SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2001 / Cilt: 16 Sayı: 1

PREPERATION OF DATA FOR DYNAMIC SCHEDULING USING IMAGE PROCESSING AND ARIMA MODELS

Dinamik Çizelgeleme İçin Görüntü İşleme Ve Arıma Modelleri Yardımıyla Veri Hazırlama

Kemal Yaman
Ahmet Sarucan
Mehmet Atak
Nizami Aktürk
Pages
19–40
Publication Date
2013-03-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Finally, this information is used as an input for ARIMA Models in order to predict the number of passengers, which will be utilized as the input data for the optimization of the time between headways.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, the gray-level image data is acquired by solid state cameras that are used for security in Ankara-Kızılay station of Ankara Rapid Rail Transit System, the objects are extracted from the background of the image by utilizing the image segmentation or intermediate level processing, and then using image enhancement technique, the remaining objects are investigated in detail.
📊
Key Findings & Data:In the next step, the area information has been extracted from the gray-scale histogram of the image of isolated objects.
💡
Conclusion & Impact:Finally, this information is used as an input for ARIMA Models in order to predict the number of passengers, which will be utilized as the input data for the optimization of the time between headways.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Görüntü işleme · taşımacılık · hızlı raylı sistem

Abstract

In this study, the gray-level image data is acquired by solid state cameras that are used for security in Ankara-Kızılay station of Ankara Rapid Rail Transit System, the objects are extracted from the background of the image by utilizing the image segmentation or intermediate level processing, and then using image enhancement technique, the remaining objects are investigated in detail. In the next step, the area information has been extracted from the gray-scale histogram of the image of isolated objects. The area information is used in obtaining approximate number of passengers. Finally, this information is used as an input for ARIMA Models in order to predict the number of passengers, which will be utilized as the input data for the optimization of the time between headways.

Özet

Bu çalışmada, Ankara Hızlı Raylı Sistemde, Kızılay-Ankaray istasyonunda bekleyen yolcuların, sistemde güvenlik amaçlı kullanılan kameralar vasıtasıyla algılanan griseviye görüntüleri, bilgisayar ortamına aktarıldı. Daha sonra, görüntü segmentasyon işlemleri ile nesneler arka plandan ayrıldı ve ayrılan nesnelere ait görüntüler, görüntü güçlendirme metotları ile belirginleştirildi. Bir sonraki aşamada, netleştirilmiş görüntülerin gri-seviye histogramlarından nesnelere ait alansal bilgiler çıkarıldı. Hesaplanan yolcu yoğunluk oranı değerleri ile gözle sayılan yolcu sayıları arasındaki ilişkiler incelenerek Ankara Hızlı Raylı Ulaşım Sistemde tren sefer aralıklarının optimizasyon işlemlerine giriş verileri sağlanacak hale getirildi. Elde edilen bu sayısal değerler, zaman serisi verileri olarak alınıp hafta içi yolcu gelişlerinin ARIMA modelleri yardımıyla modellemesi yapıldı. Sonuçta bu model kullanılarak söz konusu hizmet sisteminde dinamik çizelgeleme sürecine veri hazırlanması sağlandı.

🔖

Cite This Article

Yaman, K., Sarucan, A., Atak, M., Aktürk, N. (2013). PREPERATION OF DATA FOR DYNAMIC SCHEDULING USING IMAGE PROCESSING AND ARIMA MODELS. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 16 Sayı: 1, 19–40. https://ajindex.com/articles/1079228

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (42)

  1. Yule, G.U., “On a Method of Investigating Periodicities in Disturbed Series with
  2. Special Reference to Wölfer’s Sunspot Numbers”, Phil. Trans., A226, 267, 1927.
  3. Slutsky, E., “The Summation of Random Causes As The Source of Cyclic
  4. Processes”, Problems of Economic Conditions, 3, 1, 1927; English trans. in
  5. Econometrica, 5, 105, 1937.
  6. Wold, H.O., A Study in The Analysis of Stationary Time Series, Almquist
  7. and Wicksell, Uppsala, 1954.
  8. Yaman, K., Sarucan, A., Atak, M. ve Aktürk, N., “Görüntü İşleme Yöntemiyle
  9. Hızlı Raylı Ulaşım Sisteminde Yolcu Yoğunluğunun Box-Jenkins Yaklaşımı ile
  10. Modellenmesi”, Yöneylem Araştırması ve Endüstri Mühendisliği 22. Ulusal
  11. Kongresi, Gazi Üniversitesi, Ankara, 78, 4-6 Temmuz, 2001.
  12. Baxes, A G., Digital Image Processing Principles and Applications, John
  13. Wiley & Sons, Inc., USA, 1994.
  14. Yaman, K., Görüntü İşleme Yönteminin Ankara Hızlı Raylı Ulaşım Sistemi
  15. Güzergahında Sefer Aralıklarının Optimizasyonuna Yönelik Olarak İncelenmesi,
  16. Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, 2000.
  17. Toprak, R. ve Aktürk, N., “Raylı Toplu Taşım Sistemleri ve Raylı Toplu Taşım
  18. Sistemlerinde Güvenliği Tehdit Eden Tehlikeler”, 3. Ulaşım ve Trafik
  19. Kongresi,TMMOB Makina Mühendisleri Odası, Ankara, 18-20 Mayıs, 2001.
  20. Yaman, K. ve Aktürk, N., “Görüntü İşleme ile Kişi Yoğunluklarının
  21. Belirlenmesi”, UMTS, Selçuk Üniversitesi, Konya, 12-14 Eylül, 2001.
  22. Castelman, R. K., Digital Image Processing, Prentice hall, Englewood Cliffs,
  23. New Jersey, USA, 1996.
  24. Haralick, R.M. ve Shapiro, L.G., Computer and Robot Vision, Addison
  25. Wesley Publishing Co., USA, 1993.
  26. Sigma Scan Pro, Automated Image Analysis Software User’s Manual, Jandel
  27. Scientific software Co., USA, 1995
  28. Işığıçok, E., Değişkenler Arasındaki İlişkilerin Araştırılmasında Nedensellik
  29. Testleri ve Bir Uygulama Denemesi, Doktora Tezi, Uludağ Üniversitesi,
  30. Sosyal Bilimler Enstitüsü, 1993.
  31. Box, G. E. P. ve Jenkins, G. M., Time Series Analysis, Forecasting and
  32. Control, Holden Day, San Francisco, 1976.
  33. Eroğlu, M. ve Aktürk, N., “Machine Vision in Automated Assembly”,
  34. Hadronic Journal Supplement, 13, 257-269, 1998.
  35. Eroğlu. M., Ünal, Y. ve Aktürk, N., “Görüntü İşleme ile Boyut Ölçümü”, Gazi
  36. Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt 12, No 2, 231, 1999.
  37. Ünal,Y., Aktürk, N. ve Eroğlu, M., “Seri Üretim Hatlarında Görüntü İşlemeyle
  38. Kalite Kontrolü”, Gazi Üniv. Fen Bilimleri Enst. Dergisi, Vol:12, No:4, 1999.
  39. O’shea, T. ve Eisenstadt, M., Artificial Intelligence, Harper & Row, Publishers,
  40. New York, USA, 1984.
  41. Sarucan, A. ve Atak, M., “Bir Raylı Ulaşım Sisteminde Personel Çizelgelemeye
  42. Bütünleşik Yaklaşım”, Gazi Üniv. Fen Bilimleri Enst. Dergisi (Yayına kabul edildi).