[論文レビュー] Towards Realistic Vehicular Network Modeling Using Planet-scale Public Webcams

Gautam S. Thakur, Pan Hui+2 more|arXiv (Cornell University)|May 19, 2011

Video Surveillance and Tracking Methods参考文献 21被引用数 4

ひとこと要約

本稿では、10都市の2,700台の公共ウェブカメラから得た7.5TBの交通画像を分析することで、現実の車両移動をモデル化する新規で低コストな手法を提案する。背景差分法を用いた交通密度推定により、車両密度の最良適合モデルとしてログログスティック分布とガンマ分布を同定し、82%のカメラ（誤差5%未満）がログログスティック分布に従い、トロントでは94%がガンマ分布に従うことが判明。また、交通パターンに顕著な長距離依存性が確認された。

ABSTRACT

Realistic modeling of vehicular mobility has been particularly challenging due to a lack of large libraries of measurements in the research community. In this paper we introduce a novel method for large-scale monitoring, analysis, and identification of spatio-temporal models for vehicular mobility using the freely available online webcams in cities across the globe. We collect vehicular mobility traces from 2,700 traffic webcams in 10 different cities for several months and generate a mobility dataset of 7.5 Terabytes consisting of 125 million of images. To the best of our knowl- edge, this is the largest data set ever used in such study. To process and analyze this data, we propose an efficient and scalable algorithm to estimate traffic density based on background image subtraction. Initial results show that at least 82% of individual cameras with less than 5% deviation from four cities follow Loglogistic distribution and also 94% cameras from Toronto follow gamma distribution. The aggregate results from each city also demonstrate that Log- Logistic and gamma distribution pass the KS-test with 95% confidence. Furthermore, many of the camera traces exhibit long range dependence, with self-similarity evident in the aggregates of traffic (per city). We believe our novel data collection method and dataset provide a much needed contribution to the research community for realistic modeling of vehicular networks and mobility.

研究の動機と目的

• 大規模かつ公開可能な車両移動データセットが不足している現状を是正し、現実的なネットワークモデリングに資するため。
• 専用センサーに依存せずに、公開済みのウェブカメラから交通密度を効率的かつスケーラブルに推定する手法を開発するため。
• 多様な都市環境において、車両密度を正確にモデル化できる統計的に有意な確率分布を同定するため。
• 複数の時間スケールで交通パターンに長距離依存性および自己相似性が存在するかを調査するため。
• 今後の車両ネットワークおよび移動モデリング研究を支援するため、公開可能で大規模なデータセットとアルゴリズムを提供するため。

提案手法

• 10都市の2,700台の公共交通ウェブカメラから数か月にわたり7.5TBの画像データを収集した。
• 各カメラごとのリアルタイム交通密度推定を目的に、背景画像差分法を用いて移動する車両を検出する。
• 経験的交通密度分布を既知の分布（ログログスティック、ガンマ、ワイブル、指数分布）と比較する統計的フィッティング手法を適用した。
• 個々のカメラおよび都市集計データに対して95%信頼水準で適合度を検証するため、コルモゴロフ・スミルノフ（KS）検定を用いた。
• 1分、10分、1時間などの複数の時間解像度での時系列データ分析により、自己相似性および長距離依存性を検出する。
• 都市およびカメラごとの交通フローにおける自己相似性および長距離依存性を定量化するため、ハース推定を用いた。

実験結果

リサーチクエスチョン

• RQ1 個々のカメラおよび都市集計データの交通密度経験的分布に対して、どの確率分布が最良の適合を示すか？
• RQ2 現実の交通パターンは、異なる時間スケールでどの程度長距離依存性および自己相似性を示すか？
• RQ3 背景差分法に基づく交通密度推定手法は、公共ウェブカメラからの実世界の交通ダイナミクスをどの程度正確に捉えられるか？
• RQ4 大規模かつ公開可能なウェブカメラは、車両移動モデリングにおけるセンサー駆動データ収集の代替手段として実用的かつスケーラブルか？
• RQ5 交通パターンは、分布の形状、ピーク時間帯、自己相似性の観点から、異なる都市間でどのように異なるか？

主な発見

• 4都市にまたがる個々のカメラの82%（誤差5%未満）がログログスティック分布に従い、交通密度パターンに顕著な統計的整合性があることが示された。
• トロントのカメラの94%がガンマ分布に従い、この分布が高密度都市環境における交通の代表的特徴を示している可能性がある。
• ログログスティック分布およびガンマ分布の両方が、都市集計データにおいて95%信頼水準でコルモゴロフ・スミルノフ（KS）検定に合格し、統計的妥当性が確認された。
• すべての都市の交通データは顕著な長距離依存性を示し、数分から数時間の複数の時間スケールで自己相似性が観察された。
• 交通密度の時系列は、あらゆる解像度で持続的なバーストを示しており、交通ダイナミクスが記憶なし（memoryless）ではなく、長距離相関を示していることが示された。
• 提案された背景差分アルゴリズムは、10都市の合計1億2,500万枚の画像を大規模に分析可能な高精度な交通密度推定を実現した。