[050]Seminar1 work

Last updated 6 years ago

Was this helpful?

Seminar1:A Participatory Urban Traffic Monitoring System

1.架構圖
2.初步構思整理

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

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%

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。

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？

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。

Last updated 6 years ago

Was this helpful?

1.架構圖
2.初步構思整理

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

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%

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。

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？

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。