نظارت هوشمند حمل و نقل مسافر به منظور مدیریت شبکه ایمنی ترافیک جاده ای مبتنی بر اینترنت اشیا

مشکلات ترافیکی یک وضعیت اجتناب ناپذیر در شهرهای وسیع و رو به رشد در سراسر جهان است. رشد جمعیت منجربه رشد تعداد خودروها شده است که منجر به ازدحام مطلق شده است. استفاده از هوش مصنوعی برای مدیریت پویاییتحرک می تواند از دستیابی به اهداف کارایی و پایداری پشتیبانی کند. هوش مصنوعی میتواند به مدلسازی سناریوهایسیستم تحرک جایگزین در زمان واقعی (با پردازش داده های بزرگ از منابع ناهمگن در زمان بسیار کوتاه و شناساییپیکربندی های شبکه و سرویس با مقایسه پدیده ها در زمینه های مشابه کمک کند، و همچنین از اجرای اقدامات برایمدیریت پشتیبانی کند.هدف اصلی ما در مطالعه پیش رو بهبود کارایی جمع آوری و استخراج اطلاعات در سیستمحمل ونقل هوشمند فعلی و استخراج دقیق داده های مسیر خودرو با استفاده از هوش مصنوعی (AI) و روش های یادگیری عمیق، داده های مسیر تولید شده در حین رانندگی وسیله نقلیه عمیقا استخراج و تحلیل می شوند.جهت رسیدن به هدف مورد نظر روشی را برای استخراج ویژگی های رفتار رانندگی مبتنی بر شبکه عصبی کانولوشن (CNN) و مسیر وسیله نقلیه پیشنهاد می شود. بر اساس اصل ریاضی بسته موجک و ماشین بردار پشتیبان ، یک مدل ترکیبی از استخراج مسیر ساخته شده و برای پیش بینی کوتاه مدت جریان ترافیک اعمال می شود. نتایج نشان می دهد که مدل ترکیبیداده کاوی اثر برازش خوبی دارد و میانگین دقت بالای ۰.۸ است. علاوه بر این، اثربخشی مدل یادگیری عمیق درطبقه بندی رفتار راننده تایید می شود. دقت مدل طبقه بندی برای مسیر ۷۵.۲ ٪ و برای ویژگی های رفتار راننده ۷۶.۸%است. استفاده موثر از داده های دانش در سیستم حمل و نقل هوشمند (ITS) و استخراج اطلاعات ارزشمند از آن، که دارای ارزش مرجع مشخصی برای پیش بینی تصفیه شده بعدی رفتار وسیله نقلیه است، اهمیت زیادی دارد.

Keywords:

ترافیک هوشمند , کنترل سرعت تطبیقی , جاده اضطراری , کانولوشن , یادگیری عمیق