Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
What Changes from Ubiquitous Computing to Internet of Things in Interaction Evaluation? Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Smart City Application for Sharing Up-to-date Road Surface Conditions Detected from Crowdsourced Data

verfasst von : Kenro Aihara, Piao Bin, Hajime Imura, Atsuhiro Takasu, Yuzuru Tanaka

Erschienen in: Distributed, Ambient and Pervasive Interactions

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper introduces a smart city application to share road conditions. The application is based on a mobile sensing framework to collect sensor data reflecting personal-scale, or microscopic, roadside phenomena using crowdsourcing. To collect data, a driving recorder smartphone application that records not only sensor data but also videos from the driver’s view is used. To extract specific roadside phenomena, collected data are integrated and analyzed at the service platform. One example is estimating road surface conditions. The paper shows our method to estimate road surface type (RST) and road surface shape (RSS). Features are defined in Sequential Forward Floating Search (SFFS) algorithm from collected data. By using random forest as classifier, average recall was about 91% in the \(50\,\mathrm {km/h}\) – \(80\,\mathrm {km/h}\) range. The result may support to build a service that provides detected road conditions from up-to-date crowdsourced mobile sensing application.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Propositions for a Mid-Air Interactions System Using Leap-Motion for a Collaborative Omnidirectional Immersive Environment
Nächstes Kapitel Building a Platform Society Towards Sustainability Based on Internet-of-Things
Fußnoten
Literatur
1.
Aihara, K., Bin, P., Imura, H., Takasu, A., Tanaka, Y.: On feasibility of crowdsourced mobile sensing for smarter city life. In: Streitz, N., Markopoulos, P. (eds.) DAPI 2016. LNCS, vol. 9749, pp. 395–404. Springer, Cham (2016). doi:10.​1007/​978-3-319-39862-4_​36 CrossRef
2.
Chen, K., Lu, M., Tan, G., Wu, J.: Crsm: crowdsourcing based road surface monitoring. In: 2013 IEEE 10th International Conference on High Performance Computing and Communications & 2013 IEEE International Conference on Embedded and Ubiquitous Computing (HPCC_EUC), pp. 2151–2158. IEEE (2013)
3.
Feng, F.: Winter Road Surface Condition Estimation and Forecasting. Ph.D. thesis, University of Waterloo, Ontario, Canada (2013)
4.
Fujino, Y., Kitagawa, K., Furukawa, T., Ishii, H.: Development of Vehicle Intelligent Monitoring System (VIMS). In: Proceedings of the SPIE, Part 1 edn., vol. 5765, pp. 148–157 (2005)
5.
Jain, A., Zongker, D.: Feature selection: evaluation, application, and small sample performance. IEEE Trans. Pattern Anal. Mach. Intell. 19(2), 153–158 (1997)CrossRef
6.
7.
Jonsson, P.: Classification of road conditions: from camera images and weather data. In: 2011 IEEE International Conference on Computational Intelligence for Measurement Systems and Applications (CIMSA), pp. 1–6. IEEE (2011)
8.
Kawai, S., Takeuchi, K., Shibata, K., Horita, Y.: A method to distinguish road surface conditions for car-mounted camera images at night-time. In: 2012 12th International Conference on ITS Telecommunications (ITST), pp. 668–672. IEEE (2012)
9.
Kira, K., Rendell, L.A.: A practical approach to feature selection. In: Proceedings of the Ninth International Workshop on Machine Learning, pp. 249–256 (1992)CrossRef
10.
Kononenko, I.: Estimating attributes: analysis and extensions of RELIEF. In: Bergadano, F., Raedt, L. (eds.) ECML 1994. LNCS, vol. 784, pp. 171–182. Springer, Heidelberg (1994). doi:10.​1007/​3-540-57868-4_​57 CrossRef
11.
Nomura, T., Shiraishi, Y.: A method for estimating road surface conditions with a smartphone. Int. J. Inf. Soc. 7(1), 29–36 (2015)
12.
Omer, R., Fu, L.: An automatic image recognition system for winter road surface condition classification. In: 2010 13th International IEEE Conference on Intelligent Transportation Systems (ITSC), pp. 1375–1379. IEEE (2010)
13.
Qian, Y., Almazan, E.J., Elder, J.H.: Evaluating features and classifiers for road weather condition analysis. In: 2016 IEEE International Conference on Image Processing (ICIP), pp. 4403–4407. IEEE (2016)
14.
Sayers, M.: On the calculation of international roughness index from longitudinal road profile. Transp. Res. Rec. 1501, 1–12 (1995)
15.
Yagi, K.: A measuring method of road surface longitudinal profile from sprung acceleration, and verification with road profiler. J. Jpn. Soc. Civ. Eng. Ser. E1 (Pavement Eng.) 69(3), I-1–I-7 (2013)
16.
Yamada, M., Ueda, K., Horiba, I., Tsugawa, S., Yamamoto, S.: A study of the road surface condition detection technique based on the image information for deployment on a vehicle. IEEJ Trans. Electron. Inf. Syst. 124(3), 753–760 (2004)
Metadaten
Titel
A Smart City Application for Sharing Up-to-date Road Surface Conditions Detected from Crowdsourced Data
verfasst von
Kenro Aihara
Piao Bin
Hajime Imura
Atsuhiro Takasu
Yuzuru Tanaka
Copyright-Jahr
2017
Buch
Distributed, Ambient and Pervasive Interactions

Print ISBN: 978-3-319-58696-0

Electronic ISBN: 978-3-319-58697-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-58697-7_16

Neuer Inhalt

    Bildnachweise