Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Relevance classification of connected vehicles for short-lived distributed geospatial events
KTH, School of Computer Science and Communication (CSC).
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Relevansklassificering av uppkopplade fordon för kortlivade distribuerade geospatiala händelser (Swedish)
Abstract [en]

Continuously increasing connectivity of today’s road vehicles has made communication between road vehicles and the outside world more accessible and easier to handle, which has resulted in newly identified areas of improvement regarding road safety and traffic efficiency. Such an area concerns informing road vehicles about ongoing events in the spatial road network near road vehicles and the problem of determining for which road vehicles such information is relevant in an efficient manner. Today’s solution is based on an inclusive assumption, resulting in many road vehicles being predicted as relevant recipients for information when in reality the information is not relevant to those vehicles.

This thesis proposes a new method of determining the relevance of occurring events for road vehicles in the vicinity of the events through machine learning in the form of supervised classification models trained on the spatial road data surrounding the events. A series of experiments were conducted on real event data categorized into three different event scenarios in order to evaluate the performance of three different classifiers (Support Vector Machines, naive Bayes and k-Nearest Neighbor).

The results indicate that supervised classification is in some cases a suitable method for effectively determining for which road vehicles an event is relevant due to the nature of the event scenarios while in some cases supervised classification is not found to be suitable.

Abstract [sv]

En stadigt ökande konnektivitet hos dagens vägfordon har gjort kommunikation mellan vägfordon och omvärlden mer lättillgänglig och lätthanterlig vilket har resulterat i att förbättringsområden gällande trafiksäkerhet och trafikeffektivetitet har identifierats. Ett sådant område handlar om att informera vägfordon om pågående händelser i det spatiala vägnätet och problemet med att effektivt avgöra för vilka vägfordon information om sådana händelser är relevant. Dagens lösning bygger på ett inkluderande antagande som resulterar i att många vägfordon förutspås som relevanta mottagare för information som i verkligheten inte är relevant för dem.

Det här arbetet presenterar en ny metod för att avgöra relevansen av pågående händelser för vägfordon i närheten av händelserna genom maskininlärning i form av övervakade klassificerings-modeller tränade på den spatiala vägdata som omger händelserna. En serie experiment har genomförts på data från verkliga händelser kategoriserade i tre olika scenarion för att utvärdera tre olika klassificerare (Stödvektormaskiner, naive Bayes och k-Nearest Neighbor).

Resultaten av experimenten indikerar att övervakad klassificering i vissa fall är en lämplig metod för att effektivt bedöma för vilka vägfordon ett event är relevant med avseende på scenariots natur medan övervakad klassificering inte är lämpligt i andra fall.

Place, publisher, year, edition, pages
2017.
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-219610OAI: oai:DiVA.org:kth-219610DiVA, id: diva2:1164164
External cooperation
Scania CV AB
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2017-12-27 Created: 2017-12-10 Last updated: 2018-01-13Bibliographically approved

Open Access in DiVA

fulltext(969 kB)18 downloads
File information
File name FULLTEXT01.pdfFile size 969 kBChecksum SHA-512
b29963eb8be5219d917fdb89869d73183e16b9ec7a1ba3c3ee4c426c5f09677ef2ddcfc25ea99fa6a2a96ea1bf221dbbe6bed6bb49730029f15045e722292a63
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 18 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 66 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf