Mais

Junte os dados de tráfego (ponto) a uma rede rodoviária (linha) - Seção entre duas estradas - ArcGIS


Estou tentando analisar o tráfego de veículos na rede rodoviária de Melbourne (AUS).

Eu tenho dois arquivos: os dados de tráfego (dados de ponto para uma dada latitude e longitude com o tráfego médio por hora entre as estradas) e a rede de estradas, como pode ser visto abaixo:

Dados de tráfego (ponto roxo) e rede rodoviária (verde)

A camada da estrada é dividida em seções, conforme mostrado abaixo:

Tenho que atribuir os dados de tráfego a algumas seções, conforme mostrado abaixo:

Tenho 1.616 entradas de tráfego que devo atribuir a seções da rede rodoviária. Existe alguma maneira de fazer isso automaticamente ou devo fazê-lo manualmente?


Usando Near obtenha o FID / OBJECTID do trecho de estrada mais próximo.

Use uma junção de atributo entre os pontos e segmentos de estrada; nesta fase, verifique os nomes das estradas correspondentes versus os nomes nos pontos para garantir que você está obtendo o caminho certo ... algum trabalho manual pode ser necessário.

Depois de validar os ids, junte as linhas aos pontos (1: 1) e, em seguida, calcule ou exporte os campos com a junção no lugar.


Dados da estrada


Uma milha em uma única rodovia, independentemente do número de faixas, é chamada de milha de linha central. Embora a milhagem da linha central não leve em consideração o número de pistas, a milhagem da pista sim. A milhagem da pista pode ser encontrada multiplicando-se as pistas de direção contínua e a milhagem da linha central. Faixas temporárias, como faixas de conversão, não são contadas, nem as faixas em rampas ou em áreas auxiliares, como áreas de descanso.

Considere um caso em que uma estrada tem uma milha de comprimento com três faixas - o número de milhas de faixa é três.

Os registros são extraídos do LRS para produzir relatórios de milhas e milhas de pista. Para fornecer números consistentes, os relatórios são executados em um instantâneo HPMS do banco de dados tirado todo mês de dezembro. Este instantâneo é usado para relatórios até que um novo instantâneo seja obtido. A seguir estão os critérios para a seleção de registros LRS:

  • Área geográfica (em todo o estado por condado, município, distrito de construção MnDOT ou parceria de transporte de área)
  • Tipo de rota (ou seja, rodovias ou estradas locais)
  • Outros critérios conforme necessário (tipos de superfície da estrada, classes funcionais, etc.)

Se a quilometragem da pista for solicitada para um relatório, o número de pistas contínuas é extraído e calculado de acordo com os valores dos itens de dados individuais em cada uma das combinações de agrupamentos. Em seguida, esses valores são multiplicados pelos números de milhagem da linha central.

Milhas percorridas pelo veículo (VMT)


As milhas percorridas por veículos (VMT) são calculadas multiplicando o tráfego diário médio anual (AADT) pelas milhas da linha central de cada segmento de rodovia em consideração. O VMT comercial pesado (HCVMT) também pode ser calculado usando estimativas de volumes de caminhões comerciais. O HCVMT é produzido apenas para o sistema de rodovias troncais de Minnesota, então as tendências históricas para comerciais pesados ​​estão disponíveis apenas nas rodovias interestaduais, norte-americanas e estaduais. Os números do VMT são usados ​​pelo MnDOT para medir a demanda na rede de transporte. Quando as estatísticas de milhagem da linha central e VMT são agrupadas para formar um relatório, até três agrupamentos inter-relacionados podem ser especificados. Além disso, os valores individuais podem ser agrupados para fornecer valores combinados, como valores combinados para todas as estradas principais. Para fornecer números consistentes, os relatórios VMT são executados em um & quotsnapshot & quot do banco de dados tirado todo mês de dezembro. As estatísticas permanecem constantes até que um novo instantâneo seja obtido. Veja os relatórios VMT mais recentes em nossa página de produtos de dados.

Pontos de registro de estradas troncais, pontos de referência e milhas reais


O Trunk Highway Log Point NÃO deve ser mais usado para projetos indo para CHIMES (projetos de rodovias começando em FY2018 ou mais tarde)

O relatório do Trunk Highway Log Point em todo o estado usou dados obsoletos do Sistema de Informação de Transporte (TIS) que foram congelados em janeiro de 2014 até a temporada de construção de 2012. Um relatório de substituição será desenvolvido em breve usando novos dados do Sistema de Referência Linear (LRS).

O relatório Trunk Highway Log Point lista pontos de referência que cruzam as várias rotas interestaduais, rodovia estadual dos EUA e rodovia estadual de Minnesota, em ordem sequencial com base em sua milhagem real. Esses recursos incluem outras estradas, pontes, cruzamentos de nível ferroviário, limites municipais e de condado e limites do Distrito de construção. As listagens incluem colunas descritivas como:

  • Sistema de rota
  • Número da Rota
  • Pontos de referência
  • Descrição das características de interseção
  • Milhagem real da linha central para os recursos de interseção (coluna ACCUM Milhas)
  • Distrito de construção
  • Volume de tráfego mais recente (AADT)

Além da milhagem da linha central, o relatório Log Point inclui um segundo tipo de medida chamado pontos de referência. Os pontos de referência são baseados em postos de referência (também chamados de “postes de milha”), que são sinais numerados fisicamente localizados na lateral da estrada em intervalos de aproximadamente uma milha. Cada posto de referência está, por sua vez, relacionado a uma verdadeira milhagem da rota. As relações e traduções entre essas medidas são calculadas por computador. Os pontos de referência são usados ​​para fornecer um tipo de estabilidade de localização. A verdadeira milhagem da rota é simplesmente a milhagem do hodômetro ao longo de uma rota, que começa em zero para cada rota individual. As milhas reais ao longo de uma rota podem mudar com o tempo (devido a realinhamentos, por exemplo), enquanto os eventos vinculados a um posto / ponto de referência permanecem fixos. O relatório estadual True Mileage também usa os dados congelados do TIS e contém informações sobre a milhagem real da linha central para cada posto de referência ao longo das rodovias troncais de Minnesota.

Registro de projeto de construção


O Registro de Projeto de Construção do MnDOT é uma rápida história visual da construção e manutenção de estradas em rodovias principais ao longo do tempo - o & ldquowhat, quando e onde & rdquo guia para o trabalho de campo que foi feito desde a construção original da estrada. Cada registro de projeto tem limites de início e fim ilustrados por um mapa de linha reta localizado no topo da página. Os próprios limites do projeto individual são descritos por linhas horizontais localizadas em alguma parte desse mapa. Cada projeto é datado no lado esquerdo da página, juntamente com uma breve descrição do trabalho envolvido, o número do SP, ano de construção, largura e profundidade da superfície, tipo de material, etc. Os registros do projeto são organizados por condado e por distrito, e então pela seção de controle.

