UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA
Facoltà di Scienze Matematiche, Fisiche e Naturali
Corso di Laurea Magistrale in Informatica
Tecniche Communication-saving
per l’Acquisizione Dati nel Sistema
di Trasporto Intelligente Pegasus
Tesi di Laurea di: Marcello Pietri
Relatore: prof. Riccardo Martoglia
Introduzione
Lo stato attuale del traffico:
 In particolari momenti molto congestionato
 Code, rallentamenti e ingorghi
 Elevato numero di incidenti
 Inquinamento acustico e ambientale
 Deterioramento della qualità di vita
Intelligent Transportation Systems
Introduzione
Pegasus è un sistema di trasporto intelligente (ITS)
il cui obiettivo è la realizzazione di una piattaforma
info-telematica che dovrà permettere:
il miglioramento della mobilità
l’incremento della sicurezza
Come?
Attraverso la riduzione della congestione e dei
tempi di percorrenza, tramite:
l’invio di informazioni sul traffico in tempo reale
il calcolo del percorso ottimo
Introduzione
Interfaccia utente
Veicolo
GPS unit
Accel
unit
GPRS
V2I unit
WiFi V2V
unit
Real-time comms
engine
Smart navigation
engine
User interface
OBU fisica
Architettura dell’OBU
Maps &
real-time
data
BTS
OBUs
Infrastructured
Network
Introduzione
BTS
Control
Centre
ad-hoc, multi-hop, V2V communication
V2I communication
Introduzione
Control Centre
Service Module
EOI
Ontology
Service Manager
Recommender
System
POI
Ontology
DSMS
Smart
Navigation
Urban
Mobility
Safety
Query Processing
Engine
Storage Manager
Communication Manager
GIS tables
Data acquisition
V2I interaction
OBU
OBU
Communicationsaving!
OBU
OBU
OBU
OBU
OBU
V2V interaction
Introduzione
Ambito principale di ricerca:
Tecniche communication-saving
• Servono a ridurre l'occupazione di banda nella trasmissione dati digitale
• Sfruttano le ridondanze nell'utilizzo dei dati
• Introducono un’eventuale perdita d’informazione
• Sono categorizzabili come compressioni di tipo lossy
• Sono molteplici e possono essere profondamente diverse
• I risultati in uscita possono variare drasticamente in base al contesto
• La loro qualità deve essere stabilita dall’analisi sperimentale
Argomenti della tesi:
 Stato dell’arte
Analisi e progetto del simulatore
 Creazione degli scenari
 Simulazioni di traffico
 Analisi sperimentale
Stato dell’arte
Tecniche communication-saving proposte:
 Simple time sampling
invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi
 Simple space sampling
invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi
 Map-based sampling
invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma
si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1
 Deterministic information-need
invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella
segnalata nella mappa, ad esempio quando sull’A1 (130Km/h) si viaggia a 70Km/h
 Linear regression
si ottimizza l’invio dei dati interpolandoli con la migliore retta possibile, stimata
con il metodo dei minimi quadrati; ad esempio invia 10 dati memorizzati nella
history inviando le coordinate di due punti e il loro tempo di acquisizione
 Strategie di clustering V2V
invio unificato dei dati di più veicoli previa aggregazione e comunicazione WiFi V2V
Stato dell’arte
In letteratura non sono presenti analisi o ambienti di sviluppo
per le tecniche communication-saving :
Necessità di dati reali sul traffico in formato digitale
Utilizzo del simulatore di traffico Vissim
Implica l’utilizzo di scenari reali ad hoc
Necessità di un simulatore di OBU al fine di testare
le tecniche communication-saving e le strategie V2V
Creazione del simulatore
Analisi, progetto e sviluppo del software
Testing e validazione dei risultati
Analisi sperimentale
Argomenti della tesi:
 Stato dell’arte
Analisi e progetto del simulatore
 Creazione degli scenari
 Simulazioni di traffico
 Analisi sperimentale
Analisi e progetto del simulatore
Dopo la fase di analisi e la fase di specifica SRS, sono stati
sviluppati gli use case diagram e gli activity diagram, che
hanno permesso la stesura dei package diagram e dei class
diagram dello standard UML:
GPS unit
Accel unit
GPRS V2I unit
WiFi V2V unit
