PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 92 Transport 2013 Marek Stawowy Politechnika Warszawska, Wydzia Transportu WYZNACZANIE JAKOCI INFORMACJI W TELEMATYCE AUTOSTRADOWEJ Rkopis dostarczono, maj 2013 Streszczenie: W artykule przedstawiono model wyznaczania jakoci informacji IQ (ang. Information Quality) na podstawie modelowania wspóczynnika pewnoci hipotezy CF (ang. Certainty Factor) w telematyce autostradowej. Modelowanie takie dotyczy zazwyczaj systemów ekspertowych lub sztucznej inteligencji. Jednak w systemach telematyki autostradowej gównym elementem s systemy komputerowe analizujce i przetwarzajce dane o ruchu pojazdów. Sowa kluczowe: jako informacji, wspóczynnik pewnoci, telematyka autostrad 1. WSTP W telematyce transportu jako informacji (IQ ang: Inforamtion Quality) 1 ma duy wpyw na bezpieczestwo ruchu pojazdów na autostradzie. Szczególnie, jeli chodzi o informacje telematyczne zwizane z nadzorem ruchu otrzymywane z rónych detektorów. Wszystkie pomiary wykonywane tymi detektorami mog by obarczone rónymi bdami, które wprowadz pewn doz niepewnoci informacji. Niepewno ta moe wskazywa nam na jako informacji. Czyli im niepewno mniejsza tym jako informacji wysza. Na jako informacji skada si wiele czynników. Jak przedstawione na rys. 1 na jako informacji skadaj si: 1. relatywno - informacja odpowiada na potrzeby i ma istotne znaczenie dla odbiorcy, 2. dokadno - informacja jest adekwatna do poziomu wiedzy jaki reprezentuje odbiorca, precyzyjnie okrela temat, 3. aktualno - informacja nie jest nieaktualna, cykl jej aktualizacji jest zgodny z zawartoci treci, 1 W literaturze czsto pojawia si nazwa jako danych (ang. Data Quality). Oba terminy s rozrónialne na zasadzie, e DQ dotyczy tylko danych a IQ dotyczy danych i przesanek (niepewnych danych). W tej pracy uyta zostaa jako informacji IQ zazwyczaj zdefiniowana jako bardziej ogólna do DQ.
222 Marek Stawowy 4. kompletno - informacja zawiera optymaln liczb danyc która wystarcza by móc przetworzy informacj w konkretn wiedz, poziom szczegóowoci jest zaleny od potrzeb odbiorcy, 5. spójno - poszczególne elementy, dane wspógraj ze sob, forma odpowiada treci, aktualizacja danych jest zgodna z celami, 6. odpowiednio - odpowiednia prezentacja informacji oraz opis do prezentacji umoliwiajcy poprawn interpretacj, 7. dostpno - informacja jest dostpna, kiedy jest potrzebna waciwym odbiorcom, 8. wiarygodno - informacja potwierdza prawdziwo danyc zawiera elementy upewniajce co do rzetelnoci przekazu, 9. przystawalno - informacja jest zgodna z inn informacj, interpretowana we waciwym kontekcie. Rys. 1. Elementy skadowe jakoci informacji w sensie technicznym Opracowanie wasne na podstawie Wirtualnej Encyklopedii Zarzdzania. W celu oszacowanie jakoci informacji wybranego systemu naley zamodelowa niepewno, której odwrotno moe wskazywa na IQ. Modelowanie niepewnoci zapewniaj midzy innymi sieci bayesowskie. Jednak w tym przypadku (dane pochodz z rónych róde), aby uproci modelowanie a co za tym idzie kalkulacj, mona by uy teorii ewidencji matematycznej stworzonej przez Dempstera Shafera. Aczkolwiek, skoro oceniamy informacje z systemów komputerowych (wspóczesne detektory s sterowane mikrokontrolerami) a analiz jak wykonuj jest szeregiem decyzji (wykonywane algorytmy przez kontrolery), mona uy modelowania wspóczynnika pewnoci hipotezy (CF ang: Certainty Factor) [4] wykorzystywanego w systemach ekspertowych i sztucznej inteligencji. Naley tu przyj zaoenie, e wyznaczone CF dla zaproponowanego modelu bdzie szukanym IQ.
