Detailergebnis zu DOK-Nr. 49300
Leistungsfähigkeit von automatischen, auf künstliche neuronale Netze gestützte Störfalldetektionen auf Autobahnen (Orig. engl.: Performance of automatic ANN-based incident detection on freeways)
| Autoren |
H.M. Al-Deek S.S. Ishak |
|---|---|
| Sachgebiete |
6.2 Verkehrsberechnungen, Verkehrsmodelle 6.7 Verkehrslenkung, Verkehrssteuerung, Telekommunikation |
Journal of Transportation Engineering 125 (1999) Nr. 4, S. 281-290, 10 B, 3 T, zahlr. Q
Die automatische Störfallentdeckung auf Autobahnen ist ein wesentlicher Bestandteil für die erfolgreiche Entwicklung von intelligenten Verkehrssystemen. Verschiedene Störfalldetektionsalgorithmen wurden in den letzten 30 Jahren bereits entwickelt, von denen die meisten jedoch nicht die Anforderungen in bezug auf Detektionsrate und Fehlalarmquote erfüllten. In jüngster Zeit wurden künstliche neuronale Netze (Artificial Neural Networks = ANN) und Störfallentdeckung - im Vergleich mit den traditionellen Algorithmen erfolgreich - miteinander verknüpft. Die Studie untersucht die Anwendungen der zwei Neuronalnetz-Modelle "Multi-Layer Feed-Forward Algorithm" (dt. etwa: Algorithmus einer mehrfach überlagerten Vorwärtskopplung) und "Fuzzy ART (Adaptive Resonance Theory) Algorithm" (dt. etwa: Algorithmus einer unscharfen, sich angleichenden Resonanz). Die Studie wurde auf der Hauptdurchgangsachse i-4 in Orlando auf der Basis realer Daten, die über das Verkehrsüberwachungssystem erhoben wurden, durchgeführt. Zur Verbesserung der Leistungsfähigkeit und zur Ermittlung der Empfindlichkeit der entwickelten Algorithmen anhand bestimmter Faktoren wurden mehrere Szenarien untersucht. Im Ergebnis zeigt die Studie, daß im allgemeinen der Fuzzy ART-Algorithmus das Multi-Layer Feed-Forward-Netz und die California-Algorithmen #7 und #8 aussticht.