Uma vez que normalmente inclui apenas trabalho da linha principal, informações sobre rampas, trabalho na estrada, faixas de conversão, construção temporária e de desvio, barreiras intermediárias e trabalho de manutenção de ponte não estão incluídas. Além disso, o log do projeto não se destina a ser uma fonte de informações para detalhes da ponte. A construção e as substituições de pontes são geralmente incluídas ou vinculadas a projetos de nivelamento e revestimento da linha principal. Finalmente, nem todas as seções de rodovias têm registros de projeto. Se a estrada foi construída inicialmente por uma autoridade rodoviária diferente e depois entregue ao MnDOT, geralmente não há um registro disponível. Se uma seção de rodovia foi construída originalmente pela MnDOT, um registro do projeto deve estar disponível.

Estamos considerando melhorias para nossa página de Registro de Projeto de Construção. Ajude-nos a melhorar nosso Registro de Projeto de Construção respondendo à nossa pesquisa.

Na área metropolitana de Twin Cities, Urban Local é a classificação funcional mais comum para estradas. As ruas municipais, como a mostrada acima em Minneapolis, respondem por mais da metade de toda a quilometragem central.

Classificação Funcional


A classificação funcional é o agrupamento de ruas e rodovias em classes ou sistemas de acordo com a natureza do serviço que se destinam a fornecer. Quando mudanças de classificação são feitas, as estradas são revisadas para possível inclusão no sistema de Auxílio Estatal. Quando ocorrem mudanças, as revisões da estrada e o trabalho de linha do mapa base e mapas online são atualizados para retratar a mudança física para a instalação. A página de Classificação Funcional do MnDOT fornece uma visão abrangente do processo de mudança, requisitos e diretrizes de FHWA, mapas e outros recursos.

Seções de Controle e Rotas Estatutárias (Constitucionais / Legislativas)


As rodovias estaduais são divididas em segmentos chamados de Seções de Controle. O objetivo dessas seções é permitir uma manutenção de registros mais estável. Quando rodovias são movidas / redesignadas, a Seção de Controle e quaisquer dados relacionados permanecem vinculados ao pavimento e não à rota. Isso permite uma melhor gestão da rodovia, incluindo manutenção, construção e fins administrativos.

Uma seção de controle é identificada como um número de quatro dígitos. Os primeiros dois dígitos identificam um código de condado sequencial e os dois últimos dígitos são um número de identificação dentro desse condado. As Seções de Controle têm um local de início e de término definido chamado termini. Termini normalmente será um limite de condado ou uma interseção de outra rodovia. As seções de controle podem mudar e são revisadas quando uma rodovia é realinhada, uma nova rodovia estadual é construída ou devido à transferência de propriedade da rota (normalmente do estado para um condado).

As rotas legais são definidas pela Legislatura do Estado de Minnesota e são o que autoriza o MnDOT a construir rodovias. Eles são compostos por vias constitucionais e legislativas. As rotas numeradas de 1 a 70 são chamadas de Rotas Constitucionais, definidas como parte da Emenda Babcock à Constituição do Estado de Minnesota em 1920, e não podem ser alteradas ou removidas sem uma mudança na Constituição do Estado. Rotas numeradas acima de 70 são referidas como Rotas Legislativas, que podem ser adicionadas ou removidas pelo legislativo. É importante notar que o número de uma rota legal não é necessariamente o mesmo número da rodovia que você pode ver em uma placa. Essas rotas podem ser atribuídas a uma ou várias rodovias e seu objetivo é garantir a & ldquoconectividade & rdquo entre as comunidades.

Visualize o último Relatório de Seção de Controle e mapas exibindo seções de controle, rotas legais e rotas memoriais na página Produtos de Dados.


Estruturas de dados ponto a ponto para sistemas de informação de tráfego cooperativos

Os sistemas cooperativos de informações de tráfego auxiliam o motorista de um carro na seleção de uma rota, com base nas informações de tráfego coletadas por outros carros. Propomos o uso de uma rede ponto a ponto baseada no acesso à Internet via redes celulares para distribuir informações de tráfego entre os participantes de tal sistema. Essa abordagem evita as limitações conhecidas da comunicação baseada em VANET. Uma vez que os dados mantidos em um sistema de informação de tráfego cooperativo têm uma estrutura muito específica, é particularmente lucrativo - em termos de consumo de largura de banda e latência - adaptar o sistema a este domínio de aplicativo específico em vez de reutilizar abordagens ponto a ponto genéricas . Essa constatação nos levou ao desenvolvimento do GraphTIS - uma rede ponto a ponto projetada especificamente para gerenciar informações de tráfego. Neste artigo, derivamos, passo a passo, os principais mecanismos do GraphTIS, começando com um sistema ponto a ponto padrão, delineando uma primeira solução - chamada PeerTIS - que é baseada em uma modificação deste DHT padrão, e em seguida, apresentando o GraphTIS, um novo sistema ponto a ponto que foi projetado especificamente para oferecer suporte a sistemas de informação de tráfego.

Luzes

► Examinamos um sistema P2P baseado em rede celular para compartilhamento de informações de tráfego rodoviário. ► Esta abordagem evita as limitações de capacidade da comunicação VANET. ► Mostramos que para esta aplicação é vital preservar a estrutura dos dados. ► Comparamos abordagens com base na proximidade geográfica e relações baseadas em gráficos. ► Ambas as abordagens alcançam baixas latências, mas diferem em termos de distribuição de carga.


Objetivo

Este estudo pretendeu desenvolver uma metodologia de desenvolvimento e operação de Sistema de Transporte Inteligente nomeadamente a aplicação móvel Presto ITS. O aplicativo Android, Presto ITS, desenvolvido funciona em conjunto com o Urban Traffic Data Management Center (UTDMC) para ajudar a reduzir o congestionamento nas redes viárias, permitindo que os usuários tomem decisões informadas sobre as escolhas de rota. Ele fornece uma visão geral de várias tecnologias que foram usadas no desenvolvimento e também elabora os algoritmos implementados. Finalmente, o aplicativo móvel desenvolvido neste estudo foi desenvolvido na plataforma Android para fornecer notificações em formato de áudio e texto para resolver o cenário de congestionamento na rota. O sistema proposto utilizou PhP, HTML5, CSS3 para a criação do site UTDMC, MySQL para banco de dados, Android Studio e JAVA para aplicativo móvel e Google Maps para melhorar a facilidade de uso do aplicativo, pois as expectativas dos usuários em relação à interface do usuário são muito Alto. O PRESTO ITS será útil para dar suporte às necessidades de informação de usuários incidentais da rede viária e visitantes da cidade. Além disso, o sistema proposto também pode ser estendido a outras cidades na Índia, alterando adequadamente o banco de dados de back-end.


Trabalho Relacionado a Ii

Previsão de fluxo de tráfego Ii-a

Modelos de previsão convencionais, incluindo médias históricas, séries temporais e filtragem de Kalman, geralmente usam análise estatística para prever as condições de tráfego. O modelo de média histórica utiliza diretamente o valor médio dos dados históricos como resultado da previsão. O modelo de série temporal usa a relação entre os dados atuais e os dados históricos e considera a periodicidade e a tendência dos dados para fazer previsões. O modelo ARMA

[1] proposto em 1979 é um método importante para estudar séries temporais. Consiste em um modelo autoregressivo (AR) e um modelo de média móvel (MA). O modelo AR usa a função de autocorrelação para encontrar os parâmetros do modelo e prever a série temporal usando dados históricos originais, enquanto o modelo MA acumula o termo de erro da função de autocorrelação. O modelo ARIMA [8] é uma versão generalizada do ARMA com um componente adicional de diferenciação automática, e ambos os modelos ARIMA e ARMA tomam a estacionariedade da série temporal como ponto de partida. O modelo de filtragem de Kalman usa um espaço de estado definido por uma equação de estado e uma observação para filtrar o ruído e fazer previsões.

Com o desenvolvimento contínuo do aprendizado de máquina e do aprendizado profundo, as vantagens dos modelos de previsão inteligentes estão se tornando cada vez mais proeminentes. Esses modelos usam uma grande quantidade de dados históricos de tráfego coletados como entrada e, em seguida, aprendem automaticamente os padrões e recursos em potencial nos dados para prever os estados de tráfego. Os modelos de previsão inteligente podem ser divididos principalmente em duas categorias: abordagens convencionais de aprendizado de máquina e abordagens de aprendizado profundo. As redes neurais, como uma das abordagens mais utilizadas, aprendem as relações não lineares nos dados de entrada para fazer previsões. Redes neurais artificiais (RNAs) e a regressão de vetor de suporte (SVR) são dois modelos comuns para tarefas práticas de previsão. O SVR aprende padrões estatísticos não lineares usando recursos suficientes de dados históricos. Os k-vizinhos mais próximos e os modelos de lógica difusa são dois exemplos adicionais de modelos paramétricos não lineares. Alternativamente, um ANN

ajusta seus pesos e vieses via retropropagação ou uma função de base radial (RBF)

e obtém resultados de predição linear após a aplicação de uma função de ativação não linear.

Os modelos apresentados acima usam dados históricos do estado do tráfego para prever o futuro. Para uma rede rodoviária composta de muitos nós de seção de estrada, a adjacência entre os nós de seção de estrada afetará direta ou indiretamente a previsão final. A rede Bayesiana (BN) analisa as relações de adjacência em redes rodoviárias para prever as condições de tráfego. Outro modelo que utiliza informações topológicas de redes viárias é a rede convolucional de grafos (GCN) cuja entrada consiste em uma matriz de adjacência e uma matriz de características. A matriz de adjacência fornece os recursos topológicos de uma rede rodoviária e a matriz de recursos inclui informações de tráfego. O GCN captura as relações de conexão entre os nós da seção da estrada para prever as condições de tráfego futuras. No entanto, esses modelos apenas retêm informações sobre as relações espaciais nas redes rodoviárias e não têm a capacidade de capturar as relações temporais na matriz de características. Correspondentemente, modelos como o feed forward NN

[23], o DBN [9], o RNN [37] e as variantes RNN GRU [5] e LSTM [28] capturam as tendências e periodicidade das características de tráfego, mas ignoram as características topológicas intrínsecas da rede de tráfego urbano. Muitos pesquisadores notaram esse problema, e vários modelos de previsão espaço-temporal que utilizam totalmente as estruturas topológicas das redes e a dependência temporal nos dados de tráfego foram propostos. Tais modelos incluem o ST-ResNet [34], SAE [18], FCL-Net [31], DCRNN [32] e T-GCN [36], entre outros.

Além das informações históricas de tráfego, os estados do tráfego podem ser afetados por uma variedade de fatores externos, como condições meteorológicas, informações sobre estação de metrô e ponto de ônibus, POIs e outros fatores. O principal desafio da tarefa atual de previsão de tráfego é integrar informações de fatores externos aos modelos de previsão. Alguns métodos que consideram dados de múltiplas fontes foram propostos em estudos anteriores. Liao B et al. [14] codificou informações externas usando um codificador baseado em LSTM [28] e tratou os dados multimodais integrados como a sequência de entrada do modelo de predição. Com base no GRU, o modelo proposto por Da Z et al. [33] funde os recursos de tráfego de entrada e informações meteorológicas.

Mineração de relações Ii-B em dados de múltiplas origens

As relações em dados de múltiplas origens são apresentadas principalmente na forma de redes, e a exploração das informações estruturais e relacionais contidas nas redes por meio de vetores de representação torna-se a principal abordagem para capturar as informações da rede. Em geral, as redes podem ser divididas em redes homogêneas e redes heterogêneas de acordo com os tipos de nós. Redes homogêneas consideram apenas um tipo de dado, ou seja, os tipos de nós devem ser idênticos, porém, a maioria das redes reais possui diferentes tipos de nós. Para superar a limitação de nós homogêneos, redes heterogêneas são propostas para representar a informação de diferentes tipos de nós e as relações entre nós. PTE [26] classifica textos, palavras e rótulos e representa suas relações de pares para construir redes heterogêneas. [6] e [7] propõem o framework de embedding HEBE, que modela os eventos com fortes correlações como um todo para construir redes heterogêneas de eventos. Uma das principais desvantagens das redes heterogêneas é que os metapaths precisos devem ser construídos ao representar as relações entre os nós, e os metapaths específicos podem fazer com que as redes heterogêneas fiquem restritas à estrutura de uma rede particular. Nos últimos anos, o surgimento de gráficos de conhecimento forneceu idéias mais amplas para o problema acima. O conceito moderno de conhecimento foi inicialmente proposto pelo Google e depois começou a ser aplicado em diversos campos. Por causa do poder dos gráficos de conhecimento no processamento de estruturas gráficas e informações, cada vez mais pesquisadores têm começado a entender e aplicar gráficos de conhecimento em vários campos, como redes sociais [22], motores de busca [11], sistemas inteligentes de perguntas e respostas e recomendações inteligentes [ 24]. Gráficos de conhecimento também são aplicados em setores como o e-commerce [29]. Eles também desempenham papéis no transporte, como na seleção do local [25] e acidentes de trânsito [30, 20].


Avaliação de desempenho e gestão de pavimentação de estradas urbanas usando GIS na cidade de Bangalore

O Sistema de Informação Geográfica (GIS), Sensor Remoto e Sistema de Posicionamento Global (GPS) são adequados para estudos de Manutenção e Gerenciamento de Rodovias. O governo da Índia tem investido grandes quantias em conectividade rodoviária. Os pavimentos flexíveis constituem uma parte considerável das rodovias na Índia devido ao baixo custo de construção envolvido. O Sistema de Gerenciamento e Manutenção do Pavimento (PMMS) faz uso dos modelos de deterioração para prever a condição do pavimento em dados futuros, a partir dos quais a estratégia de manutenção pode ser formulada.

Este estudo é um esforço para modelar o desempenho de estradas urbanas usando Sistema de Informação Geográfica (SIG). Dados detalhados coletados, incluindo sulcos, buracos e rachaduras. O banco de dados é inserido em um software GIS que mostra as informações de todos os atributos relacionados à estrada e será utilizado para a tomada de decisões e solução de problemas.

O transporte rodoviário ocupa uma posição dominante no sistema de transporte geral da Índia. O crescimento do tráfego rodoviário na era pós-independência não tem precedentes, tanto em termos de tráfego de mercadorias quanto de passageiros. Infelizmente, o crescimento correspondente na rede de estradas não foi compatível com o enorme crescimento da população de veículos. As cargas de tráfego também foram muito mais pesadas do que o limite especificado de 10,2 toneladas. Sem uma manutenção adequada e oportuna, as estradas se deterioram excessivamente, levando a maiores custos operacionais dos veículos, aumento do número de acidentes e redução da confiabilidade dos serviços de transporte.

O sistema de gestão do pavimento pode funcionar eficazmente apenas quando são construídos combinando organicamente todas as atividades relacionadas com o pavimento da estrada (planejamento, projeto, construção,

manutenção, reabilitação, avaliação, análise econômica e pesquisa) e o banco de dados. Em seguida, os itens mais importantes são o estabelecimento de um índice de manutenção, que representa a qualidade do pavimento, e uma previsão de desempenho, que é representada pela relação entre o tempo (e / ou tráfego) e o índice. A qualidade do pavimento consiste em dois fatores principais: qualidade de condução e resistência à derrapagem. Os fatores que influenciam a qualidade de pilotagem são desgaste e / ou rugosidade do pavimento. Os três principais fatores de deterioração do pavimento são fissuras, sulcos e perfil longitudinal. As recomendações geralmente baseiam-se na manutenção preventiva, em vez de permitir que uma estrada se deteriore até que precise de uma reconstrução mais ampla.

As tarefas típicas realizadas por sistemas de gerenciamento de pavimento incluem:

Inventário das condições do pavimento, identificando pavimentos bons, regulares e ruins.

Atribua classificações de importância para segmentos de estrada, com base nos volumes de tráfego, classe funcional da estrada e demanda da comunidade.

Programe a manutenção de boas estradas para mantê-las em boas condições.

Programe reparos de pavimentos ruins e justos, conforme o financiamento disponível restante permitir.

Desenvolvimento de sistemas computadorizados de gestão de pavimentos e ferramentas de decisão de sistemas especialistas baseados em conhecimento para auxiliar os engenheiros no planejamento, projeto e avaliação de estratégias eficazes de manutenção e reabilitação. No entanto, independentemente de tais estratégias e decisões de investimento associadas serem derivadas por abordagens de sistemas especialistas ou por especialistas humanos, os mesmos dados de condição da superfície do pavimento são necessários como entradas básicas. No caso de pavimentos betuminosos, isso inclui a extensão e a gravidade de problemas como rachaduras por fadiga (ou crocodilo), rachaduras longitudinais, rachaduras transversais, desfiamento e remendos, entre outros. Esses dados são indicadores de desempenho estrutural e funcional.

É necessário desenvolver uma abordagem científica para determinar os requisitos de manutenção e reabilitação de pavimentos. Também são necessários esforços para desenvolver a gestão de estradas e ferramentas de planejamento para melhorar a rede de estradas existente. Essas ferramentas são essenciais para avaliar as necessidades financeiras, avaliar as estratégias alternativas de manutenção e priorizar os programas de trabalho. Em tal situação, o desenvolvimento e a prática de um Sistema de Gerenciamento de Pavimento (PMS) eficiente forneceria informações objetivas e análises úteis para garantir decisões consistentes e econômicas relacionadas à preservação das redes rodoviárias.

Um sistema de gerenciamento de pavimento (PMS) é uma ferramenta valiosa e um dos elementos críticos da infraestrutura de transporte rodoviário. O conceito mais antigo de TPM pode ser rastreado até a década de 1960

(fornecido por Norlela Ismail et.al. (6) e Amir Tavakoli et.al. (7)). Com rápido aumento de avançado

tecnologia da informação, muitos investigadores integraram com sucesso o Sistema de Informação Geográfica (GIS) ao PMS para armazenar, recuperar, analisar e relatar as informações necessárias para apoiar a tomada de decisões relacionadas ao pavimento. A principal característica de um sistema GIS é que ele vincula dados / informações à sua localização geográfica (por exemplo, latitude / longitude ou coordenadas do plano estadual) em vez do marco miliário ou sistema de ponto de referência tradicionalmente usado no transporte. Além disso, o GIS pode descrever e analisar a relação topológica do mundo real usando a estrutura e o modelo de dados topológicos. A tecnologia GIS também é capaz de recuperar dados rapidamente de um banco de dados e pode gerar mapas personalizados automaticamente para atender a necessidades específicas, como a identificação de locais de manutenção.

Os sistemas de informações geográficas (GIS) representam uma tecnologia da informação composta de hardware, software e dados usados ​​para coletar, armazenar, editar, exibir e analisar informações geográficas. Avanços recentes na capacidade de coletar informações de localização precisas onde o GIS é trazido para a corrente principal da atividade de desenvolvimento associada ao gerenciamento de banco de dados e integração com o ambiente de aplicativos.

Para o presente estudo, um anel viário arterial na cidade de Bangalore é considerado para a avaliação de desempenho e gestão de pavimentação de estradas urbanas usando Sistema de Informação Geográfica (GIS) para prever o desempenho do pavimento e comportamento em um futuro próximo, onde o levantamento rodoviário deve ser realizado a fim de estudar o estado estrutural e funcional do pavimento. Em seguida, os dados necessários são coletados e carregados para o software GIS, onde o mapa é digitalizado contendo trechos de estradas que foram levados para o estudo.

Objetivos do presente estudo

O objetivo principal do presente estudo é avaliar o desempenho do pavimento de trechos selecionados das estradas da cidade de Bangalore.

Construir dados baseados em GIS para estradas urbanas, considerando dados de condições estruturais e funcionais.

Previsão da condição futura do pavimento sob diferentes estratégias de manutenção.

Avaliar a condição funcional do Inventário de Pavimentação de Aflição de Superfície, como Fissuras, Remendos, Rutting, Ravelling e Potholes, juntamente com levantamento de Desnivelamento / Rugosidade do Pavimento por Bump Integrator.

Avaliação estrutural do pavimento através da realização do estudo Benkelman Beam Deflection.

Carregar os dados de desempenho do pavimento para o software GIS na forma de DBMS (Data Bse Management System).

Toshihiko Fukuhara et.al. (1): Ele fornece um sistema que usa laser, vídeo e técnicas de processamento de imagem foi desenvolvido. Este sistema consiste em um veículo de pesquisa e um sistema de processamento de dados. O

O veículo de pesquisa pode medir rachaduras, sulcos e perfis longitudinais simultaneamente, sem contato, com rapidez e precisão. O sistema de processamento de dados pode converter os dados medidos automaticamente em formatos que podem ser usados ​​no banco de dados do pavimento. O sistema permite o reconhecimento automático de fissuras de forma convencional, mas executado apenas por humanos.

A medição e o processamento de dados de fissuras, sulcos e perfis longitudinais foram completamente automatizados e melhoraram notavelmente a eficiência de trabalho, além de ter um algoritmo de localização de linha único. Onde um sistema multi-microprocessador especial está sendo desenvolvido, permitindo o reconhecimento automático de trincas e o problema de análise de dados sendo resolvido.

Turki I et.al. (2): Mudança na rugosidade da superfície foi considerada uma medida de deterioração da superfície do pavimento. Modelos de regressão foram desenvolvidos para examinar os efeitos do nível de gastos com manutenção de rotina, idade do pavimento e carga de tráfego na rugosidade da superfície.

