[050]Seminar1 work

2017-10-26(四) [050]篇

Seminar1:A Participatory Urban Traffic Monitoring System

1.架構圖

2.初步構思整理

1.架構圖

2.初步構思整理

work-Data Collection分為三種來源

1.Bus Riders

• 一旦使用者被偵測在bus上面，此系統將會自動地開始從mobile phone上online data collection [39]

• 用beep detection approach來偵測user是否在公車上

• 在我們用IC card來支付公車費用時，會有"嗶"聲，現在新加坡他的card reader會發出1kHZ與3kHZ的組合，為了更有效率偵測this beep signal

• 同時，我們採用Goetzel alogorithm而不是Fast Fourier Transform(FFT)，目的是為了extract specific frequencies，而不是全部的frequencies。

• Goetzel alogorithm 的CPU computation也比 FFT少

bus trip

• 確認beep detection 後，mobile開始紀錄cell tower signals with timestamp，因此這些sensing data 符合一連串time stamped cellular samples在旅程中，並且在背景端默默上傳這些data。

• 假設都沒有beep detection，mobile phone將會terminate本次trip，時間會以 t=10 min計算，這個數字是可以調整的，表示user已經下公車了，而t是可以根據countries去調整，加上如果塞車的話，整趟trip一定超過t的時間，我們的系統將會track trip status in each mobile phone，假使在same bus route上，蒐集到two consecutive cellular samples，那我們就把這兩個例子視為same trip

• 在beep detection中，會有很多noisy的狀況，像是火車的"嗶"聲，或是在公車上其他user在刷IC卡的beep聲，概略來說，會採用frequent acceleration changes來filter非正常的情況，來偵測user是walking, standing, or sitting。

我覺得beep detection and timestamp這些collection，一定要精準且可靠，否則後面的計算都會變得無效，我其實很好奇，到底beep detection 精准度可以做到幾%

2.Bus Stops DataBase

• 我們假設此刻會有一個offline的database來存取cellular的fingerprint for all bus stops，這些fingerprint很重要，原因在於夠identify corresponding bus stops，另外，晚一點會談database的建立，可透由群眾外包給bus riders，這樣節省大量手動工作在紀錄each bus stops。

3.Bus Routes and Traffic Model:

• 提出三篇文獻[9],[10],[23]，講述classic model，來描述transformation between travel speeds of bus and vehicles

  可是公車與一般的車子速度還是會不一樣吧，像台中有BRT的車道，不是會比車子快嗎？這樣還能用來描述大眾的traffic imforamtion嗎？ 我想知道用這些model，與實際的路況資訊，會有多少落差？

思考：

• 從上公車、刷卡、等待公車時間，就有data去不斷upload，紀錄著cellular fingerprint，同時在每一個bus stop都會存取database，最後，下車刷卡，紀錄這趟的timestamp sample，然後用上述的資訊去describe traffic 狀況，並且做出一個model來估計此段錄淨的車速，我在想這個model也要有用才行，不過倒底怎樣才能validate這model是否有用呢？

• 因此我印了，兩篇2頁的參考文獻，一篇是說明beep dection的使用、過濾，二是traffic model，我從這三篇挑一篇最新的2009年，來參考當中的做法。

下一篇，列出投影片...