TWI645387B - 交通旅行時間預測之系統與方法 - Google Patents
交通旅行時間預測之系統與方法 Download PDFInfo
- Publication number
- TWI645387B TWI645387B TW106143153A TW106143153A TWI645387B TW I645387 B TWI645387 B TW I645387B TW 106143153 A TW106143153 A TW 106143153A TW 106143153 A TW106143153 A TW 106143153A TW I645387 B TWI645387 B TW I645387B
- Authority
- TW
- Taiwan
- Prior art keywords
- travel time
- road
- complex
- road segment
- segment
- Prior art date
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
一種交通旅行時間預測之系統與方法,係利用卷積神經網路,根據各路段的複數平均旅行時間資訊,產生各該路段的旅行時間預測資訊。
Description
本發明係有關一種旅行時間預測技術,尤指一種交通旅行時間預測之系統與方法。
近年來,隨著國人旅運需求的增加,使得自小客車的數量也逐年提升。例如,根據交通部統計資料指出,從民國99年到105年期問汽車數量從6,876,515輛增加至7,842,423輛,在6年內成長了14%。因此,在道路容量有限的情況下,車輛數的增加將可能造成道路無徒負荷而造成壅塞情況,特別是在尖峰時段(如:上下班時段、連假期間等)。
有鑑於此,政府部門著手於規劃和建置相關智慧型運輸系統(Intelligent Transportation System;ITS),包含有先進交通管理系統(Advanced Traffic Management System;ATMS)、先進用路人資訊系統(Advanced Traveler Information System;ATIS)等,以監測即時交通路況和提供路況資訊給用路人參考,並且可搭配自動化調整交通號
誌進行紓流、截流、分流等控制,提升道路品質和減少壅寒。
然而,目前在即時路況資訊的收集上,雖然可以運用車輛偵測器(Vehicle Detector;VD)和電子標籤(eTag)偵測器取得當下的車速、流量、及旅行時間,但卻無法反應出未來的動態路況。
因此,如何有效的預測未來交通資訊,即為本發明所要解決之技術問題。
為克服習知技術之缺失,本發明係提供一種交通旅行時間預測之系統,係包括:複數電子標籤偵測器,係設於複數路段上,用以偵測經過各該電子標籤偵測器之複數車輛的電子標籤,以獲得複數電子標籤識別碼及複數時間點;交控雲次系統,係依據該複數電子標籤識別碼及該複數時間點,計算出各該路段的複數平均旅行時間資訊;以及路況雲次系統,係利用卷積神經網路,根據各該路段的複數平均旅行時間資訊,產生各該路段的旅行時間預測資訊。
於一實施例中,該卷積神經網路係包括:輸入層,係用以將各該路段的複數平均旅行時間資訊轉換成路段對時間的矩陣資料;卷積層,係以至少一個過濾器對該矩陣資料分析,以得到複數路況特徵值;以及神經網路,係設定欲預測之路段與時間,分析該複數路況特徵值,以得到該欲預測之路段的該旅行時間預測資訊。
於一實施例中,該卷積神經網路更包括:池層,係用以先將該複數路況特徵值進行降維處理後,再將該降維後的複數路況特徵值傳至該神經網路分析。
於一實施例中,該過濾器的設定內容係包括每一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、每一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性以及車流循序從不同路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
於一實施例中,該系統更包括顯示裝置,係用以顯示該複數路段的旅行時間預測資訊。
本發明另提供一種交通旅行時間預測之方法,係包括下列步驟:偵測經過複數電子標籤偵測器的複數車輛的電子標籤,以獲得複數電子標籤識別碼及複數時間點,其中,該複數電子標籤偵測器係設於複數路段上;依據該複數電子標籤識別碼及該複數時間點,計算出各該路段的複數平均旅行時間資訊;以及通過卷積神經網路分析各該路段的複數平均旅行時間資訊,以產生各該路段的旅行時間預測資訊。
於一實施例中,該卷積神經網路分析各該路段的該複數平均旅行時間資訊之步驟更包括:將各該路段的複數平均旅行時間資訊轉換成路段對時間的矩陣資料;利用至少一個過濾器對該矩陣資料分析,以得到複數路況特徵值;以及設定欲預測之路段與時間,以神經網路分析
該複數路況特徵值,俾得到該欲預測之路段的該旅行時間預測資訊。
於一實施例中,該方法更包括在得到複數路況特徵值之後,先將該複數路況特徵值進行降維處理,再將該降維後的複數路況特徵值傳至該神經網路分析。
於一實施例中,該過濾器的設定內容係包括每一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、每一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性;以及車流循序從不同路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
於一實施例中,該方法更包括將該複數路段的旅行時間預測資訊傳送至顯示裝置以顯示該旅行時間預測資訊。本發明的技術特點如下:
1.各路段和各時段的旅行時間作為輸入模型,同時分析時間和空間的關聯。
2.建立多個過濾器挑選因子,運用卷積神經網路方法萃取出時間和空間的關聯特徵。
3.預測目標路段未來的旅行時間,創新運用卷積神經網路方法於旅行時間預測。
由上述可得知,本發明透過卷積神經網路建立具有路段與旅行時間之間的各種關聯性的至少一個過濾器,藉此挑選出與過濾器具有顯著影響的複數路況特徵值,將該複數路況特徵值進行類神經網路分析,而所得之路段的旅行
時間預測資訊能有效降低旅行時間預測誤差。
100‧‧‧交通旅行時間預測之系統
101‧‧‧電子標籤偵測器
102‧‧‧交控雲次系統
103‧‧‧路況雲次系統
104‧‧‧顯示裝置
201‧‧‧平均旅行時間資訊
202‧‧‧旅行時間預測資訊
300‧‧‧卷積神經網路
301、401‧‧‧輸入層
302、402‧‧‧卷積層
303、404‧‧‧神經網路
304、405‧‧‧輸出層
305、406‧‧‧矩陣資料
306、407‧‧‧過濾器
403‧‧‧池層
408‧‧‧計算結果
409‧‧‧降維資料
S801~S803‧‧‧步驟
S901~S903‧‧‧步驟
第1圖為本發明之交通旅行時間預測之系統之示意架構圖;第2圖為本發明之卷積神經網路的旅行時間預測演算法的示意架構圖;第3圖為本發明之卷積神經網路的示意架構圖;第4圖為本發明之卷積神經網路的計算之示意架構圖;第5A至5D圖為本發明之卷積層的計算流程圖;第6A至6D圖為本發明之卷積層計算結果之示意圖;第7圖為本發明之池層降維之示意圖;第8圖為本發明之交通旅行時間預測之方法流程圖;第9圖為本發明之卷積神經網路之分析流程圖。
以下藉由特定的具體實施例說明本發明之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知,本說明書所附圖式所繪示之結構、比例、大小等,均僅用以配合說明書所揭示之內容,以供熟悉此技藝之人士之瞭解與閱讀,並非用以限定本發明可實施之限定條件,故不具技術上之實質意義,任何結構之修飾、比例關係之改變或大小之調整,在不影響本發明所能產生之功效及所能達成之目的下,均應仍落在本發明所揭示之技術
內容得能涵蓋之範圍內。
請參閱第1圖所示,係本發明之交通旅行時間預測之系統100之示意架構圖,係包括:複數電子標籤偵測器101,係設於複數路段上,用以偵測經過各該電子標籤偵測器101之複數車輛的電子標籤(例如eTag),以獲得複數電子標籤識別碼及複數時間點;交控雲次系統102,係用以接收該複數電子標籤偵測器101所獲得的複數電子標籤識別碼及複數時間點,並依據該複數電子標籤識別碼及該複數時間點計算出各該路段的複數平均旅行時間資訊;路況雲次系統103,係用以接收該交控雲次系統102傳送過來的各該路段的複數平均旅行時間資訊,利用卷積神經網路,根據各該路段的複數平均旅行時間資訊,產生各該路段的旅行時間預測資訊;顯示裝置104,係用以接收及顯示該路況雲次系統103所產生的各該路段的旅行時間預測資訊。
該交控雲次系統102計算出的各該路段的複數平均旅行時間資料,係先依據該複數電子標籤識別碼及該複數時間點計算出複數車輛所經過路段的旅行時間,再依據該複數車輛所經過路段的旅行時間計算各該路段的平均旅行時間。
於一實施例中,交控雲次系統102係藉由3G或4G行動網路、wifi、藍芽等無線或有線資料傳輸介面接收該複數電子標籤偵測器101所獲得的複數電子標籤識別碼及複數時間點。
於一實施例中,該顯示裝置104係藉由3G或4G行動網路、wifi、藍芽等無線或及有線資料傳輸介面接收該路況雲次系統103所產生的該複數路段的旅行時間預測資訊。
於一實施例中,該顯示裝置104係為電腦、導航設備或手機、平板等行動裝置。
於一實施例中,該交控雲次系統102與該路況雲次系統103係為不同的雲端伺服器,而彼此可透過無線或有線網路連接。
於一實施例中,該交控雲次系統102與該路況雲次系統103係整合在同一個雲端伺服器,例如位於高速公路局、公路總局以及各縣市政府交控中心等。
請參閱第2圖所示,係為路況雲次系統103中之卷積神經網路的旅行時間預測演算法的架構圖,首先,將該交控雲次系統102所得的各該路段的平均旅行時間資訊201輸入至卷積神經網路300來分析計算,以得到路段的旅行時間預測資訊202。
各該路段的平均旅行時間資訊201係以T表示,其中,在路段1在第j個時間點的平均旅行時間資訊表示為T1,j,在路段1在第j-y個時間點的平均旅行時間資訊表示為T1,j-y,以此類推。
該路段的旅行時間預測資訊202係以Tz,j+1表示預測路段z在第j+1個時間點的旅行時間。
請參閱第3圖所示,係為卷積神經網路300的架構
圖,係包括:輸入層301,係用以將各該路段的複數平均旅行時間資訊轉換成路段對時間的矩陣資料305;卷積層302,係以至少一個過濾器306對該矩陣資料分析,以得到複數路況特徵值;神經網路303,係設定欲預測之路段與時間,分析該複數路況特徵值,以得到輸出層304所輸出之該欲預測之路段的該旅行時間預測資訊。
