Towards synthetic sensing for smart cities : a machine/deep learning-based approach
Vers une détection synthétique pour les villes intelligentes : une approche basée sur la machine et l'apprentissage profond
Résumé
We worked on one of the most significant research directions in Smart City, i.e., Intelligent Transportation System (ITS). ITS encapsulates several domains, such as electronic vehicles notification systems, traffic information, smart parking, and environment. However, in this thesis, we target two of its important domains; i) Smart Parking, and ii) Road Traffic. We started our research with Smart Parking use case. Performing literature review, we realized that different Machine Learning (ML) and Deep Learning (DL) approaches have been used for smart parking solutions. In most of these proposed approaches, enclosed parking areas were targeted with different feature sets to predict the "occupancy rate" in parking areas. It inspired us to conduct a comparative analysis to answer following questions; Given the parking prediction use case, how do the traditional ML models perform as compared to complex DL models? Provided big data, can less complex, traditional ML models outperform complex DL models? How well these models can perform to predict the availability of the individual on-street parking spots rather than predicting the overall occupancy rate of an enclosed parking area. To answer these questions, we choose five well-known classical ML algorithms (K-Nearest Neighbours, Random Forest, Decision Tree) and DL algorithm (Multilayer Perceptron). To take our investigation into depth, we train Ensemble Learning Model, in which we combine all the above-mentioned ML and DL models. A huge parking dataset of city of Santander, Spain, has been used which consists of around 25 million records. We also propose to recommend available parking spots based on the current location of the driver. Moving forward with our research goals, we performed literature review on road traffic and found road traffic associated with air pollution and noise pollution often. However, to the best of our knowledge, air pollution & noise pollution have never been use d in traffic prediction problem. In this part of our research, firstly we used air pollution (CO, NO, NO2, NOx, and O3) along with the atmospheric variables, such as wind speed, wind direction, temperature, and pressure to improve the traffic forecasting in the city of Madrid. This successful experiment motivated us to extend our investigation to another factor, which is also strongly correlated with road traffic i.e., noise pollution. Hence, as an extension of our previous work, in this part of our research, we use noise pollution to improve the traffic prediction in the city of Madrid.
Nous avons travaillé sur l'un des axes de recherche les plus importants de la ville intelligente, à savoir les systèmes de transport intelligents (STI). Les ITS englobent plusieurs domaines, tels que les systèmes de notification électronique des véhicules, les informations sur le trafic, le stationnement intelligent et l'environnement. Cependant, dans cette thèse, nous ciblons deux de ses domaines importants : i) le stationnement intelligent et ii) le trafic routier. Nous avons commencé notre recherche par le cas d'utilisation du stationnement intelligent. En effectuant une revue de la littérature, nous avons réalisé que différentes approches de Machine Learning (ML) et de Deep Learning (DL) ont été utilisées pour des solutions de stationnement intelligent. Dans la plupart de ces approches proposées, les zones de stationnement fermées ont été ciblées avec différents ensembles de caractéristiques pour prédire le "taux d'occupation" dans les zones de stationnement. Cela nous a incités à effectuer une analyse comparative pour répondre aux questions suivantes : compte tenu du cas d'utilisation de la prédiction de stationnement, comment les modèles ML traditionnels se comportent-ils par rapport aux modèles DL complexes ? Avec des données volumineuses, les modèles ML traditionnels moins complexes peuvent-ils surpasser les modèles DL complexes ? Quelle est la performance de ces modèles pour prédire la disponibilité des places de stationnement individuelles dans la rue plutôt que de prédire le taux d'occupation global d'une zone de stationnement fermée. Pour répondre à ces questions, nous avons choisi cinq algorithmes ML classiques bien connus (K-Nearest Neighbours, Random Forest, Decision Tree) et un algorithme DL (Multilayer Perceptron). Pour approfondir notre étude, nous formons un modèle d'apprentissage d'ensemble, dans lequel nous combinons tous les modèles ML et DL susmentionnés. Nous avons utilisé un énorme ensemble de données sur les pa rkings de la ville de Santander, en Espagne, qui comprend environ 25 millions d'enregistrements. Nous proposons également de recommander des places de stationnement disponibles en fonction de l'emplacement actuel du conducteur. En poursuivant nos objectifs de recherche, nous avons effectué une revue de la littérature sur le trafic routier et avons constaté que le trafic routier est souvent associé à la pollution atmosphérique et à la pollution sonore. Cependant, à notre connaissance, la pollution atmosphérique et la pollution sonore n'ont jamais été utilisées dans le problème de la prédiction du trafic. Dans cette partie de notre recherche, nous avons d'abord utilisé la pollution de l'air (CO, NO, NO2, NOx, et O3) avec les variables atmosphériques, telles que la vitesse et la direction du vent, la température et la pression pour améliorer la prévision du trafic dans la ville de Madrid. Cette expérience réussie nous a incités à étendre notre étude à un autre facteur, qui est égalemen t fortement corrélé au trafic routier, à savoir la pollution sonore. Ainsi, dans le prolongement de nos travaux précédents, nous utilisons dans cette partie de notre recherche la pollution sonore pour améliorer la prévision du trafic dans la ville de Madrid.
| Origine | Version validée par le jury (STAR) |
|---|