Seis atividades de manutenção de rotina foram inicialmente consideradas nesta pesquisa: remendo raso, remendo profundo, nivelamento de remix, revestimento de vedação, vedação de fissuras longitudinais e juntas. No Guia Interno (AASHTO 1981), a deterioração do pavimento foi representada pela perda de capacidade de manutenção ou perda de PSI. Neste estudo, por meio do conhecimento da rugosidade da superfície do pavimento antes e depois de aplicar diferentes níveis de manutenção de rotina em

Em um determinado trecho de uma rodovia, a deterioração da superfície do pavimento foi medida como uma mudança na rugosidade da superfície. Este conceito é usado neste artigo para refletir a eficácia da rotina na redução da deterioração da superfície do pavimento.

Eles concluíram que a idade do pavimento e as variáveis ​​de carga de tráfego eram significativas. Portanto, esses modelos foram empregados para avaliar os efeitos da idade do pavimento e da carga de tráfego na mudança da rugosidade da superfície e, consequentemente, na eficácia da manutenção. A eficácia da manutenção de rotina para pavimentos em condições razoáveis ​​ou boas foi considerada maior do que para pavimentos em muito boas condições. O trabalho de manutenção envolvendo nivelamento de pré-mistura e revestimento de vedação foi considerado uma eficácia relativamente maior do que o trabalho envolvendo vedação e remendo de juntas e rachaduras.

Mohd Zulkifli B et.al. (3): Neste estudo, o autor adotou o software aplicativo GIS ArcView e revisou e analisou sua eficácia no gerenciamento de banco de dados de estradas. Esses dados são então usados ​​para auxiliar a gestão a garantir a manutenção eficaz e sistemática das estradas. Um modelo típico de estradas em Penang, Malásia, é usado como estudo de caso.

A adoção do SIG levará a uma gestão mais organizada dos dados digitais, especialmente aqueles relacionados aos dados rodoviários. Particularmente, esta aplicação de sistema também aumenta a produtividade do trabalho no gerenciamento de manutenção de estradas. Ele tinha capacidade para uma recuperação rápida de dados com relativa facilidade de uso, minimiza a duplicação desnecessária de esforços na coleta de informações geoespaciais e pode melhorar a atualidade dos dados, a precisão e a consistência dos dados mantidos.

Stephen G. Ritchie (4): Este artigo fornece conceitos de processamento de imagem digital e aplicações em gerenciamento de pavimentação, que inclui dados de preocupação de superfície de pavimento, visão de máquina básica e conceitos de processamento de imagem digital, características de sistema de vídeo para automação angústia - coleta de dados.

Concluiu que, em um período de tempo relativamente curto, um progresso substancial foi feito no desenvolvimento de sistemas automatizados para aquisição e interpretação de dados de emergência e recursos aprimorados a serem esperados em um futuro próximo, onde a tecnologia de imagem digital está desempenhando um papel significativo nesses esforços .

Desgaste funcional do pavimento e seus conceitos

As informações de análise do conceito de desempenho de manutenção do pavimento são necessárias no histórico de qualidade de rodagem da seção do pavimento para o período de tempo e o tráfego durante esse período. Isso deve ser determinado por observações periódicas ou medições da qualidade da pilotagem com registros de

histórico de tráfego e tempo. Um pavimento foi considerado satisfatório ou insatisfatório. O tipo e a extensão da manutenção de uma estrada também dependem do padrão de manutenção estabelecido, das necessidades de manutenção, dos fundos disponíveis e das prioridades para as operações de manutenção. The current engineering practice for design and construction of pavement overlays and selection of maintenance and rehabilitation alternatives is based on subjective judgment and engineering experience. An efficient pavement maintenance program is a program that identifies what maintenance action is to be taken and where and when is to be applied, so that most cost effective results are obtained.

Causes and Consequence Effects of Pavement Distress

The causes for structural and functional distresses may be of three criteria:

Overload including excessive gross loads, high repetition of loads and high tyre pressures can cause either structural or functional failure.

The climatic and the environmental conditions may cause surface irregularities and structural weakness develops. Example: Frost heaving, change of volume of soil due to wet and dry process, the breakup of surface resulting from freezing and thawing action or improper drainage may be the prime cause of pavement distress.

The cause may be disintegration of the paving materials, due to freezing and thawing and/or wetting and drying process. Example: Use of nondurable aggregates, the base-course materials may breakdown, thus generating fines which may cause unstable mix. Sub grades are also susceptible to climatic conditions.

At times construction practices may induce some effect as well the inadequate inspection during construction are certain factors that causes pavement deterioration. Design procedures must be strictly applied and field control to provide adequate pavement structure.

Asphalt Pavement Distress

Distress surveys are required for the periodic evaluation of pavements. The surveys are directed towards assessing the maintenance measures needed to prevent accelerated distress and to determine the type of rehabilitation measures needed. These surveys provide the information required to define the distress types, severity and density of identified distresses. In addition, the surveys provide the data needed to develop the deduct values associated with each distress and severity levels. The following section describes some of the pavement distress parameters viz., cracking, patching, raveling, rutting and potholes along with their probable causes. There are four

major categories of common asphalt pavement surface distress:

Ravelling, Flushing, Polishing.

Rutting, Distortion – Rippling and Shoving, Settling, Frost heave.

Transverse, Reflection, Slippage, Longitudinal, Block, and Alligator Cracks.

In this study, from Hosur Road Silkboard junction to Nayandahally is taken, as shown in the table. Data has been collected for the following survey carried out: Volume Count Survey (VCS), Benkelman Beam Deflection Studies (BBD), Pavement Condition Survey (PCS) (By using Hawkeye 2000), Roughness (Bump Integrator) and digitising the stretches of the Bangalore map using GIS software.


Traffic Volume Count

Traffic Data Collection is basic requirements for transport planning. Traffic Data forms an integral part of national economics and such knowledge is essential in drawing up a rational transport policy for movement of passengers and goods by both government and the private sectors. Traffic Volume Count is counting of number of vehicles passing through a road over a period of time. It is usually expressed in terms of Passenger Car Unit (PCU) and measured to calculate Level of Service of the road and related attributes like congestion, carrying capacity, V/C Ratio, identification of peak hour or extended peak hour etc. Traffic volume count or TVC is usually done as a part of transportation surveys, TVC can be classified or unclassified.

Need of Traffic Volume Count Survey

Traffic Volume Survey is an essential part of Town Planning, especially for a town planner. It includes counting the number of vehicles passing through a survey station. The study of Classified Traffic Volume Count is to understand factors that form the basis of:

a) Checking the efficiency/saturation of the road network by comparing current traffic volume with the calculated capacity or by identifying level of service
b) Establishing the use of the road network by vehicles of different categories, traffic distribution, PCU/vehicle value
c) Need of median shifting or road widening

Purpose of Traffic Volume Count

The purpose classified traffic volume count is to draw inferences on the basis of data collected. To provide possible solutions and improvement suggestion for the problem identified. The objectives covered in it includes identifying the hourly distribution of vehicles and peak hour, identify level of service and compare modal composition on different hierarchy of roads.

Methods of doing Traffic Volume Count

Traffic Volume Count can be done by various methods depending upon various factors like manpower available, budget, technology/instrument available, magnitude of traffic data required or to be collected which will then determine quality and type of vehicle classification to be adopted. Traffic counting falls in two main categories, namely: manual count and automatic count.Traffic data collection forms the integral part of traffic volume study as it provides the raw data and includes primary survey. The various types and methods used to collect traffic data not only provide a good and valuable coverage of the required traffic information. Different methods of traffic volume count are as mentioned below –

Duration and Interval of Traffic Counts
In order to predict traffic flow volumes that can be expected on the road network during specific periods, knowledge of the fact is required that traffic volumes changes considerably at each point in time. There are three important cyclical variations:

  • Hourly pattern: the way traffic flow characteristic varies throughout the day and night
  • Daily Pattern: The day-to-day variation throughout the week
  • Monthly and yearly Pattern: The season-to-season variation throughout the year.
  • Hourly patterns –Typical hourly patterns of traffic flow, particularly in urban areas, generally show a number of distinguishable peaks. Peak in the morning followed by a lean flow until another peak in the middle of the afternoon, after which there may be a new peak in the late evening. The peak in the morning is often more sharp by reaching the peak over a short duration and immediately dropping to its lowest point. The afternoon peak on the other hand is characterised by a generally wider peak. The peak is reached and dispersed over a longer period than the morning peak.
  • Daily patterns –The traffic volume generally varies throughout the week. The traffic during the working days (Monday to Friday) may not vary substantially, but the traffic volume during the weekend is likely to differ from the working days on different type of roads and in different directions
  1. Manual Count: The most common method of collecting traffic volume data is the manual method of traffic volume count, which involves a group of people recording number of vehicles passing, on a predetermined location, using tally marks in inventories. Raw data from those inventories is then organized for compilation and analysis. This method of data collection can be expensive in terms of manpower, but it is nonetheless necessary in most cases where vehicles are to be classified with a number of movements recorded separately, such as at intersections also in case where automatic methods cannot be used due to lack of infrastructure, necessary authorization etc.

2. Automatic Count: This method is employed in cases where manual count method is not feasible. Various instruments are available for automatic count, which have their own merits and demerits. Some of the widely used instruments are pneumatic tubes, inductive loops, weigh-in-motion Sensor, micro-millimeter wave Radar detectors and video camera. Both types of count can be classified or unclassified. Classified traffic volume count gives a better understanding of the types of vehicles which uses the road and can be used for number of other purposes apart from the transportation surveys. It can also be used for calculating the modal split of vehicles on the road. Unclassified traffic volume count is done where sufficient manpower is not available or the budget for the survey is low. This type of volume count does not give a good information about the road.

Some of the widely used instruments are –

i) Pneumatic tubes – These are tubes placed on the top of road surfaces at locations where traffic counting is required. As vehicles pass over the tube, the resulting compression sends a burst of air to an air switch.

ii) Inductive loops – Inductive loop detector consists of embedded turned wire. It includes an oscillator, and a cable, which allows signals to pass from the loop to the traffic counting device. Inductive loops are cheap, almost maintenance-free and are currently the most widely used equipment for vehicle counting and detection

  • Bending Plates which contains strain gauges that weigh the axles of passing vehicles
  • Capacitive Strip is a thin and long extruded metal used to detect passing axles. Capacitive strips can be used for both statistical data and axle configuration.
  • Capacitive Mat functions in a similar manner as the capacitive strip but it is designed to be mobile and used on a temporary basis only.
  • Piezo-electric Cable is a sensing strip of a metallic cable that responds to vertical loading from vehicle wheels passing over it by producing a corresponding voltage. The cable is very good for speed measurement and axle-space registration, and is relatively cheap and maintenance

iv) Micro-millimetre wave Radar detectors – Radar detectors actively emits radioactive signals at frequencies ranging from the ultra-high frequencies (UHF) of 100 MHz, to 100 GHz, and can register vehicular presence and speed and can be used determine vehicular volumes and classifications in both traffic directions..

v) Video Camera – Video image processing system utilize machine vision technology to detect vehicles and capture details about individual vehicles when necessary. The system is useful for traffic counting and give a +/- 3% tolerance, and is not appropriate for vehicular speed and their classification.

Factors to be considered while doing a traffic volume survey on mid block –

  1. Surveyor should not affect the flow of traffic.
  2. Survey station should be located at position where queuing do not take place.
  3. Vehicles should be classified if possible as it saves time for Classified Traffic Volume Survey. Also classified results have many other application.
  4. Safety of surveyor should be kept in mind and safe location should be selected. This becomes more important in rural area where carriageway is not well-defined.
  5. Equipment used while automatic count should be placed such that they do not draw attention of driver.

Traffic Volume Survey can be done manually or by use of automatic methods depending upon various factors like manpower available, budget, technology/instrument available, magnitude of traffic data required


Join traffic data (point) to a road network (line) - Section between two roads - ArcGIS - Geographic Information Systems

Arkansas Scenic Byways Program was established shortly after Congress passed the Intermodal Surface Transportation Efficiency Act of 1991. This federal legislation created the framework to develop a network of National Scenic Byways.

The Arkansas Highway Commission adopted criteria by which routes in Arkansas could be designated as Arkansas Scenic Byways. The purpose of this program is to facilitate Arkansans’ recognition of special routes within the state.

Scenic Byways:

The Crowley’s Ridge Parkway, a 198-mile long route consisting of segments of 17 highways, two county roads, and several city streets, was designated as an Arkansas Scenic Byway in 1997. In 1998, it was designated as Arkansas’ first National Scenic Byway by the U.S. Department of Transportation, Federal Highway Administration.

This byway follows the geologic formation known as Crowley’s Ridge through northeast and east-central Arkansas. Approximately two million years ago, wind blown soils collected in an area between the meandering channels of the Mississippi and Ohio Rivers. This wind blown soil, known as loess, formed a ridge rising up to 200 feet in places above the surrounding flat delta region.

This high ground quickly became a magnet for human settlement. Today it is characterized by upland hardwood forest, farmland, orchards, and a wide variety of recreational and historical resources.

The Great River Road was established in 1938 as the national parkway of the Mississippi River. It extends through ten states along the river and offers glimpses into how the heartland of America developed. The 362-mile route in Arkansas consists of segments of 13 highways, several forest service and county roads and city streets. The Great River Road was designated as an Arkansas Scenic Byway in 2001. In 2002, it was designated as Arkansas’ second National Scenic Byway by the U.S. Department of Transportation, Federal Highway Administration.

The Great River Road traverses the ten Arkansas Counties that border the Mississippi River. This region, known as the Delta, is part of the nation’s largest alluvial plain. Travelers on the route experience both the mighty river and its legacy of shaping landscapes and lives along its path.

At the time of pioneer settlement, most Delta terrain was lowlands and swamps, rich in virgin timber and wildlife. Some two centuries later, it is largely agricultural, producing voluminous crops of soybeans, rice, cotton and wheat.

For much of its length, the Great River Road traverses agricultural lands, passing remnants of the original wetlands and traveling through towns whose histories and economies were influenced by the river. From Marianna to Helena, however, the route penetrates the woodlands of the St. Francis National Forest on Crowley’s Ridge.