該些過濾器306的設定內容係包括每一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、每一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性以及車流循序從不同路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
於一實施例中,在卷積層302與神經網路303之間更包括一池層(未圖式),係用以先將該複數路況特徵值進行降維處理後,再將該降維後的複數路況特徵值傳至該神經網路分析。
於一實施例中,該些過濾器306的設定內容不限於以0與1表示,亦可為任何正負之數值,亦可為不同矩陣大小,如第3圖所示者為3*3矩陣大小,且在此實施例中所產生的過濾器為縱線、橫線、反斜線、正斜線,但本揭露並不以此為限。
請參閱第4圖所示,係為卷積神經網路300的計算架構圖,為方便說明,第4圖的輸入層401中的6*6矩陣資料406以0與1的資料代替第3圖矩陣資料305中的各該
路段的複數平均旅行時間資訊加以說明。
請參閱第5A至5D圖所示,係為第4圖中卷積層的計算流程圖,在第5A圖中,係將4個3*3大小矩陣的過濾器中的第1個與矩陣資料406的最左上3*3之大小矩陣進行點積(dot product)後的計算結果408為2(如下列公式(1)所示),往右移動一格點積的計算結果408為1,如第5B圖所示,第5C至5D圖依此類推,最後得到第6A圖所示4*4矩陣的卷積層計算結果408,該第6A圖所示卷積層的計算結果可對應至第3圖卷積層302所得的複數路況特徵值,第6B至6D圖係為第4圖中其他過濾器407的卷積層計算結果。
請繼續參閱第4圖所示,池層403係將卷積層402計算結果的4*4矩陣進行資料降維,在資料降維的計算上可採用最大值、平均值以及其他機器學習方法。於一實施例中可視資料量大小來決定是否採用池層403進行資料降維。在本實施例中,係以2*2矩陣最大值的方式降維,如第7圖所示,係以將第6A圖中的6*6矩陣分成4個2*2矩陣,在該4個2*2矩陣中取最大值留下,以得到降維資料409的2*2矩陣,以此類推。而使用池層403可具備減少運算資料量及提昇運算速度之技術效果。
該神經網路404可選擇接收該池層403或該卷積層
402的計算結果進行神經網路學習,例如監督式學習(supervised learning),分析由卷積層402或池層403所得到的特徵值和目標值(即Tz,j+1)的關聯,學習神經網路中的權重值和誤差項值,以得到輸出層405的資料A,該輸出層405的資料A係對應於第3圖輸出層304的該欲預測之路段的該旅行時間預測資訊。
請參閱第8圖,係為本發明交通旅行時間預測之方法流程圖,係包括:S801:偵測經過複數電子標籤偵測器的複數車輛的電子標籤,以獲得複數電子標籤識別碼及複數時間點,其中,該複數電子標籤偵測器係設於複數路段上;S802:依據該複數電子標籤識別碼及該複數時間點,計算出各該路段的複數平均旅行時間資訊;以及S803:通過卷積神經網路分析各該路段的複數平均旅行時間資訊,以產生各該路段的旅行時間預測資訊。
於一實施例中,在步驟S802之後,先將該複數路況特徵值進行降維處理,再將該降維後的複數路況特徵值傳至步驟S803進行該神經網路分析。
於一實施例中,更包括將步驟S803所得的該複數路段的旅行時間預測資訊傳送至顯示裝置以顯示該旅行時間預測資訊。
請參閱第9圖所示,係為第8圖步驟S803中的該卷積神經網路之分析流程圖,係包括下列步驟:
S901:將各該路段的複數平均旅行時間資訊轉換成路段對時間的矩陣資料;S902:利用至少一個過濾器對該矩陣資料分析,以得到複數路況特徵值;以及S903:設定欲預測之路段與時間,以神經網路分析該複數路況特徵值,俾得到該欲預測之路段的該旅行時間預測資訊。
在本實施例中,該S901~S903之技術內容係對應於前述第4~7圖之內容,相同技術內容於此不再贅述。
於一實施例中,該過濾器的設定內容係包括每一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、每一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性;以及車流循序從不同路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
由上述可得知,本發明透過卷積神經網路建立具有路段與旅行時間之間的各種關聯性的至少一個過濾器,藉此挑選出與過濾器具有顯著影響的複數路況特徵值,將該複數路況特徵值進行神經網路分析,而所得之路段的旅行時間預測資訊能有效降低旅行時間預測誤差,且此旅行時間預測資訊配合即時路況更可傳送至路況資訊行動應用,提供給用路人旅運規劃時參考,以避免壅塞路段。本發明更有效解決線性迴歸和邏輯迴歸無法分析因子相依性問題,以及神經網路可能存在過適問題。
上述實施例係用以例示性說明本發明之原理及其功效,而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下,對上述實施例進行修改。因此本發明之權利保護範圍,應如後述之申請專利範圍所列。
Claims (10)