Architettura
reale dell’OBU
Real-time comms engine
Smart navigation engine
User interface
Maps &
real-time
data
Class diagram
dell’OBU simulata
Analisi e progetto del simulatore
Analisi e progetto del simulatore
Analisi e progetto del simulatore
Tecniche communication-saving implementate:
Simple time sampling
invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi
V2I
V2I
2 secondi
2 secondi
Simple space sampling
invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi
V2I
V2I
100 metri
100 metri
Analisi e progetto del simulatore
Tecniche communication-saving implementate:
Map-based sampling
invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma
si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1
Via Roma
Viale Italia
V2I
V2I
V2I
Via Emilia est
Analisi e progetto del simulatore
Tecniche communication-saving implementate:
Deterministic information-need
invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella teorica
Versione classica:
48 Km/h
25 Km/h
V2I
51 Km/h
Versione sperimentale con history:
Media 38,27 Km/h
38 Km/h
Nuova media 38,1 Km/h
58 Km/h
V2I
Analisi e progetto del simulatore
Tecniche communication-saving implementate:
 Simple regression
sfrutta la possibilità di eseguire varie tecniche communication-saving in
contemporanea, infatti si occupa di interpolare solo i tratti rettilinei,
mentre tralascia i tratti curvilinei
 Linear regression
lon
lon
cerca di ottimizzare qualsiasi percorso interpolandolo con la migliore retta
possibile, utilizzando il metodo dei minimi quadrati
lat
lat
Argomenti della tesi:
 Stato dell’arte
Analisi e progetto del simulatore
 Creazione degli scenari
 Simulazioni di traffico
 Analisi sperimentale
Creazione degli scenari
Lo scenario di Beijing (Pechino, Cina):
Progetto originale
Progetto nel simulatore di traffico Vissim
1Km
1,2Km
Creazione degli scenari
Lo scenario di Toll Plaza (Cadmen, New Jersey, USA):
Modello usato per analizzare le
operazioni sul traffico in Benjamin
Franklin Toll Plaza per i veicoli
verso il ponte di Delaware River da
Cadmen, e dal New Jersey verso
Philadelphia in Pennsylvania, USA.
I volumi di traffico, le velocità, e
tutti gli altri dati sono reali.
0,4Km
2,3Km
1,4Km
Creazione degli scenari
Lo scenario italiano di Bologna:
Modello creato dall’università di Bologna,
modificato in modo da permettere la
circolazione dei veicoli nelle strade.
I flussi di veicoli sono stati creati a
posteriori con l’utilizzo di dati pubblici.
1,6Km
1,4Km
0,6 Km
1,2 Km
Creazione degli scenari
Lo scenario italiano di Roma:
0,7Km
2,2Km
Questo modello è stato realmente
usato dalla pubblica amministrazione
per creare ed analizzare la variante
“via Tiburtina, tratto via Casal
Bruciato – Ponte Mammolo” a Roma;
nello specifico per la costruzione e
per gli impianti semaforici.
Tutti i dati, tra cui anche i flussi di
veicoli, sono reali, anche se riferiti
al ‘99. Si presume che il numero di
veicoli ad oggi sia notevolmente
aumentato.
Argomenti della tesi:
 Stato dell’arte
Analisi e progetto del simulatore
 Creazione degli scenari
 Simulazioni di traffico
 Analisi sperimentale
Simulazioni di traffico
Le simulazioni di traffico sono state eseguite con il software Vissim,
un potente simulatore multimodale della PTV Vision:
 Per un utilizzo avanzato si richiede la lettura di più di mille pagine di
manuali in lingua inglese o tedesca
 Il traffico è stato monitorato in tempi compresi tra un minuto e quattro ore
 La quantità di dati utili prodotti è stata superiore ai dieci giga byte
 Il campionamento è stato effettuato ad intervalli di 0,1 e 0,5 secondi
Simulazioni di traffico
Argomenti della tesi:
 Stato dell’arte
Analisi e progetto del simulatore
 Creazione degli scenari
 Simulazioni di traffico
 Analisi sperimentale
Analisi sperimentale
• La fase di analisi sperimentale è stata suddivisa in due parti:
l’analisi V2I e l’analisi V2V.
• Le tecniche communication-saving e le strategie di clustering
V2V sono state sperimentate su tutti gli scenari descritti e
anche sugli stessi scenari leggermente modificati in termini di
viabilità e numero di veicoli.
• I parametri utilizzati coprono l’intero range di valori accettabili
in termini di qualità del servizio.
• Nell’analisi V2I il trade-off tra quantità dati inviati ed errori
commessi, in termini di distanza e velocità, determina la
qualità della tecnica in analisi.
Analisi sperimentale – V2I
Stime preliminari e dimensione del flusso di dati
 Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento
 La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento
 Il flusso di dati medio per ogni OBU, nella simulazione da 3600 secondi, è di 3035 byte.
 Considerando circa un milione di OBU, il flusso di dati totali è di circa 0,8 MB/s, pari a
2,83 GB all’ora e 68 GB al giorno.
ROME
ROME
errori commessi - baseline
dimensione dati per obu
V err % ok
data x obu
60 0,5
60 0,5
60 0,1
60 0,1
tipo di campionamento
tipo di campionamento
Dist err% ok
600 0,5
600 0,1
3600 0,5
0,0%
600 0,5
600 0,1
3600 0,5
0,2%
0,4%
0,6%
0,8%
1,0%
1,2%
percentuale d'errore
1,4%
1,6%
1,8%
2,0%
0
2000
4000
6000
8000
byte trasmessi
10000
12000
14000
Analisi sperimentale – V2I
Simple time sampling
 Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento
 La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento
 La crescita dell’errore non è lineare come per i dati inviati, ma iperbolica
ROMA
ROMA
Dur. 600 - data per obu al variare del campionamento
Dur. 600 - errori al variare del campionamento
Dist err% ok
V err % ok
data x obu
0,7510%
0,1910%
1,1470%
0,2812%
1,9913%
0,5401%
3,7658%
1,2828%
7,2913%
3,4007%
0,5
0,5
1
campionamento (s)
campionamento (s)
1
2
4
4
8
0,0%
2
8
1,0%
2,0%
3,0%
4,0%
errore %
5,0%
6,0%
7,0%
8,0%
0
500
1000
1500
byte trasmessi
2000
2500
3000
Analisi sperimentale – V2I
Simple space sampling
 Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento
 La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento
 L’errore sulla distanza risulta molto soddisfacente, quello sulla velocità no
ROMA
ROMA
Dur. 600 - data per obu al variare del campionamento
Dur. 600 - errori al variare del campionamento
data x obu
V err % ok
0,5s
1m
10m
campionamento
20m
0,7510%
0,1910%
0,7531%
2,3587%
1,1175%
5,5345%
1,7333%
5,8719%
3,1825%
6,0067%
6,1879%
6,6805%
8,2286%
7,3627%
40m
80m
1m
10m
20m
40m
80m
100m
100m
0,0%
0,5s
campionamento
Dist err% ok
1,0%
2,0%
3,0%
4,0%
5,0%
errore %
6,0%
7,0%
8,0%
9,0%
0
500
1000
1500
byte trasmessi
2000
2500
3000
Analisi sperimentale – V2I
Deterministic information-need
(Versione sperimentale con history)
 Gli errori sulla distanza risultano inferiori a quelli sulla velocità
 Le percentuali di errore sono decisamente superiori alle aspettative
 La tecnica è da scartare
ROMA
ROMA
Dur. 600 - errori al variare del campionamento
Dur. 600 - data per obu al variare del campionamento
0,7510%
0,1910%
0,8124%
3,5226%
0.01km/h-h15
0,8360%
10,9404%
0.01km/h-h15
0.05km/h-h15
1,0789%
25,0423%
0.05km/h-h15
0.1km/h-h1
0,8740%
18,4573%
0.1km/h-h1
0,8647%
17,7751%
0,8643%
17,7673%
5,2492%
85,9966%
62,1489%
99,4708%
0,5s
0,5s
0.1km/h-h3
0.1km/h-h9
0.1km/h-h15
1km/h-h9
0.1km/h-h9
0.1km/h-h15
1km/h-h9
10km/h-h9
10km/h-h9
0,0%
campionamento
campionamento
0.1km/h-h3
10,0%
20,0%
30,0%
40,0%
errore %
50,0%
60,0%
70,0%
80,0%
Dist err% ok
90,0%
V err % ok
100,0%
0
500
1000
1500
byte trasmessi
2000
2500
data x obu
3000
Analisi sperimentale – V2I
Deterministic information-need
(Versione off-line)
 L’andamento e le deduzioni sono leggermente negativi rispetto simple time sampling
