Создание прототипа датчика подсчета проехавших машин. Презентация участников

Создание прототипа

датчика подсчета

проехавших машин

Тримасова Лада

Руководители:

Алексей Шатерников

Владислав Миронов

Актуальность

Оценка нагрузки проезжей части востребована в большом диапазоне задач.

Проблема существующих решений:

• стоимость

• инсталляция

• автономность

2/14

Цели

• Построение модели подсчета автомобильного трафика по аудио

потоку с точностью более 90 процентов

• Получение прототипа автономного сенсора для оценки нагрузки

проезжей части

3/14

Этапы работы

1. Сбор данных

2. Разметка данных

3. Feature engineering

4. Подбор алгоритма машинного обучения

4/14

Сбор данных

1. Видео (для разметки)

2. Аудио (для построения модели)

5/14

Разметка данных

Подсчет количества транспортных средств, проехавших мимо

камеры, за секунду

6/14

Входные данные:

• 5 x 10 минут аудиозаписей (различная интенсивность движения)

Обработка данных:

• Аудиозаписи делятся на интервалы по 1 минуте со скользящим

окном 5 секунд.

Предобработка данных

7/14

В качестве фичей с помощью библиотеки Essentia извлекаем из

аудио потока:

- Mel-frequency cepstrum Coefficients

- Linear predictive Coefficient

8/14

Предобработка данных

Построение модели

1. sklearn.LinearModel

2. xgboost

3. Microsoft LightGBM

9/14

Оценка модели

kfold-кроссвалидация:

• перемешиваем данные аудиозаписей всех типов дорог, делим на

фолды

• перемешиваем аудиозаписи всех типов дорог, кроме одного,

тестируем на оставшемся

10/14

Результаты CV

Sklearn

LinearModel

xgboost Microsoft

LightGBM

все типы

перемешаны

16% 9-10% 9-10%

тестируем на

неизвестном модели

типе

72% 29-30% 29-30%

Метрика: средняя относительная ошибка

11/14

Датчик для подсчета машин

Планируется использовать

Raspberry Pi

- запись аудио сигнала

- получение LPC & MFCC

- оценка нагрузки дорожного

движения

12/14

Планы

1. Исследовать влияние погодных условий на модель

2. Собрать и разметить больше данных, увеличить временной

интервал предсказания

3. Улучшить результаты тестирования на неизвестном модели

участке дороги

4. Попробовать другие устройства аудиозаписи

13/14

Использованые технологии

1. Python

2. HTML, javascript, css

14/14