Tecniche Communication-savingper l’Acquisizione Dati nel Sistema di Trasporto Intelligente Pegasus

(1)

Tecniche Communication- saving

per l’Acquisizione Dati nel Sistema

di Trasporto Intelligente Pegasus

UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA Facoltà di Scienze Matematiche, Fisiche e Naturali

Corso di Laurea Magistrale in Informatica

Tesi di Laurea di: Marcello Pietri Relatore: prof. Riccardo Martoglia

(2)

Introduzione Lo stato attuale del traffico:

 In particolari momenti molto congestionato

 Code, rallentamenti e ingorghi

 Elevato numero di incidenti

 Inquinamento acustico e ambientale

 Deterioramento della qualità di vita

Intelligent Transportation

Systems

(3)

Introduzione

Pegasus è un sistema di trasporto intelligente (ITS) il cui obiettivo è la realizzazione di una piattaforma info-telematica che dovrà permettere:

il miglioramento della mobilità

l’incremento della sicurezza

Come?

Attraverso la riduzione della congestione e dei tempi di percorrenza, tramite:

l’invio di informazioni sul traffico in tempo reale

il calcolo del percorso ottimo

Pegasus è un sistema di trasporto intelligente (ITS) il cui obiettivo è la realizzazione di una piattaforma info-telematica che dovrà permettere:

il miglioramento della mobilità

l’incremento della sicurezza

Come?

Attraverso la riduzione della congestione e dei tempi di percorrenza, tramite:

l’invio di informazioni sul traffico in tempo reale

il calcolo del percorso ottimo

(4)

Introduzione

Real-time comms engine

Smart navigation engine

Smart navigation

engine ^{Maps &}

real-time data Maps &

real-time data

User interface User interface

GPS unit

GPS unit Accel

unit Accel

unit GPRS

V2I unit GPRS

V2I unit WiFi V2V unit WiFi V2V

Veicolo unit

OBU fisica

Architettura dell’OBU Interfaccia utente

(5)

Introduzione

ad-hoc, multi-hop, V2V communication

ad-hoc, multi-hop, V2V communication V2I communicationV2I communication

BTSBTS BTSBTS

Control Centre Control

Centre

In fr as tr u ct u re d N e tw o rk In fr as tr u ct u re d N e tw o rk

OBUsOBUs

(6)

OBUOBU OBUOBU

OBUOBU

OBUOBU Communication Manager

Communication Manager

EOI Ontology

Recom- mender

System Recom- mender

System POI

Ontology POI Ontology

OBUOBU OBUOBU

Control Centre Control Centre

V2I interaction V2I interaction

V2V interaction V2V interaction

Data acquisition Data acquisition Storage Manager

Storage Manager GIS tables GIS tables Query Processing

Engine Query Processing

Engine DSMS

Service Manager Service Manager

Smart Navi- gation Smart

Navi- gation

Safety Safety Urban

Mobility Urban Mobility Service Module

Communication- saving!

OBUOBU

Introduzione

(7)

Introduzione Ambito principale di ricerca:

Tecniche communication-saving

• Servono a ridurre l'occupazione di banda nella trasmissione dati digitale

• Sfruttano le ridondanze nell'utilizzo dei dati

• Introducono un’eventuale perdita d’informazione

• Sono categorizzabili come compressioni di tipo lossy

• Sono molteplici e possono essere profondamente diverse

• I risultati in uscita possono variare drasticamente in base al contesto

• La loro qualità deve essere stabilita dall’analisi sperimentale

(8)

Argomenti della tesi:

 Stato dell’arte

Analisi e progetto del simulatore

 Creazione degli scenari

 Simulazioni di traffico

 Analisi sperimentale

(9)

Stato dell’arte

Tecniche communication-saving proposte:

 Simple time sampling

invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi

 Simple space sampling

invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi

 Map-based sampling

invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma

si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1

 Deterministic information-need

invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella segnalata nella mappa, ad esempio quando sull’A1 (130Km/h) si viaggia a 70Km/h

 Linear regression

si ottimizza l’invio dei dati interpolandoli con la migliore retta possibile, stimata con il metodo dei minimi quadrati; ad esempio invia 10 dati memorizzati nella history inviando le coordinate di due punti e il loro tempo di acquisizione

 Strategie di clustering V2V

invio unificato dei dati di più veicoli previa aggregazione e comunicazione WiFi V2V

(10)

Stato dell’arte

Necessità di dati reali sul traffico in formato digitale Utilizzo del simulatore di traffico Vissim

Implica l’utilizzo di scenari reali ad hoc Necessità di un simulatore di OBU al fine di testare le tecniche communication-saving e le strategie V2V

Creazione del simulatore

In letteratura non sono presenti analisi o ambienti di sviluppo per le tecniche

communication-saving :

Analisi, progetto e sviluppo del software

Testing e validazione dei risultati

Analisi sperimentale

(11)

Argomenti della tesi:

 Stato dell’arte

Analisi e progetto del simulatore

 Creazione degli scenari

 Simulazioni di traffico

 Analisi sperimentale

(12)

Analisi e progetto del simulatore

Dopo la fase di analisi e la fase di specifica SRS, sono stati sviluppati gli use case diagram e gli activity diagram, che hanno permesso la stesura dei package diagram e dei class diagram dello standard UML:

Real-time comms engine Real-time comms engine Smart navigation engine

Smart navigation engine Maps &

real-time data Maps &

real-time

User interface data

User interface

GPS unit

GPS unit Accel unitAccel unit GPRS V2I unitGPRS V2I unit WiFi V2V unitWiFi V2V unit

Architettura reale dell’OBU

Class diagram dell’OBU simulata

(13)

Analisi e progetto del simulatore

(14)

Analisi e progetto del simulatore

(15)

Analisi e progetto del simulatore

Tecniche communication-saving implementate:

 Simple time sampling

invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi

100 metri 100 metri

V2I V2I

 Simple space sampling

invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi

2 secondi

V2I V2I

2 secondi

(16)

Analisi e progetto del simulatore

Tecniche communication-saving implementate:

 Map-based sampling

invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma

si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1

Via Emilia est V2I V2I

Via Roma

Viale Italia

V2I

Via Emilia nord-est

(17)

Analisi e progetto del simulatore

Tecniche communication-saving implementate:

 Deterministic information-need

invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella teorica

Versione classica:

48 Km/h 25 Km/h V2I 51 Km/h

Versione sperimentale con history:

58 Km/h V2I 38 Km/h Nuova media 38,1 Km/h

Media 38,27 Km/h

(18)

Analisi e progetto del simulatore

Tecniche communication-saving implementate:

 Simple regression

sfrutta la possibilità di eseguire varie tecniche communication-saving in contemporanea, infatti si occupa di interpolare solo i tratti rettilinei, mentre tralascia i tratti curvilinei

 Linear regression

cerca di ottimizzare qualsiasi percorso interpolandolo con la migliore retta possibile, utilizzando il metodo dei minimi quadrati

tragito retlineo ipotetico

tragito reale semi-retlineo

errori tragito reale

qualsiasi tragito retlineo ipotetico

lat lat

lon lon

(19)

Argomenti della tesi:

 Stato dell’arte

Analisi e progetto del simulatore

 Creazione degli scenari

 Simulazioni di traffico

 Analisi sperimentale

(20)

Creazione degli scenari

Lo scenario di Beijing (Pechino, Cina):

Progetto originale

Progetto nel simulatore di traffico Vissim

1Km

1,2Km

(21)

Creazione degli scenari

Lo scenario di Toll Plaza (Cadmen, New Jersey, USA):

Modello usato per analizzare le operazioni sul traffico in

Benjamin

Franklin Toll Plaza per i veicoli verso il ponte di Delaware

River da

Cadmen, e dal New Jersey verso

Philadelphia in Pennsylvania, USA.

I volumi di traffico, le velocità, e

tutti gli altri dati sono reali.

2,3Km 1,4Km

0,4Km

(22)

Creazione degli scenari

Lo scenario italiano di Bologna:

Modello creato dall’università di Bologna,

modificato in modo da permettere la circolazione dei veicoli nelle strade.

I flussi di veicoli sono stati creati a posteriori con l’utilizzo di dati

pubblici.

0,6 Km

1,4Km 1,6Km

1,2 Km

(23)

Creazione degli scenari

Lo scenario italiano di Roma:

Questo modello è stato realmente

usato dalla pubblica amministrazione

per creare ed analizzare la variante

“via Tiburtina, tratto via Casal Bruciato – Ponte Mammolo” a

Roma;

nello specifico per la costruzione e

per gli impianti semaforici.

Tutti i dati, tra cui anche i flussi di

veicoli, sono reali, anche se riferiti

al ‘99. Si presume che il numero di

veicoli ad oggi sia notevolmente aumentato.

2,2Km 0,7Km

(24)

Argomenti della tesi:

 Stato dell’arte

Analisi e progetto del simulatore

 Creazione degli scenari

 Simulazioni di traffico

 Analisi sperimentale

(25)

Simulazioni di traffico

Le simulazioni di traffico sono state eseguite con il software Vissim, un potente simulatore multimodale della PTV Vision:

 Per un utilizzo avanzato si richiede la lettura di più di mille pagine di manuali in lingua inglese o tedesca

 Il traffico è stato monitorato in tempi compresi tra un minuto e quattro ore

 La quantità di dati utili prodotti è stata superiore ai dieci giga byte

 Il campionamento è stato effettuato ad intervalli di 0,1 e 0,5 secondi

(26)

Simulazioni di traffico

(27)

Argomenti della tesi:

 Stato dell’arte

Analisi e progetto del simulatore

 Creazione degli scenari

 Simulazioni di traffico

 Analisi sperimentale

(28)

Analisi sperimentale

• La fase di analisi sperimentale è stata suddivisa in due parti: l’analisi V2I e l’analisi V2V.

• Le tecniche communication-saving e le strategie di clustering V2V sono state sperimentate su tutti gli scenari descritti e anche sugli stessi scenari

leggermente modificati in termini di viabilità e numero di veicoli.

• I parametri utilizzati coprono l’intero range di valori accettabili in termini di qualità del servizio.

• Nell’analisi V2I il trade-of tra quantità dati inviati ed errori commessi, in termini di distanza e velocità,

determina la qualità della tecnica in analisi.

(29)

Analisi sperimentale – V2I

60 0,5

60 0,1

600 0,5

600 0,1

3600 0,5

0,0% 0,2% 0,4% 0,6% 0,8% 1,0% 1,2% 1,4% 1,6% 1,8% 2,0%

ROME

errori commessi - baseline

Dist err% ok V err % ok

percentuale d'errore

tipo di campionamento

60 0,5

60 0,1

600 0,5

600 0,1

3600 0,5

0 2000 4000 6000 8000 10000 12000 14000

ROME

dimensione dati per obu

data x obu

byte trasmessi

tipo di campionamento

Stime preliminari e dimensione del flusso di dati

 Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento

 La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento

 Il flusso di dati medio per ogni OBU, nella simulazione da 3600 secondi, è di 3035 byte.

 Considerando circa un milione di OBU, il flusso di dati totali è di circa 0,8 MB/s, pari a

2,83 GB all’ora e 68 GB al giorno.

(30)

Analisi sperimentale – V2I

Simple time sampling

 La crescita dell’errore non è lineare come per i dati inviati, ma iperbolica

0,5

1

2

4

8

0,0% 1,0% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0% 8,0%

ROMA

Dur. 600 - errori al variare del campionamento

errore %

campionamento (s)

0,5

1

2

4

8

0 500 1000 1500 2000 2500 3000

ROMA

Dur. 600 - data per obu al variare del campionamento

data x obu

byte trasmessi

campionamento (s)

0,7510% 0,1910%

1,1470% 0,2812%

1,9913% 0,5401%

3,7658% 1,2828%

7,2913% 3,4007%

(31)

Analisi sperimentale – V2I

Simple space sampling

 L’errore sulla distanza risulta molto soddisfacente, quello sulla velocità no

0,5s 1m 10m 20m 40m 80m 100m

0,0% 1,0% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0% 8,0% 9,0%

ROMA

errore %

campionamento

0,5s 1m 10m 20m 40m 80m 100m

0 500 1000 1500 2000 2500 3000

ROMA

data x obu

byte trasmessi

campionamento

0,7510% 0,1910%

0,7531% 2,3587%

1,1175% 5,5345%

1,7333% 5,8719%

3,1825% 6,0067%

6,1879% 6,6805%

8,2286% 7,3627%

(32)

Analisi sperimentale – V2I

Deterministic information-need

(Versione sperimentale con history)

 Gli errori sulla distanza risultano inferiori a quelli sulla velocità

 Le percentuali di errore sono decisamente superiori alle aspettative

 La tecnica è da scartare

0,5s 0.01km/h-h15 0.05km/h-h15 0.1km/h-h1 0.1km/h-h3 0.1km/h-h9 0.1km/h-h15 1km/h-h9 10km/h-h9

0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% 90,0% 100,0%

ROMA

Dist err% ok V err % ok errore %

campionamento

0,5s 0.01km/h-h15 0.05km/h-h15 0.1km/h-h1 0.1km/h-h3 0.1km/h-h9 0.1km/h-h15 1km/h-h9 10km/h-h9

0 500 1000 1500 2000 2500 3000

ROMA

data x obu byte trasmessi

campionamento

0,7510% 0,1910%

0,8124% 3,5226%

0,8360% 10,9404%

1,0789% 25,0423%

0,8740% 18,4573%

0,8647% 17,7751%

0,8643% 17,7673%

5,2492% 85,9966%

62,1489% 99,4708%

(33)

Analisi sperimentale – V2I

Deterministic information-need

(Versione off-line)

 L’andamento e le deduzioni sono leggermente negativi rispetto simple time sampling

 La variazione su errori e quantità di dati non subisce mutamenti drastici fino a 1Km/h

 La tecnica è utilizzabile per individuare i punti di rallentamento (stop, code a tratti, …)

0,5s 0.025Km/h 0.05Km/h 1Km/h 2Km/h 4Km/h 8Km/h 10Km/h

0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0% 45,0%

ROMA

errore %

campionamento

0,5s 0.025Km/h 0.05Km/h 1Km/h 2Km/h 4Km/h 8Km/h 10Km/h

0 500 1000 1500 2000 2500 3000

ROMA

data x obu

byte trasmessi

campionamento

0,7510% 0,1910%

0,8311% 0,3088%

1,6499% 1,1502%

3,0952% 2,2134%

11,0853% 6,0523%

38,3545% 11,4743%

41,9727% 14,5546%

42,3624% 15,7069%

(34)

Analisi sperimentale – V2I

Map-based sampling

 Gli errori sulla distanza e sulla velocità risultano molto marcati

 Il trade-of errori commessi - dati inviati risulta peggiore che con simple time sampling

 L’uso di questa tecnica potrebbe riguardare solo la ricostruzione dell’itinerario percorso

0,5s

map F

map T

0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0%

ROMA

errore %

campionamento

0,5s

map F

map T

0 500 1000 1500 2000 2500 3000

ROMA

data x obu

byte trasmessi

campionamento

0,7510% 0,1910%

29,9905% 22,7322%

9,8246% 6,3324%

(35)

Analisi sperimentale – V2I

Simple regression

 Il trade-of errori commessi - dati inviati risulta di poco peggiore a simple time sampling

 Usando campionamenti base più fini si ottengono risultati in linea a simple time sampling

 I risultati ottenuti indirizzano verso lo sviluppo di tecniche simili più avanzate

0,5s 7m_h3 7m_h5 7m_h7 7m_h10 10m_h3 10m_h5 10m_h7 10m_h10

0,0% 1,0% 2,0% 3,0% 4,0% 5,0% 6,0%

ROMA

errore %

campionamento

0,5s 7m_h3 7m_h5 7m_h7 7m_h10 10m_h3 10m_h5 10m_h7 10m_h10

0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

ROMA

data x obu

byte trasmessi

campionamento

0,6862% 0,1536%

1,8485% 0,6496%

2,6247% 0,9659%

3,5071% 1,2809%

5,4560% 1,8572%

1,8487% 0,6490%

2,6385% 0,9777%

3,4700% 1,3103%

4,9872% 1,8220%

(36)

Analisi sperimentale – V2I

Linear regression (1)

 Il trade-of errori commessi - dati inviati risulta molto performante

 Gli errori su distanza e velocità risultano inferiori all’1% interpolando anche 10 punti

 I risultati ottenuti indirizzano verso l’analisi su scenari in cui l’OBU circola per più tempo

0,5s on 0.5

0,5s on 0,1

reg h3 on 0,5 f0.5

reg h7 on 0,1 f0.5

reg h10 on 0,1 f0.5

reg h8 on 0,1 f60

0,00% 0,20% 0,40% 0,60% 0,80% 1,00% 1,20% 1,40% 1,60%

BOLOGNA

errore %

campionamento

0,5s on 0.5

0,5s on 0,1

reg h3 on 0,5 f0.5

reg h7 on 0,1 f0.5

reg h10 on 0,1 f0.5

reg h8 on 0,1 f60

0 2000 4000 6000 8000 10000 12000 14000 16000

BOLOGNA

data x obu

byte trasmessi

campionamento

0,4429% 0,3893%

0,4098% 0,4475%

0,9140% 1,5298%

0,6180% 0,6793%

0,7081% 0,8336%

0,5712% 0,5585%

(37)

Analisi sperimentale – V2I

Linear regression (2)

 Il trade-of errori commessi - dati inviati risulta migliore di simple time sampling

 L’errore sulla distanza si è ridotto fino a 5,6 volte, quello sulla velocità fino a 2 volte

 L’invio di dati è diminuito di 2,3 volte nel primo caso e di 3,5 volte nell’ultimo

0,5s

regression h3 on 0.5

0,0% 0,1% 0,2% 0,3% 0,4% 0,5% 0,6%

BOLOGNA - RID

errore %

campionamento

0,5s

0 20000 40000 60000 80000 100000 120000 140000 160000

BOLOGNA - RID

data x obu

byte trasmessi

campionamento

0,5401% 0,5289%

0,0963% 0,2652%

0,1531% 0,2776%

0,3077% 0,5722%

(38)

Analisi sperimentale – V2I

Linear regression (3)

 Il trade-of errori commessi - dati inviati risulta migliore di simple time sampling

 L’errore sulla distanza si è ridotto fino a 1,6 volte, quello sulla velocità fino a 1,7 volte

 L’invio di dati è diminuito fino a 1,8 volte

0,5s

1s

2s

0,0% 0,1% 0,2% 0,3% 0,4% 0,5% 0,6% 0,7% 0,8% 0,9% 1,0%

BOLOGNA - ZTL

errore %

campionamento

0,5s

1s

2s

0 50000 100000 150000 200000 250000 300000 350000 400000

BOLOGNA - ZTL

data x obu

byte trasmessi

campionamento

0,4577% 0,4613%

0,1187% 0,1248%

0,7974% 0,7848%

0,1595% 0,1833%

0,1036% 0,1273%

0,0989% 0,0824%

0,1962% 0,1692%

(39)

Analisi sperimentale – V2V

0 5 10 15 20 25 30

Dimensione dei gruppi

(al variare dello scenario)

scenario

dimensione gruppo (#OBU)

0 20 40 60 80 100 120 140 160 180

Permanenza veicolo nel gruppo (al variare dello scenario)

scenario

Permanenza veicolo (s)

Analisi V2V – variazione dello scenario

 La dimensione dei gruppi e il tempo di permanenza variano in base allo scenario

 Il tempo di permanenza dell’OBU nel gruppo non è legato alla dimensione del gruppo

 Nel caso peggiore i veicoli permangono nel gruppo per circa 8 secondi, nel migliore 177

(40)

Analisi sperimentale – V2V

Analisi V2V – variazione della copertura WiFi

 I cambiamenti all’interno dei gruppi sono costanti

 La dimensione dei gruppi aumenta in modo lineare

 Il tempo medio di permanenza dei veicoli all’interno dei gruppi cresce in modo lineare

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 29

31 33 35 37 39 41

BEIJING - Dur. 1200 C0.5 Dimensione media del gruppo al variare della portata WiFi

Portata WiFi (metri)

Dimensione del gruppo (OBU)

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 1,2

1,4 1,6 1,8 2 2,2 2,4

ROMA - Dur. 3600 C0.5 Dimensione media del gruppo

al variare della portata WiFi

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 3

3,5 4 4,5 5 5,5 6 6,5

TOLL PLAZA - Dur. 3600 C0.5 Dimensione media del gruppo

al variare della portata WiFi

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 170

180 190 200 210 220 230 240 250

BEIJING - Dur. 1200 C0.5 Tempo di permanenza al variare della portata WiFi

Tempo di permanenza (s)

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 60

65 70 75 80 85 90 95

Tempo di permanenza al variare della portata WiFi

TOLL PLAZA - Dur. 3600 C0.5

100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 46

48 50 52 54 56 58 60 62

Tempo di permanenza al variare della portata WiFi

ROMA - Dur. 3600 C0.5

(41)

Analisi sperimentale – V2V

Analisi V2V – variazione del numero di OBU

 L’andamento della grandezza media dei gruppi segue un comportamento standard

 La dimensione dei gruppi aumenta in modo logaritmico all’aumentare del numero di OBU

 Il tempo medio di permanenza di un veicolo in un gruppo diminuisce, fino a stabilizzarsi,

al crescere del numero di OBU coinvolte

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0

5 10 15 20

Grandezza media dei gruppi (BOZTL 14400 0.5)

Numero di OBU conivolte (dal basso) 25, 51, 80, 108

OBU id group

dimensione del gruppo

0 25 51 81 108

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

5 f(x) = 3.09 ln(x) + 0.24 R² = 0.98

Grandezza media gruppi

Numero di OBU coinvolte

Grandezza del gruppo (OBU)

0 25 51 81 108

0 0.1 0.2 0.3 0.4 0.5 0.6

0.7 f(x) = 0.45 ln(x) R² = 0.98

Cambiamento medio nei gruppi

Numero di OBU coinvolte

Cambiamneti per secondo

(42)

Conclusioni

Il lavoro svolto:

 Studio di tecniche communication-saving, strategie V2V e ambienti di simulazione presenti in letteratura

 Utilizzo del simulatore di traffico professionale Vissim

 Analisi, modifica e creazione di nuovi scenari per la simulazione di traffico

 Analisi, progetto e implementazione di un simulatore di OBU

 Analisi sperimentale dei dati ottenuti

(43)

Conclusioni

Gli obiettivi raggiunti:

 Sviluppo del codice nel rispetto degli standard e in modo da permettere la portabilità sull’architettura reale di ogni OBU

 Analisi di scenari reali al fine di mostrare i flussi di veicoli necessari per un efficiente utilizzo delle

strategie V2V

 Definizione di strategie e politiche di clustering tra veicoli

 Stima della riduzione del carico sulle comunicazioni

V2I, derivata dall’utilizzo di comunicazioni V2V

(44)

Conclusioni

 Riduzione delle comunicazioni senza compromettere il trade-of dati inviati – errore commesso

 Quantificazione delle reali quantità di informazioni con cui si avrà a che fare nel contesto pratico

 Individuazione delle migliori strategie

communication-saving utilizzabili nei contesti specifici della realtà

 Studio e analisi di nuove tecniche communication- saving al fine di migliorare quelle proposte in

letteratura

(45)

Sviluppi futuri

In merito alle tecniche communication-saving:

eseguire test su scenari molto più estesi, aggiornati e forniti da enti certificati, al fine di validare

completamente le analisi svolte

implementare un’ulteriore codifica in stile

Huffmann, affiancata ad altre compressioni lossless, al fine di ridurre ulteriormente la banda richiesta

implementare ed analizzare tecniche di regressione più complesse quali Multivariate adaptative

regression splines e Segemented regression

(46)