1 PingoTraffic - Sperimentazione Parcheggio Il Fagiolone Fase 1: adattamento al task e prove di classificazione 1 Specifiche del problema e scopo dell adattamento Il task proposto da SienaParcheggi S.p.A. è quello di monitorare il passaggio di veicoli all ingresso del parcheggio Il Fagiolone e classificarli secondo una tassonomia specifica. Nella sua versione base PingoTraffic è stato progettato e sviluppato con lo scopo di rendere possibile un monitoraggio non invasivo dei transiti stradali. Si è reso quindi necessario un lavoro di integrazione ed estensione del sistema base per introdurre la funzionalità di classificazione dei veicoli. Si è voluta preservare la non invasività del sistema per cui è stata mantenuta la medesima tecnologia di rilevamento, basata su sensori che rilevano perturbazioni elettromagnetiche, riconducibili al passaggio di masse ferrose. La classificazione puntuale dei veicoli richiede però un analisi più fine del pattern elettromagnetico prodotto dal transito di un veicolo, a tale scopo il magnetometro di dotazione di PingoTraffic base è stato sostituito da un fascio di sensori pilotati in modo coordinato da un unico controller.
2 Fascio di sensori Controller Server Raccolta Classificazione Conservazione e Gestione (DB) Figura 1-1 PingoTraffic: sistema di monitoraggio e classificazione transiti Figura 1-2 PingoTraffic: screenshot applicativo di gestione e monitoraggio
3 2 Problematiche affrontate Le problematiche maggiori rappresentate dal task sono legate alla raccolta del pattern completo e distinto di ogni transito e la classificazione del medesimo. i) La raccolta del pattern è resa complessa dalla presenza di veicoli le cui firme elettromagnetiche presentano dei plateau anche piuttosto lunghi. La classificazione del veicolo richiede la raccolta completa del pattern (cosa non necessaria per il solo monitoraggio) per cui è stato sviluppato un sistema specializzato nella ricostruzione delle firme anche in caso di ipotesi di separazione. Questo modulo ha anche l obiettivo di identificare quei plateau della perturbazione che separano due transiti diversi ma a distanza ravvicinata per cui l ipotesi di separazione deve essere confermata. ii) La classificazione dei transiti prevede l uso di uno specifico classificatore automatico, addestrato su esempi etichettati manualmente. La raccolta dei campioni è stata fatta in varie fasi, soprattutto durante i mesi di Aprile e Maggio, Settembre e Ottobre. La tassonomia stabilita per questa fase delle sperimentazione è la seguente: AUTOMOBILI, AUTOBUS, CAMPER, MINIBUS, POLLICINO(bus navetta) e FALSE (transito non di interesse). Inoltre è stata inserita un ulteriore categoria CONTROMANO che rileva il passaggio di un qualunque tipo di veicolo nel verso opposto alla normale direzione di marcia consentita. L etichettatura è stata eseguita nel tempo da persone diverse per cui è possibile che vi siano delle incoerenze (cosa risolvibile nelle fasi successive della sperimentazione) nel set di addestramento. Il maggior problema della classificazione è legato alla distribuzione dei campioni, quasi tutti appartenenti alla categoria AUTOBUS (oltre il 60%). La categoria che comporta maggiori difficoltà è quella dei CAMPER, perchè sottorappresentata e allo stesso tempo presenta una geometria e una variabilità delle misure che possono indurre alla confusione con altre categorie (AUTOMOBILI e MINIBUS). iii) Al fine di limitare al minimo l invasività del sistema sono stati effettuati degli scavi lungo il tratto di strada immediatamente precedente al varco. Qui sono stati introdotti due contenitori carrabili nelle quali sono state posizionate tutte le parti elettroniche relative ai sensori e si è connesso l apparecchiatura con la macchina server attraverso cavi sotterranei.
4 Controller Pozzetti carrabili Fascio di sensori Server Raccolta Classificazione Conservazione e Gestione DB) 3 Funzionalità installate 3.1 Installazione servizio E stato installato sulla macchina server il software necessario alla classificazione dei veicoli in transito nonché alla memorizzazione di tali informazioni sul base di dati dedicata. Il software è configurato come servizio di Windows così da poter essere avviato automaticamente all avvio del sistema, senza il bisogno di un intervento manuale il tutto apparendo trasparente all utilizzatore della macchina. Inoltre, sono attive delle politiche di controllo sullo stato dell applicazione che, qualora si dovessero verificare problemi che provocano uno stop imprevisto del servizio, questo si possa riavviare in modo del tutto automatico. 3.2 Report giornaliero E stato installato un plug-in che permette di creare automaticamente un report giornaliero con tutti i transiti registrati in giornata. Per ognuno viene indicato il tipo di veicolo classificato e l orario di entrata. Al fine di rendere più intuitivo la comprensione del traffico in ingresso al parcheggio, vengono salvati dei grafici che mostrano in maniera chiara come si distribuiscono i transiti in base al tempo e al tipo di veicoli. Inoltre il plug-in provvede a spedire tramite mail l intero report comprensivi di grafici agli indirizzi mail di interesse.
