Extrakce parametrů cyklodopravní sítě z dat ze senzorů mobilního telefonu
Bicycle Transport Network Parameters Extraction Based on Mobile Phone Sensors
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Bednář Jan
Vedoucí práce
Drchal Jan
Oponent práce
Buk Zdeněk
Studijní obor
Systémy a řízeníStudijní program
Kybernetika a robotikaInstituce přidělující hodnost
katedra řídicí technikyObhájeno
2017-02-09Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Cílem této práce je vytvořit model neuronové sítě, který umožní identifikovat povrch (vybranou množinu povrchů) pomocí senzorů mobilního telefonu. Tento problém jsem řešil hlavně pomocí akcelerometru. Naměřená data jsem použil pro učení modelu neuronové sítě, který po naučení předpovídá projetý povrch. Podařilo se mi vytvořit model, který předpovídá povrch s úspěšností 81,7%. Tento model je nastaven na: 60 LSTMs, 200 záznamů na sekvenci, 50 ms vzorkovací frekvence. Výsledky této práce ukazují, že je možné pomocí mobilních senzorů s relativně dobrou úspěšností analyzovat povrch, po kterém cyklista jede. To může pomoci ke zmapování povrchů, po kterých cyklisté ve městě jezdí a zlepšit tak rozmanitost nabízených variant trasy. The aim of this work is to develop a neural network model which could be used used for determination of a road surface using mobile sensors data. Mobile was attached to a bike to be able to measure vibration while cycling. I used measured data for a neural network training. I used mainly the Python language for the implementation of data processing and the neural network. I have developed a neural network that can predict the surface with success rate of 81,7%. This model has following setting: 60 LSTMs, 200 sample sequence length, 50 ms resample. The results of the work show up that the road surface can be predicted with usage of the mobile sensors. It can help to map surfaces in cities and the application can offer better roads options.
Kolekce
- Bakalářské práce - 13135 [456]