Big Data in Small Tunnels : Turning Alarms Into Intelligence

• Main Author: Olli, Oscar
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020
• Subjects: Alarm system; Correlation analysis; LSTM; Time series prediction; Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-292946

In this thesis we examine methods for evaluating a traffic alarm system. Nuisance alarms can quickly increase the volume of alarms experienced by the alarm operator and obstruct their work. We propose two methods for removing a number of these nuisance alarms, so that events of higher priority can be targeted. A parallel correlation analysis demonstrated significant correlation between single and clusters of alarms, presenting a strong cause for causality. While a serial correlation was performed, it could not conclude evidence of consequential alarms. In order to assist Trafikverket with maintenance scheduling, a long short-term model (LSTM) model, to predict univariate time-series of discretely binned alarm sequences. Experiments conclude that the LSTM model provides higher precision for alarm sequences with higher repeatability and recurring patterns. For other, randomly occurring alarms, the model performs unsatisfactory.  === Den här examensuppsatsen granskar olika metoder för att utvärdera ett larmsystem med inriktning mot trafiksäkerhet. Störande larm kan skapa stora mängder larm som försvårar arbetet för larmoperatörer. Vi föreslår två metoder för att avlägsna störande larm, så att uppmärksamhet kan riktas mot varningar med högre prioritet. En parallell korrelationsanalys som demonstrerade hög korrelation mellan både enskilda och kluster av larm. Detta presenterar ett starkt orsakssamband. En korskorrelation utfördes även, men denna kunde inte fastställa existens av s.k. följdlarm. För att assistera Trafikverket med schemaläggning av underhåll har en long short-term memory (LSTM) modell implementerats för att förutspå univariata tidsserier av diskretiserade larmsekvenser. Utförda experiment sammanfattar att LSTM modellen presterar bättre för larmsekvenser med återkommande mönster. För mera slumpmässigt genererade larmsekvenser, presterar modellen med lägre precision.