Akustik ve sismik sinyal kullanılarak trafik yogunluğu tespiti

Abstract

Bu çalışmada akustik ve sismik gürültü sinyal verileri kullanılarak trafik yoğunluğu tespiti analizi yapılmıştır. Araçların oluşturduğu akustik gürültüler motor, tekerlek, egzoz, hava türbülansı, korna ve benzeri gürültülerden oluşmaktadır. Araçların oluşturduğu sismik gürültüler motor, ağırlık, tekerlek ve benzeri gürültülerden oluşmaktadır. Araç gürültü bileşenleri ile trafiğin çok yoğun, yoğun ve yoğun olmayan durumları olduğu anlaşılmaktadır ve sınıflandırma etkeni olarak kullanabilmektedir. Çalışmada üç farklı noktadan aynı zaman aralığında toplanan üç farklı (Çok Yoğun, Yoğun ve Yoğun olmayan) durum için trafik yoğunluğu tespiti kestirimi yapılmıştır. Çok Yoğun; trafiğin ortalama hızının 0-30 km aralığı olarak kabul edilmiştir. Yoğun; trafiğin ortalama hızının 30-60 km aralığı olarak kabul edilmiştir. Yoğun Olmayan; trafiğin ortalama hızının 60 km ve üstü olarak kabul edilmiştir. Bu çalışmada Mel Filter Kepstrum Katsayıları (MFCC) öznitelik çıkartma yöntemi kullanılarak öznitelik çıkartımı yapılmıştır. Sınıflandırma için SVM (Destek Vektör Makine) ve Naive Bayes Sınıflandırma yöntemleri kullanılmıştır. Bu çalışmada akustik verilerde %87 sınıflandırma başarı sonucu elde edilmiştir. Sismik verilerde ise %86 sınıflandırma başarı sonucu elde edilmiştir. Akustik ve Sismik füzyonunda (kaynaştırma) ise %89,6 sınıflandırma başarı sonucu elde edilmiştir.In this study, traffic density determination analysis was done by using acoustic and seismic noise signal data. Acoustic noises created by the vehicles consist of engine, wheel, exhaust, air turbulence, horn and similar noises. Seismic noises created by the vehicles consist of engine, weight, wheel and similar noises. It is understood that the vehicle noise components and traffic have very dense, intense and non-intensive situations and can be used as a classification factor. In the study, traffic density estimation was made for three different (Light traffic, medium traffic and heavy traffic) situations collected from three different points in the same time interval. So heavy traffic; The average speed of the traffic is accepted as 0-30 km range. Medium traffic; The average speed of traffic is considered to be 30-60 km range. Light traffic; The average speed of traffic is considered to be 60 km and above. In the study, feature extraction was done using MFCC (Mel Filter Kepstrum Coefficients) feature extraction method. SVM (Support Vector Machine) and Naive Bayes Classification methods were used for classification. In the study, 87% classification success was obtained in acoustic data. In seismic data, 86% classification success was obtained. In Acoustic and Seismic fusion (fusion), 89.6% classification success was achieved.