Методика подготовки исходных данных для определения пробок на дорогах на основе машинного обучения
Ключевые слова:
интеллектуальные алгоритмы, методы сбора данных, оценка предсказательной способности моделиАннотация
Прогнозирование пробок на дорогах играет важную роль в эффективном управлении транспортными системами и обеспечении удобства передвижения в современных городах. Интеллектуальные алгоритмы и технологии искусственного интеллекта широко используются при реализации этого процесса. Эти технологии позволяют заблаговременно обнаруживать и предотвращать дорожно-транспортные происшествия, а также оптимально управлять транспортным потоком. В данной исследовательской работе также были собраны данные о движении транспортных средств на дорогах. Собранные данные были очищены и подготовлены. Влияние каждого показателя на условия дорожного движения было проанализировано для выбора признаков и определения их важности. После этого были созданы алгоритмы машинного обучения обучения. Эти прогнозы были проверены для управления транспортной системой.
Библиографические ссылки
Lowe, D. G. (1999) Object recognition from local scale-invariant features. In Computer vision, 1999. The proceedings of the seventh IEEE international conference on, volume 2, pages 1150–1157. Ieee.
Akhatov A. R., Nazarov F., Eshtemirov B.Sh. “Detection and analysis of traffic jams using computer vision technologies”, International Conference on Artificial Intelligence, Blockchain, Computing and Security (ICABCS-2023). Samarkand, Uzbekistan.
Axatov A. R., Eshtemirov B.Sh. “Mashinaviy o‘qitish asosida yo‘llardagi tirbandlik holatlarini tahlil qilishning intellektual algoritmlari” “Raqamli transformatsiya va sun’iy intellekt”, Toshkent davlat iqtisodiyot universiteti, 2024-yil, Volume 2, Issue 3.
F.M.Nazarov, Eshtemirov B.Sh., Q.Sh.Saydullayev “Microscopic and macroscopic flow models of traffic management” // Sharof Rashidov nomidagi Samarqand davlat universiteti Ilmiy axborotnomasi. (283/7.1-сон OAK qarori. №32), 2023-yil, 1-son (137/2).
J. Redmon and A. Angelova. Real-time grasp detection using convolutional neural networks. CoRR, abs/1412.3128, 2014.
Nannicini G. , "Point-to-point shortest paths on dynamic time-dependent road networks," 40R, vol. 8, pp. 327-330,2010.
S. Gidaris and N. Komodakis. Object detection via a multiregion & semantic segmentation-aware CNN model. CoRR, abs/1505.01749, 2015.
Akhatov A., Renavikar A., Rashidov A. & Nazarov F. “Development of the Big Data processing architecture based on distributed computing systems” Informatika va energetika muammolari O‘zbekiston jurnali, № (1) 2022, 71-79
M. A. Sadeghi and D. Forsyth. 30hz object detection with dpm v5. In Computer Vision–ECCV 2014, pages 65–79. Springer, 2014.
Bolikulov, F.; Nasimov, R.; Rashidov, A.; Akhmedov, F.; Cho, Y.-I. Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms. Mathematics 2024, 12, 2553. https://doi.org/10.3390/math12162553
J. Yan, Z. Lei, L. Wen, and S. Z. Li. The fastest deformable part model for object detection. In Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on, pages 2497–2504. IEEE, 2014. 5.
Siu Hong Loh, Jia Jia Sim, Chu Shen Ong, Kim Ho Yeap, “Development of Smart Traffic Light Controller System with Deep Learning Capability in Image Processing”, 2021.
Waing, Dr. Nyein Aye, On the Automatic Detection System of Stop Line Violation for Myanmar Vehicles (Car), Volume 1 - Issue 4 November 2013.
Axatov A. (2023). Sun’iy intellektdan foydalanib yo‘llardagi tirbandlilarni baholash bosqichlari va algoritmlari. Amaliy matematikaning zamonaviy muammolari va istiqbollari. Qarshi davlat universiteti, 2024-yil, 24-25-may.
A. Akhatov, “Transport harakatini boshqarish usullari” Sun’iy intellekt va raqamli ta’lim texnologiyalari: amaliyot, tajriba, muammo va istiqbollari mavzusidagi xalqaro ilmiy-amaliy anjuman materiallari to‘plami. Samarqand davlat univerteti, 2024 yil 3-4-iyun.
Eshtemirov B.Sh., Nazarov F., Yarmatov Sh.Sh. “Technologies for identifying vehicles standing at traffic lights based on video data”, Central asian journal of mathematical theory and computer sciences, Volume: 03 Issue: 12 | ISSN: 2660-5309, 2022 yil, dekabr.
H. Mao-Chi and Y. Shwu-Huey, "A real-time and colorbased computer vision for traffic monitoring system," in Multimedia and Expo, 2004. ICME '04. 2004 IEEE International Conference on, 2004, pp. 2119-2122 Vol.3.
Kanungo, A.; Sharma, A.; Singla, C. Smart traffic lights switching and traffic density calculation using video processing. In Proceedings of the 2014 Recent Advances in Engineering and Computational Sciences (RAECS), Chandigarh, India, 6–8 March 2014; pp. 1–6.
Xun, F.; Yang, X.; Xie, Y.;Wang, L. Congestion detection of urban intersections based on surveillance video. In Proceedings of the 18th International Symposium on Communications and Information Technologies (ISCIT), Bangkok, Thailand, 26–28 September 2018; pp. 495–498.
Kurniawan, J.; Syahra, S.G.; Dewa, C.K. Traffic Congestion Detection: Learning from CCTV Monitoring Images using Convolutional Neural Network. Procedia Comput. Sci. 2018, 144, 291–297.
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Лицензия
Copyright (c) 2024 Bunyod Eshtemirov, Akmal Axatov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
