Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі
Для запобігання та виявлення дорожньо-транспортних пригод було проведено багато досліджень, більшість з яких спрямовані на визначення потенційно небезпечних об'єктів або аналіз статистики дорожніх пригод. У цьому дослідженні вперше представлено систему, спроектовану для виявлення випадкових до...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Oles Honchar Dnipro National University
2024-06-01
|
| Series: | Challenges and Issues of Modern Science |
| Subjects: | |
| Online Access: | https://cims.fti.dp.ua/j/article/view/116 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Для запобігання та виявлення дорожньо-транспортних пригод було проведено багато досліджень, більшість з яких спрямовані на визначення потенційно небезпечних об'єктів або аналіз статистики дорожніх пригод. У цьому дослідженні вперше представлено систему, спроектовану для виявлення випадкових дорожніх пригод за допомогою збору даних від навколишніх транспортних засобів та їх обробки за допомогою інструментів машинного навчання для виявлення потенційних дорожніх пригод. Метою є аналіз дорожньої поведінки та виявлення транспортних засобів, які відхиляються від норм. У дослідженні використовується трафічний симулятор SUMO (Simulation of Urban Mobility) для моделювання руху транспортних засобів та збору інформації про їх позиції та рухові шаблони. Всього на 3000-метровій ділянці дороги було симульовано рух 100 транспортних засобів за допомогою SUMO з різними типами транспортних засобів для імітації реального трафіку. Система використовує неконтрольований кластерний алгоритм DBSCAN для виявлення аномалій, що підтверджує його ефективність у виявленні дорожніх пригод. Результати показують, що після дорожньої пригоди кількість аномалій зростає, що свідчить про блоковані дороги або значне збільшення трафіку на альтернативних смугах руху. Автоматизоване виявлення дорожніх пригод є важливим для систем управління трафіком, допомагаючи у уникненні майбутніх інцидентів та дозволяючи владі швидко відновити роботу доріг. Це дослідження підкреслює потенціал аналізу поведінки трафіку за допомогою позицій та швидкостей транспортних засобів, аномальна активність яких може стати потенційною загрозою для водіїв у навколишніх районах. Висновки підкреслюють важливість включення технік машинного навчання в системи управління трафіком для підвищення безпеки та ефективності дорожнього руху. Загалом, це дослідження демонструє можливість та ефективність використання алгоритмів машинного навчання для автоматизованого виявлення дорожніх пригод у системах управління трафіком. Завдяки використанню передових технологій, таких як симуляція та кластерний аналіз, безпека дорожнього руху може бути значно покращена, що в кінцевому підсумку приведе до безпечніших та більш ефективних транспортних мереж.
|
|---|---|
| ISSN: | 3083-5704 |