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!
|
| _version_ | 1823858763994497024 |
|---|---|
| author | Іван Невкритий Світлана Антоненко |
| author_facet | Іван Невкритий Світлана Антоненко |
| author_sort | Іван Невкритий |
| collection | DOAJ |
| description |
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.
|
| format | Article |
| id | doaj-art-4571a7ca9d3a47f7a04582b6f99fcaa1 |
| institution | Kabale University |
| issn | 3083-5704 |
| language | English |
| publishDate | 2024-06-01 |
| publisher | Oles Honchar Dnipro National University |
| record_format | Article |
| series | Challenges and Issues of Modern Science |
| spelling | doaj-art-4571a7ca9d3a47f7a04582b6f99fcaa12025-02-11T09:55:50ZengOles Honchar Dnipro National UniversityChallenges and Issues of Modern Science3083-57042024-06-012Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторіІван Невкритий0https://orcid.org/0009-0004-0701-0970Світлана Антоненко1https://orcid.org/0000-0001-6611-4543Дніпровський національний університет імені Олеся ГончараДніпровський національний університет імені Олеся Гончара 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. https://cims.fti.dp.ua/j/article/view/116дорожньо-транспортні пригодимашинне навчаннятрафічний симулятор SUMOвиявлення аномалійуправління трафікомбезпека дорожнього руху |
| spellingShingle | Іван Невкритий Світлана Антоненко Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі Challenges and Issues of Modern Science дорожньо-транспортні пригоди машинне навчання трафічний симулятор SUMO виявлення аномалій управління трафіком безпека дорожнього руху |
| title | Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі |
| title_full | Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі |
| title_fullStr | Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі |
| title_full_unstemmed | Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі |
| title_short | Застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3Д просторі |
| title_sort | застосування глибокого навчання для покращення ефективності алгоритмів розпізнання зіткнень в 3д просторі |
| topic | дорожньо-транспортні пригоди машинне навчання трафічний симулятор SUMO виявлення аномалій управління трафіком безпека дорожнього руху |
| url | https://cims.fti.dp.ua/j/article/view/116 |
| work_keys_str_mv | AT ívannevkritij zastosuvannâglibokogonavčannâdlâpokraŝennâefektivnostíalgoritmívrozpíznannâzítknenʹv3dprostorí AT svítlanaantonenko zastosuvannâglibokogonavčannâdlâpokraŝennâefektivnostíalgoritmívrozpíznannâzítknenʹv3dprostorí |