 La variazione su errori e quantità di dati non subisce mutamenti drastici fino a 1Km/h
 La tecnica è utilizzabile per individuare i punti di rallentamento (stop, code a tratti, …)
ROMA
ROMA
Dur. 600 - data per obu al variare del campionamento
Dur. 600 - errori al variare del campionamento
data x obu
V err % ok
0,5s
0.025Km/h
0.05Km/h
campionamento
1Km/h
2Km/h
0,7510%
0,1910%
0,8311%
0,3088%
1,6499%
1,1502%
3,0952%
2,2134%
11,0853%
6,0523%
38,3545%
11,4743%
41,9727%
14,5546%
42,3624%
15,7069%
4Km/h
8Km/h
10Km/h
0,0%
0,5s
0.025Km/h
0.05Km/h
1Km/h
campionamento
Dist err% ok
2Km/h
4Km/h
8Km/h
10Km/h
5,0%
10,0%
15,0%
20,0%
errore %
25,0%
30,0%
35,0%
40,0%
45,0%
0
500
1000
1500
byte trasmessi
2000
2500
3000
Analisi sperimentale – V2I
Map-based sampling
 Gli errori sulla distanza e sulla velocità risultano molto marcati
 Il trade-off errori commessi - dati inviati risulta peggiore che con simple time sampling
 L’uso di questa tecnica potrebbe riguardare solo la ricostruzione dell’itinerario percorso
ROMA
ROMA
Dur. 600 - data per obu al variare del campionamento
Dur. 600 - errori al variare del campionamento
Dist err% ok
V err % ok
data x obu
0,7510%
0,1910%
29,9905%
22,7322%
9,8246%
6,3324%
0,5s
0,5s
map F
campionamento
campionamento
map F
map T
0,0%
5,0%
10,0%
15,0%
errore %
20,0%
25,0%
30,0%
35,0%
map T
0
500
1000
1500
byte trasmessi
2000
2500
3000
Analisi sperimentale – V2I
Simple regression
 Il trade-off errori commessi - dati inviati risulta di poco peggiore a simple time sampling
 Usando campionamenti base più fini si ottengono risultati in linea a simple time sampling
 I risultati ottenuti indirizzano verso lo sviluppo di tecniche simili più avanzate
ROMA
0,6862%
0,1536%
1,8485%
0,6496%
2,6247%
0,9659%
3,5071%
1,2809%
5,4560%
1,8572%
1,8487%
0,6490%
2,6385%
0,9777%
3,4700%
1,3103%
4,9872%
1,8220%
Dur. 3600 - errori al variare del campionamento
Dist err% ok
V err % ok
0,5s
7m_h3
Dur. 3600 - data per obu al variare del campionamento
data x obu
0,5s
7m_h3
7m_h5
7m_h7
7m_h7
7m_h10
7m_h10
campionamento
campionamento
7m_h5
ROMA
10m_h3
10m_h5
10m_h7
10m_h5
10m_h7
10m_h10
10m_h10
0,0%
10m_h3
1,0%
2,0%
3,0%
errore %
4,0%
5,0%
6,0%
0
2000
4000
6000
8000
10000 12000 14000 16000
byte trasmessi
18000 20000
Analisi sperimentale – V2I
Linear regression (1)
 Il trade-off errori commessi - dati inviati risulta molto performante
 Gli errori su distanza e velocità risultano inferiori all’1% interpolando anche 10 punti
 I risultati ottenuti indirizzano verso l’analisi su scenari in cui l’OBU circola per più tempo
BOLOGNA
BOLOGNA
Dur. 600 - data per obu al variare del campionamento
Dur. 600 - errori al variare del campionamento
Dist err% ok
V err % ok
0,5s on 0.5
0,5s on 0,1
0,4429%
0,3893%
0,4098%
0,4475%
0,9140%
1,5298%
0,6180%
0,6793%
0,7081%
0,8336%
0,5712%
0,5585%
data x obu
0,5s on 0.5
0,5s on 0,1
reg h3 on 0,5 f0.5
campionamento
campionamento
reg h3 on 0,5 f0.5
reg h7 on 0,1 f0.5
reg h10 on 0,1 f0.5
reg h10 on 0,1 f0.5
reg h8 on 0,1 f60
reg h8 on 0,1 f60
0,00%
reg h7 on 0,1 f0.5
0,20%
0,40%
0,60%
errore %
0,80%
1,00%
1,20%
1,40%
1,60%
0
2000
4000
6000
8000
byte trasmessi
10000
12000
14000
16000
Analisi sperimentale – V2I
Linear regression (2)
 Il trade-off errori commessi - dati inviati risulta migliore di simple time sampling
 L’errore sulla distanza si è ridotto fino a 5,6 volte, quello sulla velocità fino a 2 volte
 L’invio di dati è diminuito di 2,3 volte nel primo caso e di 3,5 volte nell’ultimo
BOLOGNA - RID
BOLOGNA - RID
Dur. 7200 - data per obu al variare del campionamento
Dur. 7200 - errori al variare del campionamento
Dist err% ok
data x obu
V err % ok
0,5s
0,5s
regression h4 on 0.5
0,5401%
0,5289%
0,0963%
0,2652%
0,1531%
0,2776%
0,3077%
0,5722%
regression h4 on 0.5
regression h5 on 0.5
regression h5 on 0.5
0,0%
regression h3 on 0.5
campionamento
campionamento
regression h3 on 0.5
0,1%
0,2%
errore %
0,3%
0,4%
0,5%
0,6%
0
20000
40000
60000
80000
byte trasmessi
100000 120000 140000
160000
Analisi sperimentale – V2I
Linear regression (3)
 Il trade-off errori commessi - dati inviati risulta migliore di simple time sampling
 L’errore sulla distanza si è ridotto fino a 1,6 volte, quello sulla velocità fino a 1,7 volte
 L’invio di dati è diminuito fino a 1,8 volte
BOLOGNA - ZTL
Dur. 14400 - errori al variare del campionamento
Dist err% ok
V err % ok
0,5s
0,4613%
0,1187%
0,1248%
0,7974%
0,7848%
0,1595%
0,1833%
0,1036%
0,1273%
0,0989%
0,0824%
0,1962%
0,1692%
BOLOGNA - ZTL
Dur. 14400 - data per obu al variare del campionamento
data x obu
0,5s
1s
1s
2s
2s
regression h3 on 0.5
regression h3 on 0.5
campionamento
campionamento
0,4577%
regression h4 on 0.5
regression h5 on 0.5
regression h5 on 0.5
regression h6 on 0.5
regression h6 on 0.5
0,0%
regression h4 on 0.5
0,1%
0,2%
0,3%
0,4%
errore %
0,5%
0,6%
0,7%
0,8%
0,9%
1,0%
0
50000
100000 150000 200000
byte trasmessi
250000 300000 350000
400000
Analisi sperimentale – V2V
Analisi V2V – variazione dello scenario
 La dimensione dei gruppi e il tempo di permanenza variano in base allo scenario
 Il tempo di permanenza dell’OBU nel gruppo non è legato alla dimensione del gruppo
 Nel caso peggiore i veicoli permangono nel gruppo per circa 8 secondi, nel migliore 177
Dimensione dei gruppi
Permanenza veicolo nel gruppo
(al variare dello scenario)
(al variare dello scenario)
180
30
160
25
Permanenza veicolo (s)
dimensione gruppo (#OBU)
140
20
15
10
120
100
80
60
40
5
20
0
)
0)
(600
(360
roma
roma
0
g
bejin
laz a
toll p
scenario
na
ID)
TL)
bolog ologna (R ologna (Z
b
b
)
0)
(600
(360
roma
roma
g
bejin
laz a
toll p
scenario
L)
na
ID)
bolog ologna (R logna (ZT
b
bo
Analisi sperimentale – V2V
Analisi V2V – variazione della copertura WiFi
BEIJING - Dur. 1200 C0.5
TOLL PLAZA - Dur. 3600 C0.5
ROMA - Dur. 3600 C0.5
Dimensione media del gruppo
al variare della portata WiFi
Dimensione media del gruppo
al variare della portata WiFi
Dimensione media del gruppo
al variare della portata WiFi
39
37
35
33
31
29
100 110 120 130 140
150 160 170 180 190
200 210 220 230 240
6
5,5
5
4,5
4
3,5
3
250
100 110 120 130 140
Portata WiFi (metri)
150 160 170 180 190
200 210 220 230 240
2,4
2,2
2
1,8
1,6
1,4
1,2
100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250
250
Portata WiFi (metri)
Portata WiFi (metri)
TOLL PLAZA - Dur. 3600 C0.5
BEIJING - Dur. 1200 C0.5
ROMA - Dur. 3600 C0.5
Tempo di permanenza
al variare della portata WiFi
Tempo di permanenza
al variare della portata WiFi
Tempo di permanenza
al variare della portata WiFi
95
62
240
90
60
230
220
210
200
190
180
170
100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250
Portata WiFi (metri)
Tem po di perm anenza (s )
250
Tem po di perm anenza (s )
Tem po di permanenza (s )
Dim ens ione del gruppo (OBU)
6,5
41
Dim ens ione del gruppo (OBU)
Dimensione del gruppo (OBU)
 I cambiamenti all’interno dei gruppi sono costanti
 La dimensione dei gruppi aumenta in modo lineare
