Akustik sinyal temelli trafik yoğunluğu tespiti

Abstract

Bu çalışmada, araçların oluşturduğu akustik gürültü sinyalinden trafik yoğunluğu tespiti yapılmıştır. Araçların oluşturduğu akustik gürültü motor gürültüsü, hava türbülans gürültüsü, tekerleğin yerle temasından kaynaklı gürültü, egzoz gürültüsü ve korna gürültüsünden oluşmaktadır. Bu gürültülerin her biri trafik yoğunluk durumuna göre değişmektedir. Örneğin; trafiğin yoğun olduğu zamanlarda motor ve korna gürültüsü yoğun iken, trafik akışkan iken ise hava türbülans ve tekerlek gürültüsü daha yoğundur. Bu farklılıktan faydalanılarak trafik yoğunluğu sıkışık, orta ve akışkan olarak üç kategoriye ayrılması mümkün olabilmektedir. Bu çalışmada, trafik yoğunluğunun akustik sinyal analizine dayalı olarak tespiti konusunda bugüne kadar yapılan çalışmalarda sık olarak kullanılan MFCC (Mel Filter Kepstrum Katsayıları) özniteliği yardımıyla E-5 karayolundaki trafik yoğunluğu %68 doğrulukla tespit edilebilmiştir. Başarı oranını artırmak için MFCC öznitelikleri farklı parametrelerle de oluşturularak Bayes, K-NN ve SVM sınıflandırıcılar kullanılarak trafik yoğunluğu tespit başarıları irdelenmiştir. En yüksek performansı sağlayan parametreler ve sınıflandırıcı seçildikten sonra öznitelik seçme ve indirgeme yöntemlerinin performans üzerindeki etkisi incelenmiştir. Yağmurlu havada tekerleğin yer ile temasında oluşan gürültü ile yağmursuz havada tekerleğin oluşturduğu gürültünün farklı olması gözleminden yola çıkarak araçların oluşturduğu akustik gürültü sinyalinin hava koşullarına göre değişebileceği sonucuna varılmıştır. Hava koşullarının dikkate alınması durumunda trafik yoğunluğu tespit performansının artıp artmayacağına yönelik çalışmalar yapılmıştır. Hava koşullarının yağmurlu olup olmamasının dikkate alınması halinde başarı oranının arttığı gözlenmiştir.

In this study, traffic density is detected by acoustic noise signals formed by the vehicles. The acoustic noise signals formed by the vehicles are engine noise, air turbulence, the noise of the wheels touching the floor, exhaust noise and the horn noise. All these noise signals change according to the traffic density. For example, engine noise and horn noise is dense when the traffic is busy, but when the traffic is fluent air turbulence and wheel noise is more dense. By using this variation, the traffic density is categorized into three classes; busy, normal and fluent.In this study, the traffic density in the E-5 highway is determined by %68 accuracy, by using MFCC attributes which are frequently used in the studies conducted up to now that are related with the detection of the traffic density by acoustic noise signal analysis. In order to increase the success rate, MFCC attributes are formed by different parameters and the traffic density detection performance is examined when Bayes, K-NN and SVM classifiers are used. After choosing the best performed parameters and classifier, the effect of the attribute selection and reduction methods on the performance is examined.On the basis of the difference of the noise of the wheels under rainy weather and dry-weather conditions, it was concluded that acoustic noise signals change according to the weather conditions. Studies have been made that to examine that if the performance of the traffic density detection increases when the weather conditions are considered. It was observed that the success rate is higher when the weather and rain conditions are considered.