5 Pingo Traffic - Report: Fagiolone, 11/12/2011 Fascia oraria AUTO CAMP BUS MBUS POL CM NC TOTALE 08-09 0 1 0 0 0 0 0 1 09-10 1 2 4 0 0 0 0 7 10-11 0 1 10 0 0 1 0 12 11-12 0 3 8 0 0 0 0 11 12-13 1 1 6 1 0 0 0 9 13-14 0 0 2 0 0 0 0 2 14-15 0 0 4 1 0 0 0 5 15-16 0 2 0 1 0 0 0 3 16-17 0 0 2 0 0 0 0 2 17-18 0 0 0 0 0 0 0 0 18-19 0 2 2 1 0 0 0 5 19-20 0 0 1 0 0 0 0 1 Totale 2 12 39 4 0 1 0 58 Tabella 3-1 Daily Report: tabella dei transiti Figura 3-1 Daily Report: tabella dei transiti 3.3 Report istantaneo A corredo del reporting giornaliero è stato installato un ulteriore plug-in che permette di conoscere istante per istante gli ultimi transiti registrati al varco. Attraverso una semplice pagina html è possibile visualizzare i dettagli degli ultimi transiti avvenuti nonché le statistiche graficate relativi a tutti i passaggi registrati fino a quel momento della giornata.
6 Figura 3-2 Instant Report: screenshot di un report 3.4 Logging mail Al fine di verificare costantemente l attività di funzionamento del dispositivo, è stato installato un ulteriore pacchetto che provvede a mandare delle segnalazioni tramite mail qualora si riscontrino delle anomalie da parte del sistema. Inoltre provvede a mandare dei pacchetti di controllo in maniera costante in modo da assicurare che il servizio e il pacchetto di controllo siano entrambi attivi. 4 Output del sistema E molto semplice configurare il sistema in modo da stabilire dei gradi di confidenza sotto il quale non produrre alcuna attribuzione di categoria. Questo permette di ottenere, in base alle specifiche esigenze dell utente, capacità di precisione più o meno elevate. In una recente prova, eseguita su 1827 campioni raccolti e catalogati manualmente, sono stati impostati diversi livelli di confidenza.
7 4.1 Test 1 (confidenza minima 30%) Output Auto Bus Camper Minibus BusNavetta Target Auto 236 2 4 6 2 94,4% Bus 6 1036 2 18 2 97,4% Camper 10 7 101 27 1 69,2% Minibus 12 36 4 158 1 74,9% BusNavetta 2 2 1 2 143 95,3% 88,7% 95,7% 90,2% 74,9% 96,0% 91,9% Tabella 4-1 Tabella dei risultati: confidenza al 30% Pattern predetti: 1821 Pattern non-predetti: 6 Pattern predetti correttamente:1674 (91,9%, 91,4% sul totale) Pattern predetti in modo errato: 147 (8.4%) Come si può vedere la predizione è molto precisa quando il passaggio è effettuato da un automobile (prima riga), da un bus (seconda riga) o da un bus-navetta ( pollicino, quinta riga). Maggiore incertezza si ha quando il veicolo da classificare è un camper (terza riga) o un minibus (quarta). Dal momento che, ai fini del monitoraggio del parcheggio Il Fagiolone, la categoria minibus è riconducibile alla categoria bus, presentiamo anche la tabella derivante dall accorpamento di queste due categorie.
8 Output Auto Bus Camper BusNavetta Target Auto 236 8 4 2 94,4% Bus 18 1248 6 3 97,9% Camper 10 34 101 1 69,2% BusNavetta 2 4 1 143 95,3% 88,7% 96,3% 90,2% 96,0% 94,9% Tabella 4-2 Tabella dei risultati: confidenza al 30%, accorpamento bus-minibus Pattern predetti: 1821 Pattern non-predetti: 6 Pattern predetti correttamente: 1728 (94,9%, 94,6% sul totale) Pattern predetti in modo errato: 93 (5,1%) Qui si evidenzia un fenomeno molto importante: le predizioni errate (4,16%) si concentrano in gran parte sui transiti di Camper, che a volte vengono interpretati come Bus (44 su 141 transiti), per via della presenza della categoria Minibus. Sono rari invece i casi in cui l errore viene prodotto nella modalità opposta: i transiti di Bus che vengono interpretati come Camper sono 6 su 1275.
9 4.2 Test 2 (confidenza minima 50%) Output Auto Bus Camper BusNavetta Target Auto 231 21 1 1 98,3% Bus 15 1187 4 2 98,3% Camper 8 25 90 0 73,2% BusNavetta 1 1 1 142 97,9% 90,6% 96,2% 93,7% 97,9% 94,4% Tabella 4-3 Tabella dei risultati: confidenza al 50% Pattern predetti: 1709 Pattern non-predetti: 118 Pattern predetti correttamente: 1614 (94,4%, 88,3% sul totale) Pattern predetti in modo errato: 97 (6,0%) Aumentando la confidenza minima necessaria all assegnazione di una categoria il numero di errori di classificazione si è ridotto sensibilmente (da 147 a 97) portando al 94,4% la precisione complessiva. In questo test il numero di campioni non predetti è di circa il 6,5%.
10 4.3 Test 2 (confidenza minima 90%) Output Auto Bus Camper BusNavetta Target Auto 123 0 0 1 99,2% Bus 3 918 2 1 99,3% Camper 1 21 61 0 93,8% BusNavetta 0 1 0 123 99,2% 96,8% 97,7% 96,8% 98,4% 97,6% Tabella 4-4 Tabella dei risultati: confidenza al 90% Pattern predetti: 1255 Pattern non-predetti: 572 Pattern predetti correttamente: 1225 (97,6%, 67,04% sul totale) Pattern predetti in modo errato: 30 (6,0%) Aumentando ancora di più la confidenza minima necessaria all assegnazione di una categoria il numero di errori di classificazione si è ridotto sensibilmente (30) portando al 97,6% la precisione complessiva, ma in questo caso il numero di campioni non predetti è molto elevato: il 31%. Nota: Questi risultati sono al netto dei problemi che possono emergere in fase di segmentazione dei veicoli e di estrazione delle caratteristiche del moto di un veicolo. Si stima che questa fase di preprocessing potrebbe produrre un ulteriore 2-3% circa di errori.