 Il tempo medio di permanenza dei veicoli all’interno dei gruppi cresce in modo lineare
85
80
75
70
65
60
100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250
Portata WiFi (metri)
58
56
54
52
50
48
46
100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250
Portata WiFi (metri)
Analisi sperimentale – V2V
Analisi V2V – variazione del numero di OBU
 L’andamento della grandezza media dei gruppi segue un comportamento standard
 La dimensione dei gruppi aumenta in modo logaritmico all’aumentare del numero di OBU
 Il tempo medio di permanenza di un veicolo in un gruppo diminuisce, fino a stabilizzarsi,
al crescere del numero di OBU coinvolte
Grandezza media dei gruppi
20
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
y = 3.0904ln(x) + 0.2447
R² = 0.9801
0
25
51
81
108
Numero di OBU coinvolte
10
Cambiamento medio nei gruppi
5
0
0
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
OBU id group
Cambiamneti per secondo
dimensione del gruppo
15
Grandezza media gruppi
Grandezza del gruppo (OBU)
(BOZTL 14400 0.5)
Numero di OBU conivolte (dal basso) 25, 51, 80, 108
0.7
0.6
0.5
0.4
y = 0.4527ln(x) - 0.0011
R² = 0.9772
0.3
0.2
0.1
0
0
25
51
Numero di OBU coinvolte
81
108
Conclusioni
Il lavoro svolto:
Studio di tecniche communication-saving, strategie V2V e
ambienti di simulazione presenti in letteratura
Utilizzo del simulatore di traffico professionale Vissim
Analisi, modifica e creazione di nuovi scenari per la
simulazione di traffico
Analisi, progetto e implementazione di un simulatore di OBU
Analisi sperimentale dei dati ottenuti
Conclusioni
Gli obiettivi raggiunti:
Sviluppo del codice nel rispetto degli standard e in modo da
permettere la portabilità sull’architettura reale di ogni OBU
Analisi di scenari reali al fine di mostrare i flussi di veicoli
necessari per un efficiente utilizzo delle strategie V2V
Definizione di strategie e politiche di clustering tra veicoli
Stima della riduzione del carico sulle comunicazioni V2I,
derivata dall’utilizzo di comunicazioni V2V
Conclusioni
Riduzione delle comunicazioni senza compromettere il
trade-off dati inviati – errore commesso
Quantificazione delle reali quantità di informazioni con cui si
avrà a che fare nel contesto pratico
Individuazione delle migliori strategie communication-saving
utilizzabili nei contesti specifici della realtà
Studio e analisi di nuove tecniche communication-saving al
fine di migliorare quelle proposte in letteratura
Sviluppi futuri
In merito alle tecniche communication-saving:
eseguire test su scenari molto più estesi, aggiornati e
forniti da enti certificati, al fine di validare completamente
le analisi svolte
implementare un’ulteriore codifica in stile Huffmann,
affiancata ad altre compressioni lossless, al fine di ridurre
ulteriormente la banda richiesta
implementare ed analizzare tecniche di regressione più
complesse quali Multivariate adaptative regression splines
e Segemented regression
Sviluppi futuri
In merito all’estensione delle funzionalità dell’OBU:
sviluppare ulteriormente algoritmi per il clustering V2V, al
fine di ottimizzare le comunicazioni ed i gruppi formati
analizzare praticamente le migliori combinazioni di utilizzo
contemporaneo di tecniche communication-saving
studiare ed implementare una tecnica di auto-selezione
adattativa, che selezioni il migliore insieme di tecniche
communication-saving dinamicamente
GRAZIE A TUTTI PER
L’ATTENZIONE