Wyznaczanie jakoci informacji w telematyce autostradowej 223 2. MODELOWANIE WSPÓCZYNNIKA PEWNOCI HIPOTEZY DLA SYTEMU TELEMATYKI AUTOSTRADOWEJ W pierwszej czci tego rozdziau s sprecyzowane zalenoci jakie zostay uyte do wyliczania wartoci CF. Wynika to z rónokierunkowoci rozwoju tej metody. 2.1. MODELOWANIE WSPÓCZYNNIKA PEWNOCI HIPOTEZY Formalny opis uproszczony wspóczynnika pewnoci jest nastpujcy: CF MB MD s s s (1) Gdzie: CF - wspóczynnik pewnoci, MB odwzorowanie wiedzy czyli miara wiarygodnoci (ang: measure of belief), MD odwzorowanie niewiedzy, czyli miara niewiarygodnoci (ang: measure of disbelief), s hipoteza na podstawie jakiej informacji. Naley pamita, e: 0,1 ; MD 0,1 MB CF czyli 1,1 (2) Czyli jak wynika ze wzoru (2) wynik oblicze powinien si zawiera w zakresie od -1 do 1. Warto 1 bdzie wskazywaa na najwysz IQ. Model wykorzystujcy CF mona przedstawi w postaci grafu gdzie wzami s hipotezy a gaziami wspóczynniki pewnoci hipotez. Przykadowy model zosta przedstawiony na rys. 2. e1 CF(e1,h1) CF(h1,h) h1 h e2 CF(e2,h1) Rys. 2. Przykadowy model CF Opracowanie wasne.
224 Marek Stawowy Cao rozpoczyna si od wzów obserwacji (e1,, kolejno pojawia si wze hipotezy h1, który de facto w dalszym kroku oblicze staje si obserwacj. Do oblicze CF równolegych wykorzystana zostaa zaleno: CF( e1, CF( CF( CF( CF(, CF( icf( 0 CF( CF( CF ( e1,, CF( CF( 0 (3) 1 min( CF( ; CF( ) CF( CF( CF( CF(, CF( icf( 0 Do oblicze szeregowych CF zostaa uyta zaleno: CF CF CF (4) e1, e2 ( e2, ( Dziki wzorom (3) i (4) mona zwin graf do postaci jednej gazi z dwoma wzami i CF tej gazi bdzie szukan wartoci wspóczynnika pewnoci hipotezy. 2.2. MODEL WSPÓCZYNNIKA PEWNOCI DLA SYSTEMU TELEMATYKI AUTOSTRADOWEJ Na system telematyki autostradowej skada si wiele elementów takich jak: nadzór i pomiar ruchu, monitoring, pobieranie opat, meteo, wywietlanie informacji dla kierowców, znaki o zmiennej treci, czno alarmowa, transmisja danyc radiowa informacja drogowa i zintegrowane sterowanie. Kady z tych elementów posiada specyficzne wymagania co do jakoci i wiarygodnoci informacji. Tych cech jest duo i ze wzgldu na ograniczon objto niniejszego opracowania modelowanie zostao ograniczone do jednego z elementów systemu telematyki autostradowej. Jako ten pokazowy element wybrany zosta nadzór i pomiar ruchu. W skad nadzoru i pomiaru ruchu wchodz zazwyczaj: 1. Czujniki zblieniowe takie jak ptle indukcyjne czy detektory wykorzystujce promieniowanie podczerwone. 2. Wideo detektory mierzce zajto lub szybko pojazdów na ywo i w trybie pomiaru wartoci redniej oraz identyfikujce i zliczajce pojazdy. 3. Tory transmisji danych. 4. Narzdzia do interpretacji danych. Do dalszego modelowania uyty zostanie tylko jeden z powyszych skadników. Mianowicie wideo detektor do pomiaru szybkoci pojazdów na ywo. Zasada pomiaru szybkoci pojazdów za pomoc wideo detektora. Za pomoc kamer sekwencja obrazów jest przekazywana do analizy. Analizator wykrywa pooenie pojazdów na kolejnych klatkach sekwencji obrazów. Nastpnie jest mierzone przemieszczenie. Po uwzgldnieniu czasu mona wyznaczy prdkoci tych pojazdów.
