Odhad rychlosti na segmentech silniční sítě

Abstract

Tato bakalárská práce se zabývá problémem predikce rychlosti vozidla na silnicních segmentech. Rychlostní modely jsou v dnešní dobe duležité pri plánování optimální trasy a v logistice, využití lze také nalézt v aplikacích jako je simulace dopravního provozu nebo pri navrhování silnicních úseku. Soucasné rychlostní modely využívají záznamy jízd, což tyto modely omezuje jen na silnicní úseky, které jsou temito daty pokryty. Existují také parametrické metody, které využívají vetšinou pouze jeden parametr silnicního segmentu pro urcení rychlosti. Díky dostupnosti satelitních a leteckých snímku byla navržena metoda, která využívá letecké snímky pro predikci rychlosti vozidel. V dnešní dobe se ke klasifikacním a regresním úlohám, které mají za datovou sadu obrázky, využívají konvolucní neuronové síte. Pro rešení predikce rychlosti z leteckých snímku byly zvoleny ctyri state-of-the-art konvolucní neuronové síte, kde byly použity váhy natrénované na datové sade ImageNet. Krome techto sítí bylo experimentováno s hybridním modelem, který propojuje konvolucní neuronovou sít a parametrický model poskytnutý skupinou Smart Urban Mobility z Centra umelé inteligence FEL CVUT. Nejlepší výsledek u konvolucní neuronové síte dosáhl presnosti prumerné absolutní chyby 9, 11 +- 0, 025 km/h. Hybridní model poté prekonal model obsahující pouze konvolucní neuronovou sít, jeho presnost byla 8, 61 +- 0, 008 km/h.

This bachelor thesis focuses on operating speed estimation on road segments. Modeling operating speed is important in many applications such as planning optimal route, in logistics or designing road segment. Nowadays researchers use driving records to estimate operating speed on road segment. This method works only on road segments where driving records are available. There are also methods using mostly only one parameter of road segment to estimate operating speed. Due to great availability of satellite and aerial imagery, we suggest a novel method which uses aerial imagery for estimating operating speed. For machine learning problems whose dataset is composited of images, it is recommended to use convolutional neural network. We use four state-of-the-art convolutional neural network. We also take advantage of transfer learning to use features from a task with large dataset of ImageNet. Apart from state-of-the-art architectures, we experiment with hybrid model which concatenates convolutional neural network and parametric model developed by research group Smart Urban Mobility from Artificial Intelligence Center, CTU in Prague. The best mean absolute error among convolutional neural networks was 9, 11 +- 0, 025 kph. The best of all was hybrid model which achieved lower mean absolute error (8, 61 +- 0, 008 kph) than any of convolutional neural networks.