Highway 88 from Highway 71 in Mena to the Oklahoma State Line was designated as an Arkansas Scenic Byway in 1998. This route climbs to the ridge of Rich Mountain, elevation 2,681 feet, and passes through Queen Wilhelmina State Park on its way to the Oklahoma State Line 18 miles to the west. This route is also part of the Talimena Scenic Drive which extends from Mena west to Talihina, Oklahoma. In 2005, Talimena Scenic Drive was designated the State’s third National Scenic Byway. Noted for colorful fall foliage, the route is considered one of the premier motorcycle routes in the state.

Highway 7 from Arkadelphia to Harrison became Arkansas’ first scenic byway in 1993. The scenic byway was extended in 1999 to include the highway from the Louisiana state line to Arkadelphia. Scenic Highway 7 is approximately 290 miles in length.

Scenic 7 starts in the coastal plain region of southern Arkansas. This area consists of lowland rolling hills covered with dense pine forests and numerous river valleys covered with bottomland hardwood forests. The region is rich in wildlife, outdoor recreation, and historical resources.

South of Hot Springs travelers will enter the Ouachita Mountains which are noted for wide valleys, rich agricultural lands, timbered mountains and abundant wildlife. The Ouachita Mountains are unique in that they are the only mountain range in the U.S. whose ridges and valleys are oriented west to east.

Next is the Arkansas River valley between the Ouachita and Ozark Mountains. Since the earliest days of European settlement in Arkansas, this valley has been an important transportation corridor and has been served by flatboats, keelboats, and steamboats, and the overland stage coach.

In the northwest portion of Arkansas, Scenic 7 traverses the Ozark Mountains. This region is famous for its colors, particularly in the fall when the oak-hickory forest turns to yellows, oranges, and reds contrasted by bright green pines and the spring when the dogwoods, redbuds, wild plums, and wildflowers bloom. The Ozark Mountains are also noted for their clear mountain streams.

Two separately designated routes make up the Boston Mountains Scenic Loop.

Highway 71 from Dean’s Market to Fayetteville was designated as an Arkansas Scenic Byway in 1998. Scenic Highway 71 begins at the edge of the Arkansas River Valley and extends 42 miles across the Ozark Mountains to Fayetteville. These rugged mountains are home to quaint craft shops, mountaintop lodging, and spectacular vistas.

Interstate 540 from Dean’s Market to Fayetteville was designated as an Arkansas Scenic Byway in 1999. This byway roughly parallels Highway 71 and also begins at the edge of the Arkansas River Valley, winding 38 miles north to Fayetteville. Constructed through very rugged terrain in the Ozark Mountains, this route includes several high-span bridges and the State’s only highway tunnel, the Bobby Hopper Tunnel.

This byway is known for its spectacular views of the oak-hickory forested mountains and small farms nestled in picturesque valleys.

For 35 miles, Highway 21 from Highway 64 to the Buffalo National River traverses the Boston Mountains region of the Ozark Mountains. The Byway, designated in 2005, offers a serene drive through the Ozark National Forest as well as many recreational opportunities and striking vistas before arriving at the nation’s first National River. Watch for elk near the Buffalo National River, deer, black bear and eagles.

Designated as a State Scenic Byway in 2001, this Scenic Byway extends 15 miles from Highway 256 in White Hall to Highway 65 southeast of Pine Bluff. I-530 traverses part of the 300-mile long Bayou Bartholomew, the world’s longest bayou. These wetlands are populated by bald cypress trees, an assortment of birds and waterfowl and more than a hundred species of fish, as well as otters and alligators.

This 45-mile portion of Highway 309 was designated as an Arkansas Scenic Byway in 1994. This byway starts at highway 10 in Havana and proceeds north over Mount Magazine, the highest point in Arkansas at 2,753 feet. This mountain was named by French explorers who recognized a resemblance to magazines used by the French military to store ammunition.

North of Mount Magazine, Highway 309 descends into the rich farmland of the Arkansas River Valley where it ends at Highway 23 in Webb City.

The Pig Trail Scenic Byway is a Forest Service Scenic Byway. Beginning in the southeast corner of the Ozark National Forest near I-40, The Byway extends north along Highway 23 for 19 miles to Highway 16 at Brashears. With its many steep inclines and sharp curves, driving the Pig Trail may be likened to riding a roller coaster. Trees crowd the roadside, creating a shady corridor during the summer in some areas and display stunning fall color. Very little development has occurred along this route, offering travelers a glimpse of the Ozarks that would have been familiar to the early settlers.

The Sylamore Scenic Byway is a Forest Service Scenic Byway located in the southeast corner of the Ozark National Forest. The byway begins at Calico Rock and proceeds along Highways 5 and 14 and Forest Service Road 110 to Blanchard Springs Caverns. The white oak-hickory forests provide an early spring view of dogwoods and redbuds and majestic fall color. Hiking trails abound for a closer view of the many hillsides and waterfalls.

Designated as a State Scenic Byway in 2005, the West-Northwest Scenic Byway is comprised of 261 miles of interconnected highways including Highway 71 from Mena to I-540 and portions of Highway 10 from Ola to the Oklahoma State Line and of Highways 23 and 96. Much of the Byway lies within the Ouachita National Forest. Crossing the only mountains in North America that are oriented east-west, the terrain is less rugged than the Ozark Mountains, so was more hospitable to early settlers. Many museums, historical sites and small towns characterized the area today.

Designation Criteria

Upon receipt of a written request to designate a route or a portion of a route as an Arkansas Scenic Byway, the following steps will be taken.

  1. The route must be designated as a “scenic highway” by the State General Assembly.
  2. An active organization composed of various private and governmental groups, businesses, and agencies who are interested in preservation, enhancement, marketing, and development of the route’s scenic, cultural, recreational, and historic qualities must be established.


Identification of Accident Blackspots on Rural Roads Using Grid Clustering and Principal Component Clustering

Identifying road accident blackspots is an effective strategy for reducing accidents. The application of this method in rural areas is different from highway and urban roads as the latter two have complete geographic information. This paper presents (1) a novel segmentation method using grid clustering and K-MEDOIDS to study the spatial patterns of road accidents in rural roads, (2) a clustering methodology using principal component analysis (PCA) and improved K-means to create recognition of road accident blackspots based on segmented results, and (3) using accidents causes in police report to analyze recognition results. The proposed methodology will be illustrated by accident data in Chinese rural area in 2017. A grid-based partition was carried on by using intersection as a basic spatial unit. Appended hazard scores were then added to the segments and using K-means clustering, a result of similar hotspots was completed. The accuracy of the results is verified by the analysis of the cause extracted by Fuzzy C-means algorithm (FCM).

1. Introduction

Traffic accidents are contingent events and are defined by a series of variables—the accident index, hidden danger index, and risk index—that explain them. When data is difficult to obtain in detail or changes greatly (such as in rapidly developing rural areas), latent variable models will be more suitable for safety evaluation. With the increase of car ownership and accidents in rural areas, developing countries like China are increasingly aware of the importance of rural road safety. By the end of the “Twelfth Five-Year Plan” (2015), the total mileage of rural roads in China reached more than 3.95 million kilometers. By the end of 2016, the number of household cars per 100 rural households was 17.4 (2016 Social Development Statistics Bulletin, 2017). At the same time, about two-thirds of all traffic accident deaths occurred on rural roads in 2016 (China Ministry of Transport, 2017). The Chinese government has put forward the slogan of “Four Good Rural Roads” and regards it as the main task of the Thirteenth Five-Year Plan.

One of the major difficulties in traffic safety evaluation is the heterogeneity of the data [1]. The threshold of selected variables is only used for accident black spots recognition, not considering the relationship between similar accidents, thus isolating the specific relationship between variables. In the establishment of the model for black spot recognition of accidents, the creation of multiple variables will have a certain degree of multicollinearity. Therefore, the model based on this contains vast amounts of redundant information [2]. Cluster analysis was used to identify black spots with the advantage of taking historical statistics and theoretical calculations into account [3]. It not only enables better clustering of similar segments, but also embodies the characteristics of different segments. It solves the problem of historical statistics.

Discretization of continuous attributes is an important preprocessing step in data mining. In the process of identifying the black spots of the accident, it is necessary to divide the intricate road network into continuous road segment for the road black spots identification. In the identification process of accident black spots on highways, the road segments are divided according to fixed length, and data processing only selects the appropriate pile spacing. When identifying black spots of urban roads, GIS (Geo-Information system) [4] and Kernel density estimation [5] are well used because of the complete geographic information of urban roads and accident points. However, when identifying black spots in rural roads, especially for developing countries, the geographical location of rural roads is incomplete, and the description of accident locations is vague. This makes the segmentation process of rural roads different and more complicated than highways and urban roads. de Ona [6] uses Latent Class Cluster (LCC) as a preliminary tool for segmentation of accidents on rural highways in Granada. de Ona divides accident data into multiple hidden clusters according to the condition and severity, while geographic information has not been taken into account. Based on the basic idea of gridding-based cluster, this paper quantifies the analysis object into limited road segments. Being different from the CLIQUE algorithm [7] setting the grid of the established step size, this paper uses the intersection as the unit and clusters the rural road accident points according to the threshold of density. This is the preparatory work for the following principal component clustering. To the best of our knowledge, this is the first time that both approaches have been used together.

Among the methods of identifying black spots, data mining technologies are approved for the reliability and prospects. Many previous studies have focused on compressing and identifying key factors that have an impact on the severity of road accidents. Neural network [8], rough set [9], fuzzy logit, and decision tree learning [10, 11] have been applied for recognition. The establishment of the recognition model requires multiple variables, while the existing relationships between the variables are easily ignored, so the establishment of the dimensions and weights of the variables can be important [12]. In order to avoid the multicollinearity problem between multivariables, this paper uses PCA to quantify the information of each road segment and extracts the principal components. On this basis, the improved K-means clustering is used to identify the black spots of the accident. In order to verify the reliability of identification results, the causes of the accidents are chosen for analysis. Fuzzy c-means algorithm (FCM) is widely used to identify the causes of accident [13]. This paper further improves its accuracy and noise immunity.

The foci of this paper are as follows: (1) to present a methodology for the segment division of rural highway, (2) based on PCA’s hazard scoring on the segment, to use K-means clustering to identify the black spots of the accident, and (3) to connect the cause of the accident to analyze and test the identified black spots of the accident.

2. Methodology

This chapter firstly introduces the accident segment division method based on gridding-based clustering. On this basis, the principal component cluster is introduced, which includes using the principal component to score the segment and using K-means to cluster the scoring results. Finally, fuzzy cluster is introduced to test the aforesaid results.

2.1. Gridding-Based Clustering

When analyzing conventional clustering problems, the Euclidean distance formula is generally used to measure the distance between two points. However, for the road traffic accidents, it is necessary to consider the spatial distribution difference between them and other general events that is, traffic accidents are strictly restricted to road traffic networks. Being different from the one-dimensional linearity of the expressway, when analyzing the accident points in rural roads, the vehicles are strictly bound in the road network. If the Euclidean distance is used to describe the distance between the accidents, many actual errors will be generated in the road network which is easy to amplify the danger.

The gridding-based clustering algorithm refers to quantify an object space into a finite road segment to form a grid-like structure. This approach will increase processing speed and constrain the disorganized points in the space to the grid for analysis [14, 15], which brings the possibility of simplification to the rural road black spots featured by linear complexity and inaccurate road network. Classic grid clustering ideas, such as the CLIQUE algorithm, segment each dimension into nonoverlapping communities, so that the entire embedded space of the data object is segmented into units, and presupposed density thresholds can identify dense units. Gridding-based clustering requires two presupposed parameters: one is the step size of the grid and the other is the threshold of the density. This paper, when analyzing rural roads, replaces the units segmented by the established steps with intersections. The critical distance between dense intersections has no explicit provision. Referring to the “General Principles for the Design of Chinese Civil Buildings”, Anderson [5], Benedek [16], and Ulak [17] which define the window width of the accident intersection, scholars generally believe that it is reasonable to set up 100-200 meters in a city. For expressways, the distance is considered to be longer than 500 meters. The rural road network studied in this paper is relatively sparse compared with the urban road network. Hence, the critical distance between adjacent segments is set to 200 meters in this paper. The specific process is as follows:

(1) Scanning all grids. When the first dense grid is found, the grid begins to expand. Divided segment


Synthetic time series technique for predicting network-wide road traffic

Affiliations: [ a ] Department of Civil and Environmental Engineering, University of Maryland, MD, USA | [ b ] Department of Mathematics, University of Maryland, MD, USA | [ c ] Joint Program in Survey Methodology, University of Maryland, MD, USA

Correspondence: [*] Corresponding author: Kartik Kaushik, Department of Civil and Environmental Engineering, University of Maryland, MD, USA. E-mail: [email protected]

Abstract: Short term traffic forecasting cannot be more important in the current world of cash strapped economies, placing ever increasing importance on managing existing facilities as opposed to building new infrastructure. The advent of autonomous vehicles further stresses the need for robust and fast fram eworks to forecast traffic over the horizon of a typical trip length so that the best routing decision might be made. There is an extensive amount of research on this topic already. However, most of the techniques in literature do not scale well with data or the size of the network in terms of model complexity, computational power and time. Proposed in this paper is a flexible synthetic time series framework that aims to solve the complexity and scalability problems with most models in literature. The synthetic time series framework takes advantage of the repeatability of the traffic patterns such that real-time predictions can be quickly made. It is flexible enough to work with most models in literature, and extendable quite easily with additional parameters to make predictions more robust. Presented in this work are the Autoregressive Integrated Moving Average (ARIMA) models within the synthetic time series framework. It is shown that reasonably accurate predictions can be made by using just the basic structure of ARIMA without any auxiliary variables accounting for the upstream/downstream conditions, incidents or weather. With a robust model fitted within the synthetic framework, prediction errors can be further reduced, while ensuring scalable computation power. Predictions are performed online, where incoming data is fed to the fitted model as the independent variable, and predictions are obtained as the dependent variable.

Keywords: Traffic forecasting, ARIMA, network, probe data

Journal: Statistical Journal of the IAOS, vol. 34, no. 3, pp. 425-437, 2018


Assista o vídeo: Identificando encostas potencialmente perigosas em estradas no ArcMap (Outubro 2021).