Wyznaczanie jakoci informacji w telematyce autostradowej 225 Na rys. 3 przedstawione zostao okno programu do pomiaru prdkoci wykorzystujcy wirtualne detektory do wykrywania przemieszcze pojazdów. Rys. 3. Okno programu do pomiaru prdkoci wykorzystujcy wirtualne detektory do wykrywania przemieszcze pojazdów. Opracowanie wasne. Modelowanie wspóczynnika pewnoci hipotezy. Pierwszym etapem analizy w takim systemie pomiaru prdkoci jest detekcja ruchu. W tego typu wizyjnych systemach analizy danych zazwyczaj problemem s zakócenia (niechciane informacje). Zwaszcza w systemach opartych o rónicow analiz obrazów. Take pierwszym etapem decyzji bdzie to czy mamy do czynienia z ruchem obiektu czy te z szumami lub jakimi innym zjawiskami powodujcymi podobne zmiany w obrazie jak ruch pojazdu. Tak wic mona okreli, e mamy do czynienia z dwoma stanami obserwacji: 1. Nastpi ruc 2. bd detekcji. Bd detekcji mona rozpisa na róne przyczyny, które mog by kolejnymi stanami obserwacji: 1. zakócenia sceny, 2. awaria oprogramowania, 3. awaria detektora, 4. awaria komputera. Czyli ostatecznie stanów obserwacji moe by wicej: e1.1. Nastpi ruch. e1.2. zakócenia obrazu sceny, e1.3. awaria oprogramowania, e1.4. awaria detektora. W dalszym etapie w celu pomiaru prdkoci naley mie pewno, e wykryte zostay pooenia tego samego obiektu w dwóch rónych miejscach. Wykorzystujc metod
226 Marek Stawowy lokalizacji pojazdów za pomoc wirtualnych detektorów mona wyodrbni takie stany obserwacji: e2.1. Wykryto poruszajcy si obiekt, e2.2. awaria oprogramowania, e2.3. awaria systemu komputerowego. Nastpny wze bdzie posiada takie stany obserwacji: e3.1. Wykryto poruszajcy si obiekt przez kolejny wirtualny detektor, e3.2. nie wykryto poruszajcego si obiektu przez w kolejny wirtualny detektor, e3.3. wykryty obiektu nie jest tym samym obiektem wykrytym przez poprzedni wirtualny detektor, e3.4. awaria oprogramowania, e3.5. awaria systemu komputerowego. e1.1 CF(h1,e1.1) e1.2 CF(h1,e1.2) e1.3 CF(h1,e1.3) e1.4 CF(h1,e1.4) h1 CF(h2,e1.1,e1.2,e1.3,e 1.4) e2.1 CF(h2,e2.1) e2.2 CF(h2,e2.2) h2 e2.3 CF(h2,e2.3) CF(h3,e2.1,e2.2,e2.3) e3.1 CF(h3,e3.1) e3.2 CF(e3.2,h3) e3.3 e3.4 e3.5 CF(h3,e3.3,h3) CF(h3,e3.4,h3) CF(h3,e3.5,h3) h3 CF(e3.1,e3.2,e3.3,e3. 4,e3.5) e4.1 CF(h4,e4.1) e4.2 CF(h4,e4.2) e4.3 CF(h4,e4.3) e4.4 CF(h4,e4.4) h(h4) Rys. 4. Graf modelu CF. Opracowanie wasne
Wyznaczanie jakoci informacji w telematyce autostradowej 227 Ostatni krok to wyznaczenie prdkoci. Na tym etapie bd wystpoway nastpujce stany obserwacji: e4.1. Wyznaczono prdko, e4.2. bdny pomiar czasu, e4.3. awaria oprogramowania, e4.4. awaria systemu komputerowego. Graf dla takiego modelu jest do skomplikowany, poniewa mamy kilkuwarstwowe przejcia. Dla uproszczania modelu zostay wstawione hipotezy porednie. Umoliwiaj to zalenoci (3) i (4) opisane w poprzednim podrozdziale. Tak kolejno mona wyznaczy porednie hipotezy: h1. Wykryto ruc h2. wykryto poruszajcy si obiekt, h3. wykryto poruszajcy si obiekt przez kolejny wideo detektor, h zmierzono prdko. Na rys. 4 zosta przedstawiony graf modelu z uwzgldnieniem wszystkich zaoe. 3. PRZYKADOWE OBLICZENIA Pierwsze obliczenia dotycz uproszczenia dcego do wyznaczenia wspóczynników pewnoci hipotez porednic które to uproszczenia skada si bd z kolejnych oblicze CF na podstawie wzoru (4). Przypisanie poszczególnych wartoci CF Tabela 1 h1 h2 h3 h(h4) CF (h1,e1.1) = 0,9 CF (h2,e2.1) = 0,8 CF (h3,e3.1) = 0,99 CF (e4.1) = 0,99999 CF (h1,e1.2) = -0,1 CF (h2,e2.4) = -0,1 *10-3 CF (h3,e3.2) = -0,001 CF (e4.2) = -0,1 *10-3 CF (h1,e1.3) = -0,1 *10-3 CF (h2,e2.5) = -0,3 *10-4 CF (h3,e3.3) = -0,1 *10-3 CF (e4.3) = -0,3 *10-4 CF (h1,e1.4) = -0,5 *10-6 CF (h3,e3.4) = -0,3 *10-4 CF (h1,e1.5) = -0,3 *10-4 Opracowanie wasne. CF (h3,e3.4) = -0,25 *10-4 Kolejne wartoci wspóczynników pewnoci hipotez przedstawiono w tabeli 2.
228 Marek Stawowy Wyliczone wartoci CF Tabela 2 CF (e1.1,e1.2) = 0,888889 CF (e3.1,e3.2) = 0,98998999 CF (e1.3,e1.4) = -0,0001 CF (e3.3,e3.4) = -0,000129997 CF (e1.1,e1.2,e1.3,e1.4) = 0,888878 CF (e3.3,e3.4,e3.5) = -0,000154994 CF (e3.1,e3.2,e3.3,e3.4,e3.5) = 0,989988438 CF (e2.1,e2.2) = 0,79998 CF (e2.1,e2.2,e2.3) = 0,799974 CF (e4.1,e4.2) = 0,9989999 CF (e4.3,e4.3) = -5,99991E-05 CF (e4.1,e4.2,e4.3,e4.4) = 0,99899984 CF (e1.1,e1.2,e1.3,e1.4,e2.1,e2.2,e2.3,e3.1,e3.2,e3.3,e3.4,e3.5,e4.1,e4.2,e4.3,e4.4) = 0,703255979 Opracowanie wasne. Wg zaoenia z rozdziau pierwszego IQ modelowanego systemu wynosi 0,703255979. 4. PODSUMOWANIE W niniejszej pracy przedstawiony zosta sposób na wyznaczenie jakoci informacji IQ systemu telematyki autostradowej przy uyciu modelowania wspóczynnika pewnoci hipotezy CF wykorzystywanego w komputerowych systemach podejmowania decyzji. Zastosowanie tego typu modelowania daje moliwo poczenia wielu rónorodnych waciwoci badanego procesu analizy. Takich jak niezawodno systemu komputerowego (elektroniki i oprogramowania w sensie bdnej analizy), jako wybranej metody pomiarowej czy jako magazynu danych oraz bezpieczestwo wynikajce z pewnoci danych. Naley zwróci uwag, e kolejne etapy oblicze s do powtarzalne a co za tym idzie atwe do implementacji jako program komputerowy czy symulacja komputerowa. Przestawiono take przykadowe obliczenia dla rzeczywistego systemu pomiaru prdkoci na ywo. Coraz szerzej stosowanej do nadzoru publicznego ruchu drogowego. Wyniki intuicyjnie s poprawne jednak w kolejnym etapie tego rozwaania naleaoby porówna z innymi metodami wyznaczania jakoci informacji. Naley uwzgldni take wicej bdów pomiaru, które w tym modelu nie zostay uwzgldnione marginalnie. Bibliografia 1. Mazur M., Jakociowa teoria informacji, Wydawnictwa Naukowo-Techniczne, Warszawa 1970. 2. Meeker W. Q., Escobar L. : Statistical methods for reliability data. John Wiley & Sons Inc. US and Canada 1998. 3. MIT Information Quality (MITIQ) Program. http://mitiq.mit.edu 2013.
Wyznaczanie jakoci informacji w telematyce autostradowej 229 4. Shortliffe, E.H.; Buchanan, B.G., Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project, (ebook version), http://aitopics.net/rulebasedexpertsystems. 2013. 5. Stawowy M., Zastosowanie analizy obrazu do rozwizywania zagadnie transportowych. Raport Prace IPI PAN, nr 862, Warszawa 1997. 6. Stawowy M., Reliability of data obtained from video systems of traffic surveillance. Transport Systems Telematics. Katowice-Ustro 2010. 7. Stawowy M., Jako informacji z wizyjnych systemów nadzoru infrastruktur krytycznych. Szkoa Zimowa Niezawodnoci 2013, przygotowane do druku. DETERMINATION OF INFORMATION QUALITY OF MOTORWAY TELEMATICS Summary: This paper discusses a model for determining information quality IQ based on modeling the certainty factor CF. This modeling practice is usually employed for expert or artificial intelligence systems. Here, however, discussed are computer systems using telematic data. Keywords: information quality, certainty factor, motorway telematic