A Data Warehouse System for Estimating Fuel Consumption from Multiple Traffic Data Sources
Authors
Hansen, Søren Andreas Abildskov ; Jacobsen, Rune Bak
Term
4. term
Education
Publication year
2021
Submitted on
2021-06-04
Pages
16
Abstract
For at reducere drivhusgasser har samfundet brug for pålidelige måder at måle de aktuelle udledninger på, så effekten af nye tiltag kan vurderes. Dette arbejde fokuserer på vejtrafik og viser, hvordan eksisterende trafikdata kan bruges til at estimere en kommunes samlede udledninger. Vi kombinerer to udbredte kilder: Induction Loop Derived Data—tællinger og hastigheder fra sensorer (induktionssløjfer) i vejen—og Floating Car Derived Data—position og hastighed fra GPS-udstyrede køretøjer. Vi foreslår et datalager, en central database designet til analyse, som samler disse datasæt og forbereder dem til brug. En model til estimering af brændstofforbrug bruger derefter de behandlede trafikdata til at skønne brændstofforbrug og CO2-udledning. Modellen understøtter tilpassede køretøjssammensætninger (den lokale fordeling af køretøjstyper) for bedre at afspejle den virkelige trafik i en kommune. Vi belyser styrker og begrænsninger ved tilgangen og undersøger alternative måder at tilpasse og forbedre den. Til sidst leverer systemet estimater, som kan forespørges efter sted og tid via en grænseflade, så man kan udforske brændstofforbrug og CO2 på tværs af kommunen.
To cut greenhouse gases, society needs reliable ways to measure current emissions so we can judge whether new initiatives work. This work focuses on road traffic and shows how existing traffic data can be used to estimate a municipality’s total emissions. We combine two common sources: Induction Loop Derived Data—counts and speeds from sensors embedded in the roadway—and Floating Car Derived Data—position and speed from GPS-equipped vehicles. We propose a data warehouse, a central database designed for analysis, that integrates these datasets and prepares them for use. A fuel estimation model then uses the processed traffic data to estimate fuel consumption and CO2 emissions. The model supports custom vehicle sets (the local mix of vehicle types) to better reflect real-world municipal traffic. We discuss the strengths and limitations of the approach and examine alternative ways to adapt and improve it. Finally, the system provides estimates that can be queried by location and time through an interface, enabling exploration of fuel use and CO2 across the municipality.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents