Předpovídání tras vozidel záchraných složek

Abstract

Včasný příjezd vozidel záchranných složek (IZS) je klíčový pro záchranu životů a snížení škod na majetku. Moderní systémy preference na semaforech mají za cíl urychlit jejich průjezd křižovatkami, avšak jejich efektivita závisí na předvídání trasy vozidla informace, která není na palubě dostupná, jelikož řidiči často navigují na základě osobních zkušeností. Tato práce se zabývá predikcí tras vozidel IZS s využitím historických dat o trajektoriích hasičských vozů v Brně a Hradci Králové. Nejprve rekonstruujeme a čistíme surová data z provozních záznamů, abychom získali validní trasy vozidel IZS, přičemž filtrujeme testovací jízdy a nefunkční signály, abychom zajistili smysluplný vstup pro modelování. Následně navrhujeme Bayesovský model, který zahrnuje apriorní znalosti a iterativně aktualizuje odhady doby jízdy pro jednotlivé úseky silnic s přibývajícími daty. Tento přístup je vhodný pro menší datové sady, jako jsou ty v této studii (méně než 1000 tras na město). Model dosahuje dobrých výsledků v Hradci Králové, zatímco v Brně jsou výsledky slabší pravděpodobně kvůli nižší kvalitě dat způsobené menší frekvencí záznamů a složitější silniční sítí. Výsledky ukazují, že i omezené množství dat může podpořit efektivní predikci tras a koordinaci světelné signalizace, což přispívá k bezpečnější a efektivnější reakci záchranných složek.

Timely arrival of emergency vehicles (EMVs) is critical for saving lives and reducing property damage. Modern traffic signal priority systems aim to speed up their passage through intersections, but their effectiveness relies on anticipating the vehicles routeinformation not available onboard, as drivers often navigate based on personal experience. This thesis addresses EMV route prediction using historical trajectory data from fire trucks in Brno and Hradec Králové. We begin by reconstructing and cleaning raw data logs to obtain valid EMV routes, filtering out test runs and non-operational signals to ensure meaningful input for modeling. We then propose a Bayesian model that incorporates prior knowledge and iteratively updates travel time estimates for road segments as data accumulates. This approach suits smaller datasets like those in this study (fewer than 1,000 routes per city). The model performs well in Hradec Králové, while results in Brno are weakerlikely due to lower data quality from reduced logging frequency and a more complex road network. The results show that even limited data can support effective route prediction and traffic signal coordination, contributing to safer and more efficient emergency response.