa de incidentes é crucial para a resposta a tais emergências, a fim de salvar vidas, prevenir incidentes secundários e restaurar as operações normais em tempo hábil. Um estudo (Charles 2007) revelou a crescente contribuição dos incidentes para o congestionamento da via expressa e outros problemas geraram um forte interesse no desenvolvimento de métodos de detecção automática de incidentes (AID) eficientes e eficazes nas últimas décadas. Atualmente, a funcionalidade do AID nas vias rápidas é um dos principais objetivos do sistema avançado de gerenciamento de tráfego (ATMS), que é um componente integral de um sistema de transporte inteligente (ITS) do país. O objetivo deste artigo é propor e validar uma metodologia para detectar o incidente na fusão do modelo de média móvel e na decomposição da wavelet estacionária. Os dados são adquiridos a partir de sensores de ultra-som Tokyo Expressway. Nos dados de campo, existem dados faltantes causados ​​por atraso de comunicação e onda de choque, o que pode causar falso alarme. Portanto, a metodologia desenvolvida deve ser robusta, com esses ruídos consistindo em dados reais. Para resolver este problema, um modelo de MA é aplicado para suavizar primeiro os dados brutos. Em seguida, a decomposição wavelet é aplicada na velocidade e nos dados de ocupação. O fluxo de tráfego rodoviário em circunstâncias normais tem certa inércia, mas quando ocorre um evento, o estado do fluxo de tráfego muda e reflete no desempenho dos parâmetros de tráfego. A análise Wavelet tem bom desempenho, freqüência ideal e características locais na análise de dados transitórios. Ao contrário de outros métodos baseados em wavelets apresentados anteriormente, nesta decomposição estacionada de papel está implantada, em que o coeficiente de transferência do sinal não se desloca e, assim, pode detectar o tempo do incidente com mais precisão. A metodologia proposta é testada com os dados dos sensores de trânsito da estação metropolitana de Tóquio. Este artigo está organizado da seguinte forma: a Seção 2 fornece a revisão da literatura para algoritmos de detecção de incidentes. A Seção 3 fornece uma introdução à transformação discreta de wavelet e à transformação de wavelet estacionária. Os dados de sensores ultra-sônicos da Expressway Metropolitana de Tóquio utilizados neste estudo são introduzidos na Seção 4. Em seguida, a metodologia de AID proposta para a via expressa é descrita na Seção 5. Seguindo os resultados de teste e validação com os dados de campo na Seção 6. Finalmente, a conclusão E a discussão são apresentadas na Seção 7. 2 Revisão da literatura Desde a década de 1970, vários sistemas de detecção automática de incidentes foram desenvolvidos (Cook e Cleveland, 1974. Bowers et al., 1995. Dia e Rose, 1997. Cheu et al., 2004. Crabtree e Stamatiadis, 2007. Jeong et Al. 2017 e Kadali et al., 2017). Os sistemas AID envolvem dois componentes principais, tecnologia de detecção e algoritmo de detecção de incidentes. A tecnologia de detecção de tráfego fornece as informações de trânsito necessárias para detectar um incidente enquanto o algoritmo de detecção de incidentes interpreta essa informação e verifica a presença ou ausência de incidentes. O desempenho do sistema AID é avaliado por três critérios principais (Chung e Rosalion, 1999 e Jiang et al., 2001). 2.1 Critério de avaliação do desempenho Os parâmetros são taxa de detecção (DR), taxa de falso alarme (FAR) e tempo médio de detecção (MTTD). O DR é a proporção do número de incidentes detectados para o número de incidentes registrados no conjunto de dados. É dado como uma porcentagem. Os algoritmos examinam incidentes em cada intervalo de tempo discreto, como 20 s, 30 s e 1 min. O FAR é a proporção de intervalo de detecção incorreta para o número total de intervalos aos quais o algoritmo foi aplicado. Geralmente, é expresso como porcentagem por seção (entre a estação de detecção a montante e a jusante). Onde N f é o número de intervalo de detecção incorreta N t é o número total de intervalos aos quais o algoritmo foi aplicado. O tempo de detecção é a diferença horária entre o momento em que o incidente foi detectado pelo algoritmo eo tempo real em que ocorreu o incidente. O MTTD é o tempo médio de detecção em relação a incidentes n. 2.2 Tecnologia de detecção Uma série de tecnologias estão disponíveis para gerenciamento de tráfego, que também são usadas para detectar incidentes. Essas tecnologias incluem: detectores de loop indutivo usam loops magnéticos ou indutivos embutidos no pavimento para detectar a presença de um veículo, detectores de radar de microondas, detectores ultra-sônicos, detetores não invasivos, detectados mais comummente, montados em uma estrutura acima da estrada. O microondas funciona bem em todos os períodos de tempo, enquanto outros são sensíveis aos efeitos ambientais. A detecção de imagens de vídeo que processa as imagens da câmera é sensível à luz e tem sido caro, mas os custos estão caindo nas sondas do veículo, Li e McDonald (2005) descreveram que a instalação do pedágio eletrônico As tags em uma proporção crescente da frota de veículos forneceram a oportunidade de usar veículos de sondagem como sensores para medir a velocidade e o tempo de viagem. A tecnologia automática de reconhecimento de placa de número pode ser usada, alternativamente, a localização do telefone celular é semelhante ao conceito de sondas de veículos, mas usando triangulação para monitorar as velocidades de viagem do veículo, portanto, é capaz de detectar incidentes (Cheu et al., 2002). Conforme relatado anteriormente, os detectores de loop indutivos embutidos no pavimento geralmente são usados ​​para obter dados de tráfego. Os dados compreendem velocidade, fluxo e ocupação e geralmente são fornecidos em ciclos de 20 s. Os dados desse tipo formam a entrada para um algoritmo de detecção de incidentes, que levaria uma bandeira para indicar a presença de um incidente. 2.3 Algoritmos de detecção de incidentes Muitos trabalhos de pesquisa e desenvolvimento se concentraram em algoritmos de detecção automática de incidentes. Estes algoritmos AID podem ser classificados nas seguintes categorias. (1) Algoritmos de comparação Os algoritmos de comparação comparam as condições atuais do tráfego, como o volume e a ocupação, até os limiares predefinidos e decidem se ocorreu ou não um incidente. Exemplos de algoritmos de comparação incluem algoritmo da Califórnia, algoritmo da Califórnia 7, algoritmo da Califórnia 8 e outros algoritmos de reconhecimento de padrões modificados ou melhorados. O algoritmo de Califórnia (Payne et al., 1976) compara ocupação em detectores vizinhos no mesmo intervalo de tempo e ocupação em diferentes intervalos de tempo no mesmo detector. Ocupações são valores de 1 min atualizados a cada 20 s ou 30 s. O (i. T) representa a ocupação média da seção i no tempo t (min). Em seguida, a regra de decisão detecta um incidente quando o valor no lado esquerdo de cada critério abaixo excede o limite correspondente no tempo t. Onde O 1 é a diferença entre a parcela de upstream e a parcela de O2 a jusante é a diferença de diferença relativa, a parcela de upstream e a participação de O3 a jusante é a diferença relativa entre as ações a jusante adjacentes em dois minutos T 1. T 2 e T 3 são os limiares de teste. O algoritmo Schematic of California é mostrado na Fig. 1. FIG. 1. Esquema do algoritmo da Califórnia Um algoritmo AID ARRB e VicRoads também é desenvolvido com base em medidas de velocidade, ocupação e fluxo em fatia de tempo de 20 s (Luk 1989). Os parâmetros de tráfego são medidos por um sistema de circuito duplo indutivo, com estações localizadas a 500 m de distância. (2) Algoritmos estatísticos Os algoritmos estatísticos comparam os dados de tráfego observados com os dados de tráfego previstos e decidem se um acidente ocorreu ou não com base em significância estatística. Exemplos de algoritmos estatísticos incluem o algoritmo de desvio normal padrão eo algoritmo bayesiano (Levin e Krause, 1978). (3) Algoritmos de séries temporais Os algoritmos de séries temporais (Ahmed e Cook 1982a) calculam os valores de previsão de curto prazo com base nos valores observados e na previsão estatística de dados de tráfego. Desvios significativos entre valores observados e de previsão são atribuídos a incidentes. Exemplos de algoritmos de séries temporais incluem o algoritmo de suavização exponencial dupla, a lógica do detector com o algoritmo de