عنوان انگلیسی مقاله:

Data fusion in intelligent transportation systems: Progress and challenges – A survey

ترجمه عنوان مقاله: تلفیق داده ها در سیستم های حمل و نقل هوشمند: بررسی پیشرفت ها و مشکلات

$$$: فقط 12500 تومان

سال انتشار: 2011

تعداد صفحات مقاله انگلیسی: 7 صفحه

تعداد صفحات ترجمه مقاله: 17 صفحه

منبع: الزویر و ساینس دایرکت

نوع فایل: word

http://modir123.com/photo%20site/D-modir123.com%20_2_.png دانلود اصل مقاله

 

فهرست مطالب
  • چکیده
  • مقدمه
  • پیشینه تلفیق داده ها
  • فرصت ها و چالش های تلفیق داده ها در ITS
  • کاربردهای تلفیق داده ها در ITS
  • سیستم هایپیشرفته اطلاعات سفر
  • تشخیص خودکار حوادث
  • دستیار پیشرفته راننده
  • کنترل شبکه
  • تحلیل تصادف و جلوگیری از آن
  • برآورد تقاضای ترافیک
  • پیش بینی و پایش ترافیک
  • برآورد دقیق موقعیت
  • نتیجه گیری و پژوهش های آتی
  • منابع

ترجمه چکیده مقاله

در سیستم های حمل و نقل هوشمند (ITS)، زیرساخت حمل و نقل با فناوری های اطلاعاتی و ارتباطی همراه می شود تا موجب بهبود امنیت مسافران، کاهش زمان حمل و نقل و مصرف سوخت و استهلاک وسیله نقلیه شود. با پیدایش دستگاه های ارتباطی و پردازشی جدید و حسگرهای گران قیمت، امکان جمع آوری و پردازش داده های منابع مختلف فراهم شده است. تلفیق داده ها (DF) مجموعه تکنیک هایی است که با استفاده از آن ها اطلاعات منابع مختلف به منظور دستیابی به نتیجه گیری بهتر ترکیب می شوند. DF ابزاری ضروری برای ITS است. این مقاله پیمایشی را در مورد نحوه استفاده از DF در حوزه های مختلف ITS ارائه می کند.

کلیدواژه ها: سیستم های حمل و نقل هوشمند، تلفیق اطلاعات، سیستم های پیشرفته اطلاعات سفر، سیستم های موقعیت یابی جهانی، حادثه یابی

ترجمه مقدمه مقاله

فراهم کردن اطلاعات ترافیکی دقیق به یکی از چالش های مهم موسسات دولتی و شرکت های خصوصی تبدیل شده است که به رشد سریع سیستم حمل و نقل هوشمند (ITS) منجر شده است [1]. در عین حال، ظهور فناوری های اطلاعاتی جدید و تغییر به وجود آمده در مدیریت ترافیک جاده ای، نیاز به اطلاعات ترافیکی بسیار دقیق را افزایش داده است. برای ارائه یک وضعیت ترافیکی دقیق و کامل تر در مورد شبکه جاده ای، حسگرهای ترافیکی که معمولاً برای اندازه گیری شرایط ترافیکی حاکم به کار می روند اثربخش نیستند. برای تکمیل اطلاعات به دست آمده از آن سیستم های اندازه گیری رایج، استفاده از سایر منابع داده ها (نظیر دوربین ها، GPS، ردیابی تلفن همراه و وسایل نقلیه کاوشگر) رو به افزایش است. علاوه بر این، سازمان ها معمولاً فعالیت های ترافیکی را ثبت می کنند و این اطلاعات را بایگانی می کنند. این اطلاعات آفلاین همراه با اندازه گیری های به دست آمده از سایر حسگرها اغلب در پیش بینی روند ترافیک مفید هستند. منابع مختلف می توانند داده های تکمیلی را فراهم کنند و تلفیق داده چندمنبعی می تواند با کاهش عدم قطعیت مربوط به منابع مختلف درک بهتری از شرایط مشاهده شده را فراهم کند. تلفیق منابع مختلف به درستی به عنوان پاسخی مناسب به نیازهای عملیاتی مراکز مدیریت ترافیک و اپراتورهای اطلاعات ترافیک شناخته می شود که به آن ها امکان می دهد تا با کارایی بیشتری به هدف خود دست پیدا کنند. هدف اصلی این مقاله پیمایشی آشنا کردن خوانندگان با مهم ترین کاربردهای تکنیک های تلفیق داده ها (DF) در سیستم های حمل و نقل هوشمند و نشان دادن مسیرهای پژوهشی آتی در این حوزه است.

ساختار این مقاله پنج بخشی است. بخش 2 عملیات اصلی مهندسی ترافیک را با تأکید بر منابع داده ای موجود توضیح می دهد. کاربردهای DF در حوزه مهندسی ترافیک در بخش 3 ارائه شده است. بخش 4 تحلیل پژوهش های آتی و بخش 5 نتیجه گیری ها را توضیح می دهد.

ترجمه نتیجه گیری مقاله

نیاز به DF ناشی از کاربردهای حمل و نقل در حداقل دو دهه گذشته است و موجب ایجاد رشته نوظهوری شده است که تا حدی نوپا است. هرچند این مقاله پیمایشی به طور خاص بر مشکلات ترافیک جاده ای تمرکز می کند اما پیشرفت ها و روش تلفیق داده های ترافیک حاصل از منابع مختلف را توضیح داده است. در تمام کاربردهای توضیح داده شده در این مقاله، تکنیک های DF امیدوار کننده بوده اند. اما این نتایج امیدبخش نباید مشکلی را پنهان کند که همچنان وجود دارد و باید پیش از هر گونه استفاده عملیاتی از DF در حوزه حمل و نقل حل شود. این مشکلات عبارتند از دقت مورد نیاز برای استفاده اثربخش، جنبه های پویا و بلادرنگ ترافیک و کیفیت داده ها، بُعد بلادرنگ. ارزیابی مزایای DF با افزایش تعداد کاربردهای عملی موفق DF در حوزه حمل و نقل آسان تر انجام خواهد شد. اما کاملاً روشن است که فرصت هایی واقعی برای به کارگیری بیشتر DF در سیستم های حمل و نقل جاده ای وجود دارد. این امیدواری عبارت است از افزایش جمع آوری داده های کاربردی از منابع مختلف غیر از حسگرهای نصب شده برای نظارت بر ترافیک. تکنولوژی های بی سیم که 1) امکان گزارشدهی ساده تر و دسترسی به اطلاعات سفارشی (مثل سیستم های مشارکتی وسیله نقلیه با وسیله نقلیه، وسیله نقلیه با زیرساخت و زیرساخت با وسیله نقلیه) و 2) توانایی جدید ردیابی وسایل نقلیه مختلف و اطلاعات جمع آوری شده FCD/ xFCD را ارائه می کنند اطلاعات موجود در مورد وضعیت ترافیک را غنی تر خواهد ساخت و مسلماً نیاز به سیستم های عملیاتی DF را افزایش خواهد داد.

چکیده انگلیسی مقاله

In intelligent transportation systems (ITS), transportation infrastructure is complimented with information and communication technologies with the objectives of attaining improved passenger safety, reduced transportation time and fuel consumption and vehicle wear and tear. With the advent of modern communication and computational devices and inexpensive sensors it is possible to collect and process data from a number of sources. Data fusion (DF) is collection of techniques by which information from multiple sources are combined in order to reach a better inference. DF is an inevitable tool for ITS. This paper provides a survey of how DF is used in different areas of ITS.

Keywords: Intelligent transportation systems, Information fusion, Advanced traveler information systems, Global positioning systems, Incident detection

مقدمه انگلیسی مقاله

Providing accurate traffic information is becoming a major challenge for the public institutions and private companies leading to the rapid growth of intelligent transportation system (ITS) [1]. At the same time, the emergence of new information technologies and the transformation that has occurred in road traffic management has both increased a need for very accurate road traffic information. In order to provide an accurate and more comprehensive traffic state on a road network, the traffic sensors that are usually used to measure the prevailing traffic conditions are ineffective. Other sources of data (such as cameras, GPS, cell phone tracking, and probe vehicles) are increasingly used to supplement the information provided by those conventional measurement systems. In addition, authorities normally keep track of traffic activities and archive such information. This offline information, together with the measurements from other sensors is often found to be useful in predicting the traffic trend. Multiple sources may provide complementary data, and multi-source data fusion can produce a better understanding of the observed situation by decreasing the uncertainty related to the individual sources. The fusion of multiple sources is perceived, rightly, as a well-adapted answer to the operational needs of traffic management centers and traffic information operators, allowing them to achieve their goal more efficiently. The primary goal of this survey paper is to acquaint the reader with the most significant applications of data fusion (DF) techniques in intelligent transportation systems and to indicate the directions for future research in this area. The paper is organized into five sections. Section 2 describes basic traffic engineering operations with emphasis on data sources available. DF applications to the traffic engineering area are presented in Section 3. Section 4 describes prospective research analysis with conclusions in Section 5.

نتیجه گیری انگلیسی مقاله

Needs for DF has emerged from transportation applications for at least two decades and give rise to an emergent field which is somewhat in its infancy. This survey paper, although focuses exclusively in road traffic problems, has described the state of the art and practice of fusion of traffic data from various sources. For all the applications reported in this article, DF techniques seen promising. However, these encouraging results should not conceal the problem that still remains to be solved before any operational widespread deployment of DF in transportation field. These challenges include the accuracy necessary for the effective application, dynamic and real time aspects of the traffic and data quality, real time dimension. The assessment of the benefits of DF will be more readily performed with the increase number of successful practical applications of DF in transportation field. It is most definite, however, that there are real opportunities for greater DF application in road transportation systems. Prospects include the increased collection of usable data from different sources other than that to installed sensors for traffic surveillance. Wireless technologies, which offer (i) the potential of easier reporting and access to customized information (e.g. cooperative systems with vehicle to vehicle, vehicle to infrastructure and infrastructureto vehicle) and (ii) the new ability of tracking individual vehicles and information collected by FCD/xFCD will enrich the available information on traffic situation, will certainly accelerate needs for DF operational systems.