Atualmente os ÃrgÃos de trÃnsito utilizam os sistemas de monitoramento de trÃfego para reduÃÃo de acidentes de trÃnsito e como ferramenta fundamental para a coleta de dados estatÃsticos para auxiliar no planejamento e gerenciamento dos sistemas viÃrios. Nestes dados sÃo observadas informaÃÃes como a quantidade de veÃculos que trafegam em determinado ponto, a velocidade mÃdia e a identificaÃÃo da categoria dos veÃculos. A identificaÃÃo da categoria dos veÃculos que trafegam em uma via permite o controle de acesso a faixas de rolagem destinadas a uma classe de veÃculos especÃfica. O objetivo desse trabalho à propor uma soluÃÃo para classificaÃÃo de veÃculos atravÃs da anÃlise de sinais coletados de sensores indutivos no momento em que o veÃculo passa sobre os mesmos. O conjunto destes sinais para cada veÃculo à denominado perfil magnÃtico. Foi utilizado um classificador baseado em Rede Neural Artificial (RNA) para identificar o tipo de veÃculo de acordo com o padrÃo do perfil magnÃtico coletado. Na implementaÃÃo do sistema foi utilizado um framework Java que possibilitou a integraÃÃo da RNA ao aplicativo que opera no equipamento de monitoramento de trÃfego. TambÃm foi desenvolvido um aplicativo em Java que permite realizar o treinamento da rede utilizando dados coletados no equipamento e tambÃm permite avaliar posteriormente os resultados obtidos pela RNA. Os veÃculos foram classificados nas seguintes categorias: motos, veÃculos pequenos, veÃculos mÃdios, Ãnibus e caminhÃes. O sistema desenvolvido foi integrado a um equipamento de fiscalizaÃÃo de trÃfego fabricado pela empresa Fotosensores e apresentou resultados satisfatÃrios, pois o Ãndice de acerto geral do classificador foi de 97%, alÃm de representar uma melhoria no equipamento que anteriormente realizava a classificaÃÃo em somente quatro classes de veÃculos. / Currently, transit agencies use traffic monitoring systems to reduce traffic accidents and as a fundamental tool for collecting statistical data for planning and management of road systems. These data are observed as the amount of information vehicles that travel at a certain point, the average speed and the identification of the category of vehicles. The identification of the category of vehicles that travels on a path allows you to control access lanes connecting to a specific class of vehicles. The objective of this work is to propose a solution for vehicle classification by analyzing signals collected from inductive sensors at the time the vehicle passes over the sensors. This set of signs for each vehicle is called the magnetic profile. This work used a classifier based on Artificial Neural Network (ANN) to identify the type of vehicle according to the pattern of magnetic profile collected. The implemented system used a Java framework that enabled the integration of ANN to the application that operates in the traffic monitoring equipment. It was developed a Java application that trains the ANN using data collected in the equipment and also allows evaluating further classification results obtained by the ANN. The vehicles were classified into the following categories: motorcycles, small vehicles, medium vehicles, buses and trucks. The developed system has been integrated into a traffic monitoring equipment manufactured by Fotosensores and gave satisfactory results with an overall success rate above 97%. It represents an improvement in the equipment that carried out the classification.

Die vorliegende Dissertationsschrift widmet sich zwei Zielen: Mittels Induktionsschleifen-Detektoren einerseits die Verkehrsregelung an Knotenpunkten durch die Minimierung von Fahrzeughalten zu verbessern, und andererseits eine Veränderung der Verkehrsqualität durch die Schätzung von Kfz-Wartezeiten automatisiert zu erheben. Im ersten Teil wird ein modellbasiertes Steuerverfahren entwickelt, das Grünzeiten verkehrsabhängig und lokal anpasst. Es kann sehr gut in eine übergeordnete Steuerung zur Koordinierung in Verkehrsnetzen eingebunden werden und überlässt dieser die Optimierung von Phasenfolgen, Umlauf- und Versatzzeiten. Um auch bei hohen Auslastungen Kapazitäten bestmöglich zu nutzen, priorisiert es zunächst die Leerung von Warteschlangen. Anschließend erfolgt die Anpassung der Grünzeiten zwischen einer minimalen und maximalen Dauer so, dass Fahrzeughalte minimiert werden. Dafür werden Detektoren in ausreichender Entfernung im Zufluss einer Kreuzung verwendet, um Fahrzeugankünfte an der Haltelinie für die aktuelle und die nächste Phase zu prognostizieren. Bei der sich anschließenden Bilanzierung potenzieller Fahrzeughalte und der Wahl des günstigsten Umschaltzeitpunktes kann auf zusätzliche Modellannahmen verzichtet werden. Die Simulationsergebnisse zeigen, dass bei einer Minimierung der Fahrzeughalte gleichzeitig eine Reduktion von Wartezeiten möglich ist. Im zweiten Teil werden Kfz-Wartezeiten auf Basis der meist bereits vorhandenen Induktionsschleifen-Detektoren im Zufluss und im Abfluss einer Kreuzung geschätzt. Dafür werden die Zeitpunkte der Fahrzeugüberfahrten an einem Zufluss- und einem Abflussquerschnitt getrennt gemessen werden. Aus ihnen wird jeweils ein mittlerer Überfahrzeitpunkt ermittelt und nach Berücksichtigung der freien Fahrzeit eine mittlere Wartezeit geschätzt. Messintervalle an beiden Querschnitten, die um die mittlere freie Fahrzeit versetzt sind, sowie eine unbedingte Warteschlangenleerung am Ende einer Messung sollen sicherstellen, dass potenziell dieselben Fahrzeuge erfasst werden. Auf eine Fahrzeugwiedererkennung und damit auf eine Ausrüstung mit zusätzlicher Technik kann dadurch verzichtet werden. Damit sich das Verfahren für den Praxiseinsatz eignet, muss es möglichst robust gegenüber zufälligen Detektorfehlern sein. Dafür wird ein Fehlermodell entwickelt und mögliche Abweichungen gegenüber einer korrekten Messung untersucht. Aufgrund der unabhängigen Berechnung von mittleren Überfahrzeiten aus der getrennten Messung im Zufluss und im Abfluss zeigt sich, dass zufällige Fehler nicht zu systematischen Abweichungen in der Wartezeitschätzung führen.

This project is dedicated to the problem of vehicle classification using inductive loop sensors. We created the dataset that contains more than 11000 labeled inductive loop signatures collected at different times and from different parts of the world. Multiple classification methods and their optimizations were employed to the vehicle classification. Final model that combines K-nearest neighbors and logistic regression achieves 94\% accuracy on classification scheme with 9 classes. The vehicle classifier was implemented in C++.

Die vorliegende Dissertationsschrift widmet sich zwei Zielen: Mittels Induktionsschleifen-Detektoren einerseits die Verkehrsregelung an Knotenpunkten durch die Minimierung von Fahrzeughalten zu verbessern, und andererseits eine Veränderung der Verkehrsqualität durch die Schätzung von Kfz-Wartezeiten automatisiert zu erheben. Im ersten Teil wird ein modellbasiertes Steuerverfahren entwickelt, das Grünzeiten verkehrsabhängig und lokal anpasst. Es kann sehr gut in eine übergeordnete Steuerung zur Koordinierung in Verkehrsnetzen eingebunden werden und überlässt dieser die Optimierung von Phasenfolgen, Umlauf- und Versatzzeiten. Um auch bei hohen Auslastungen Kapazitäten bestmöglich zu nutzen, priorisiert es zunächst die Leerung von Warteschlangen. Anschließend erfolgt die Anpassung der Grünzeiten zwischen einer minimalen und maximalen Dauer so, dass Fahrzeughalte minimiert werden. Dafür werden Detektoren in ausreichender Entfernung im Zufluss einer Kreuzung verwendet, um Fahrzeugankünfte an der Haltelinie für die aktuelle und die nächste Phase zu prognostizieren. Bei der sich anschließenden Bilanzierung potenzieller Fahrzeughalte und der Wahl des günstigsten Umschaltzeitpunktes kann auf zusätzliche Modellannahmen verzichtet werden. Die Simulationsergebnisse zeigen, dass bei einer Minimierung der Fahrzeughalte gleichzeitig eine Reduktion von Wartezeiten möglich ist. Im zweiten Teil werden Kfz-Wartezeiten auf Basis der meist bereits vorhandenen Induktionsschleifen-Detektoren im Zufluss und im Abfluss einer Kreuzung geschätzt. Dafür werden die Zeitpunkte der Fahrzeugüberfahrten an einem Zufluss- und einem Abflussquerschnitt getrennt gemessen werden. Aus ihnen wird jeweils ein mittlerer Überfahrzeitpunkt ermittelt und nach Berücksichtigung der freien Fahrzeit eine mittlere Wartezeit geschätzt. Messintervalle an beiden Querschnitten, die um die mittlere freie Fahrzeit versetzt sind, sowie eine unbedingte Warteschlangenleerung am Ende einer Messung sollen sicherstellen, dass potenziell dieselben Fahrzeuge erfasst werden. Auf eine Fahrzeugwiedererkennung und damit auf eine Ausrüstung mit zusätzlicher Technik kann dadurch verzichtet werden. Damit sich das Verfahren für den Praxiseinsatz eignet, muss es möglichst robust gegenüber zufälligen Detektorfehlern sein. Dafür wird ein Fehlermodell entwickelt und mögliche Abweichungen gegenüber einer korrekten Messung untersucht. Aufgrund der unabhängigen Berechnung von mittleren Überfahrzeiten aus der getrennten Messung im Zufluss und im Abfluss zeigt sich, dass zufällige Fehler nicht zu systematischen Abweichungen in der Wartezeitschätzung führen.