suavização e o algoritmo de média móvel integrado autoregressivo, etc. (Ahmed e Cook, 1982b). (4) Algoritmos da teoria da catástrofe Os algoritmos da teoria da catástrofe (Persuad e Hall 1989), como o algoritmo McMaster (Aultman-Hall et al., 1991 Persaud et al., 1990) detectam incidentes de mudanças discretas súbitas que ocorrem em uma única variável de interesse enquanto outras Variáveis ​​relacionadas, como velocidade, fluxo e ocupação, apresentam uma mudança suave e contínua. (5) Outros algoritmos Esses algoritmos incluem a teoria das ondas, algoritmos de redes neurais (Jin et al., 2002), algoritmos de conjuntos difusos e processamento de imagens de vídeo. A teoria das ondas foi aplicada à detecção de incidentes de trânsito devido à sua capacidade superior de desmantelar e extrair novos recursos através da transformação (Ghosh-Dastidar e Adeli, 2003. Jeong et al., 2006a. Manjunath e Ravikumar, 2010 e Jeong et al., 2017). Luo et al. (2010) propuseram um algoritmo de detecção de incidente de via rápida baseado em wavelets com parâmetros de limite adaptativo. 3 Introdução à transformada de wavelet discreta e à transformada de wavelet estacionária 3.1 Decomposição e reconstrução da wavelet discreta A decomposição de wavelet discreta geralmente usa o algoritmo de Mallat. Uma vez que a transformada wavelet é definida para sinais de comprimento infinito, os sinais de comprimento finito devem ser estendidos antes de serem transformados (Li et al., 2003). Em seguida, após a decomposição das ondas com o filtro passa-baixa e de passagem alta e amostragem descendente (2), os coeficientes são transferidos como um sinal de baixa freqüência e um sinal de alta freqüência que garante que a quantidade de sinal de dados após a decomposição wavelet Permanece inalterado (Karim e Adeli, 2002). Na reconstrução, em primeiro lugar, os coeficientes de aproximação e os coeficientes de detalhe são amostrados (2) e filtrados, e depois passam os filtros de passagem passa-baixa e de passagem alta, respectivamente, para recuperar os coeficientes de aproximação aj (ou o sinal original f (t)) de Nível anterior. Os filtros de baixa e alta freqüência usados ​​no filtro de decomposição são chamados h e g. O processo discreto de decomposição e reconstrução da onda é mostrado na Fig. 2 (Jeong et al., 2006b). FIG. 2. Decomposição e reconstrução da wavelet discreta 3.2 Decomposição e reconstrução da wavelet estacionária A transformada discreta de wavelet discreta (DWT) sofre uma desvantagem de que não é uma transformação invariante no tempo. Isso significa que, mesmo com extensão de sinal periódica, o DWT de uma versão traduzida de um sinal X não é, em geral, a versão traduzida do DWT de X. O algoritmo de transformação wavelet estacionária (SWT) é derivado do DWT, mas não possui essa deficiência. SWT para um determinado coeficiente de aproximação, um j (ou o sinal original f (t)) do nível anterior pode ser obtido convolvendo o sinal com os filtros apropriados, como no caso DWT, mas sem down-sampling. Então, os coeficientes de aproximação e detalhe no nível j são de tamanho N. Qual é o comprimento do sinal. O processo discreto de decomposição e reconstrução da onda é mostrado na Fig. 3. Decomposição e reconstrução da wavelet estacionária O passo geral j convolve os coeficientes de aproximação no nível j com as versões amostradas acima dos filtros originais apropriados para produzir coeficientes de aproximação e detalhe. 4 Recolha e análise de dados A metodologia apresentada neste trabalho foi desenvolvida utilizando dados coletados de sensores ultra-sônicos no seguinte site. 4.1 Descrição do site O site selecionado é Shibuya Line (Route 3) da Tokyo Metropolitan Expressway (Fig. 4). A Via expressa Metropolitana de Tóquio possui uma rota total de 301,3 km em serviço e um volume de tráfego diário médio de 1,114 milhões de veículos Fig. 4. Rede táxônica de metrô de Tóquio Tab. 1 abaixo mostra as estatísticas do fluxo de tráfego da Expressway Metropolitana de Tóquio de 1 de abril de 2010 a 31 de março de 2017. Tab 1. Volume de tráfego O esquema da seção de via expressa usado para coleta de dados é mostrado na Fig. 5. FIG. 5. Esquema da seção da via expressa usada para coleta de dados 4.2 Dados descrição Os dados da linha de Shibuya de março a agosto de 2010 são usados ​​incluindo horário de pico (07: 0009: 30 e 16: 0019: 00) e horário de pico (09: 3016 : 00 e 19: 0007: 00). Os caracteres de dados estão listados da seguinte forma: intervalos de detecção de loop de amostragem (1 min) (300 m da média) (por faixa, pista 1 e pista 2). Um exemplo de dados do fluxo de tráfego (Q), velocidade (V) e ocupação (O) na data 2010-03-17 (quarta-feira) da pista 1 é mostrado na Fig. 6. onde ocorreu um acidente às 04:19 AM entre o detector de loop a montante 03-02-14 e o detector de loop a jusante 03-02-15. FIG. 6. Dados brutos de Q. V e O de detectores 03-02-14 e 03-02-15 em 2010-03-17 5 Metodologia proposta Este artigo propõe uma metodologia de detecção combinando decomposição de wavelet estacionária com modelo MA. Ao contrário de outros métodos baseados em wavelets apresentados anteriormente, primeiro suaviza os dados brutos com o modelo MA e, em seguida, usa wavelet estacionário para se decompor. A wavelet estacionária tem uma vantagem em comparação com outras wavelets discretas, que pode conseguir uma reconstrução precisa do sinal e que o sinal reconstruído não se desloca. As seguintes experiências mostram que tem bom caráter de detecção de incidente. O limite para acionar o incidente é determinado pelo máximo de extração de dados da data normal com congestionamento de tráfego recorrente. Mais detalhes são apresentados abaixo. 5.1 Seleção de parâmetros de tráfego Esta metodologia também utiliza o fenômeno que o tráfego a montante de ocupação aumentará e os downstream diminuirão após o incidente (Fig. 7). A situação foi mais complicada porque houve congestionamento de trânsito antes do acidente ocorrer. É difícil diferenciar o acidente do congestionamento recorrente nessa situação. Em dados reais também existem outras situações, como a situação mostrada na Fig. 6. Quando o acidente ocorreu muito perto de uma estação de detecção, a ocupação será zero ea outra estação não vai mudar demais. FIG. 7. Dados brutos de Q. V e O de detectores 03-02-22 e 03-02-23 em 2010-03-30 Nesta metodologia, a entrada é a diferença de ocupação que a ocupação a montante subtrai a ocupação a jusante. 5.2 Pré-processador de dados brutos É óbvio que os dados brutos contêm ruído que causará falso alarme da detecção. Nesta aplicação, um modelo MA é aplicado para suavizar dados brutos (Fig. 8). O resultado da experiência mostra que pode melhorar significativamente a taxa de detecção da metodologia. FIG. 8. Dados brutos e suavizados de Q. V e O do detector 03-02-42 em 2010-03-30 5.3 Fluxo metodológico proposto A metodologia proposta é descrita a seguir. Dados brutos lisos com modelo MA. A decomposição estacionária de 3 camadas da diferença suavizada entre a ocupação a montante e a jusante é realizada. Calcule o máximo dos coeficientes de camada de detalhes mais altos de dados de dias normais com congestionamento de tráfego como T. O limiar é igual a T mais T. T é ajustado de acordo com DR e FAR. Se o valor de um coeficiente de camada de detalhe de um determinado tempo mais alto for maior que o limite, o alarme incidente é disparado. O diagrama de fluxo é mostrado na Fig. 9. FIG. 9. Fluxograma da metodologia proposta para detecção de incidentes de via rápida Dados de 2010-03-30 são mostrados como um exemplo, em que a condição de trânsito é complicada. Contém congestionamento de tráfego e registro de acidentes de 11:04 AM entre os detectores de loop 22 e 23 da pista 1. As diferenças suavizadas de ocupação de três seções típicas são mostradas na Fig. 10. FIG. 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. FIG. 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. Hall. 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. 2017 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. 2017. 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. 2017 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. 2017. 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. Hall. 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 2017 Periodical Offices of Changan University. Production and hosting by Elsevier B. V. Open access funded by Periodical Office, Changan University Citing articles ( )