- 一種交通旅行時間預測之系統,係包括:複數電子標籤偵測器,係設於複數路段上,用以偵測經過各該電子標籤偵測器之複數車輛的電子標籤,以獲得複數電子標籤識別碼及複數時間點;交控雲次系統,係依據該複數電子標籤識別碼及該複數時間點,計算出各該路段的複數平均旅行時間資訊;以及路況雲次系統,係利用卷積神經網路,根據各該路段的該複數平均旅行時間資訊,產生各該路段的旅行時間預測資訊;其中,該交控雲次系統與該路況雲次系統係透過網路連接或整合在同一個雲端伺服器,其中,該網路係為有線或無線。
- 如申請專利範圍第1項所述之系統,其中,該卷積神經網路係包括:輸入層,係用以將各該路段的該複數平均旅行時間資訊轉換成路段對時間的矩陣資料;卷積層,係利用至少一個過濾器對該矩陣資料分析,以得到複數路況特徵值;以及神經網路,係設定單一欲預測之路段與時間,分析該複數路況特徵值,以得到該單一欲預測之路段的該旅行時間預測資訊。
- 如申請專利範圍第2項所述之系統,該卷積神經網路更 包括:池層,係用以先將該複數路況特徵值進行降維處理後,再將該降維後的該複數路況特徵值傳至該神經網路分析。
- 如申請專利範圍第2項所述之系統,其中,該過濾器的設定內容係包括單一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、單一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性以及車流循序從單一個路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
- 如申請專利範圍第1項所述之系統,更包括顯示裝置,係用以顯示該複數路段的該旅行時間預測資訊。
- 一種交通旅行時間預測之方法,係包括下列步驟:偵測經過複數電子標籤偵測器的複數車輛的電子標籤,以獲得複數電子標籤識別碼及複數時間點,其中,該複數電子標籤偵測器係設於複數路段上;令交控雲次系統依據該複數電子標籤識別碼及該複數時間點,計算出各該路段的複數平均旅行時間資訊;以及令路況雲次系統通過卷積神經網路分析各該路段的該複數平均旅行時間資訊,以產生各該路段的旅行時間預測資訊;其中,該交控雲次系統與該路況雲次系統係透過網 路連接或整合在同一個雲端伺服器,其中,該網路係為有線或無線。
- 如申請專利範圍第6項所述之方法,其中,該卷積神經網路分析各該路段的該複數平均旅行時間資訊之步驟更包括:將各該路段的該複數平均旅行時間資訊轉換成路段對時間的矩陣資料;利用至少一個過濾器對該矩陣資料分析,以得到複數路況特徵值;以及設定單一欲預測之路段與時間,利用神經網路分析該複數路況特徵值,俾得到該單一欲預測之路段的該旅行時間預測資訊。
- 如申請專利範圍第7項所述之方法,更包括在得到該複數路況特徵值之後,先將該複數路況特徵值進行降維處理,再將該降維後的該複數路況特徵值傳至該神經網路分析。
- 如申請專利範圍第7項所述之方法,該過濾器的設定內容係包括單一個路段在各個時間點的旅行時間與目標路段下一個時間點的旅行時間之關聯性、單一個時間點在各個路段的旅行時間與目標路段下一個時間點的旅行時間之關聯性;以及車流循序從單一個路段遞移到其他路段時之旅行時間與目標路段下一個時間點的旅行時間之關聯性之任一者。
- 如申請專利範圍第6項所述之方法,更包括將該複數路 段的該旅行時間預測資訊傳送至顯示裝置以顯示該旅行時間預測資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106143153A TWI645387B (zh) | 2017-12-08 | 2017-12-08 | 交通旅行時間預測之系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106143153A TWI645387B (zh) | 2017-12-08 | 2017-12-08 | 交通旅行時間預測之系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI645387B true TWI645387B (zh) | 2018-12-21 |
TW201926278A TW201926278A (zh) | 2019-07-01 |
Family
ID=65431526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106143153A TWI645387B (zh) | 2017-12-08 | 2017-12-08 | 交通旅行時間預測之系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI645387B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201626290A (zh) * | 2015-01-09 | 2016-07-16 | 裕勤科技股份有限公司 | 車輛辨識偵測系統、車輛資訊蒐集方法、車輛資訊偵測記錄方法以及車輛資訊查詢方法 |
TWM548874U (zh) * | 2017-05-16 | 2017-09-11 | Dynamic Intelligences Co Ltd | 應用電子標籤之交通資訊收集裝置 |
TW201741976A (zh) * | 2016-05-04 | 2017-12-01 | Zebred Network Technology Co Ltd | 交通工具資料處理方法、裝置和終端設備 |
-
2017
- 2017-12-08 TW TW106143153A patent/TWI645387B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201626290A (zh) * | 2015-01-09 | 2016-07-16 | 裕勤科技股份有限公司 | 車輛辨識偵測系統、車輛資訊蒐集方法、車輛資訊偵測記錄方法以及車輛資訊查詢方法 |
TW201741976A (zh) * | 2016-05-04 | 2017-12-01 | Zebred Network Technology Co Ltd | 交通工具資料處理方法、裝置和終端設備 |
TWM548874U (zh) * | 2017-05-16 | 2017-09-11 | Dynamic Intelligences Co Ltd | 應用電子標籤之交通資訊收集裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW201926278A (zh) | 2019-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
WO2021135879A1 (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
WO2021238019A1 (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法 | |
JP7436670B2 (ja) | 路車協調における目標検出方法、装置及び路側機器 | |
Shen et al. | A convolutional neural‐network‐based pedestrian counting model for various crowded scenes | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
CN113345229B (zh) | 基于联邦学习的道路预警方法及其相关设备 | |
Xia et al. | SW-BiLSTM: a Spark-based weighted BiLSTM model for traffic flow forecasting | |
Saisree et al. | Pothole detection using deep learning classification method | |
CN115731513A (zh) | 基于数字孪生的智慧园区管理系统 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN105489010B (zh) | 一种快速道路行程时间可靠度监测分析系统及方法 | |
Liu et al. | Two-stream boundary-aware neural network for concrete crack segmentation and quantification | |
Guo et al. | An ensemble learning with sequential model-based optimization approach for pavement roughness estimation using smartphone sensor data | |
TWI645387B (zh) | 交通旅行時間預測之系統與方法 | |
Li et al. | Spilled load detection based on lightweight YOLOv4 trained with easily accessible synthetic dataset | |
CN103136446A (zh) | 基于优化输入层的bp神经网络预报滑坡的方法 | |
Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM | |
Abu-Alsaad | CNN-Based Smart Parking System. | |
JP2019046453A (ja) | ニューラルネットワークの中間情報分析装置、最適化装置及び特徴可視化装置 | |
Chen et al. | Improved Long Short-Term Memory-Based Periodic Traffic Volume Prediction Method | |
Yuan et al. | Identification of asphalt pavement transverse cracking based on 2D reconstruction of vehicle vibration signal and edge detection algorithm | |
CN113012430A (zh) | 一种车辆排队长度检测方法、装置、设备及可读存储介质 | |
Vasudevan et al. | Predicting Congestion States from Basic Safety Messages by Using Big-Data Graph Analytics |