論文の概要: ASTM :Autonomous Smart Traffic Management System Using Artificial Intelligence CNN and LSTM

• arxiv url: http://arxiv.org/abs/2410.10929v3
• Date: Sun, 20 Oct 2024 06:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 17:02:12.828720
• Title: ASTM :Autonomous Smart Traffic Management System Using Artificial Intelligence CNN and LSTM
• Title（参考訳）: ASTM : 人工知能CNNとLSTMを用いた自律型スマートトラヒック管理システム
• Authors: Christofel Rio Goenawan,
• Abstract要約: 本稿では,AIを用いて交通流量を改善する自律型スマートトラヒック管理システムを提案する。 このシステムは、交通管理画像中の車両を検出するために、YOLO V5 Convolutional Neural Networkを使用している。 また、長い短期記憶を備えたリカレントニューラルネットワークを使用して、次の12時間の車両数を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the modern world, the development of Artificial Intelligence (AI) has contributed to improvements in various areas, including automation, computer vision, fraud detection, and more. AI can be leveraged to enhance the efficiency of Autonomous Smart Traffic Management (ASTM) systems and reduce traffic congestion rates. This paper presents an Autonomous Smart Traffic Management (STM) system that uses AI to improve traffic flow rates. The system employs the YOLO V5 Convolutional Neural Network to detect vehicles in traffic management images. Additionally, it predicts the number of vehicles for the next 12 hours using a Recurrent Neural Network with Long Short-Term Memory (RNN-LSTM). The Smart Traffic Management Cycle Length Analysis manages the traffic cycle length based on these vehicle predictions, aided by AI. From the results of the RNN-LSTM model for predicting vehicle numbers over the next 12 hours, we observe that the model predicts traffic with a Mean Squared Error (MSE) of 4.521 vehicles and a Root Mean Squared Error (RMSE) of 2.232 vehicles. After simulating the STM system in the CARLA simulation environment, we found that the Traffic Management Congestion Flow Rate with ASTM (21 vehicles per minute) is 50\% higher than the rate without STM (around 15 vehicles per minute). Additionally, the Traffic Management Vehicle Pass Delay with STM (5 seconds per vehicle) is 70\% lower than without STM (around 12 seconds per vehicle). These results demonstrate that the STM system using AI can increase traffic flow by 50\% and reduce vehicle pass delays by 70\%.
• Abstract（参考訳）: 現代の世界では、人工知能(AI)の開発は、自動化、コンピュータビジョン、不正検出など、様々な分野の改善に貢献している。 AIは、Autonomous Smart Traffic Management(ASTM)システムの効率を高め、トラフィックの混雑率を低減するために利用することができる。 本稿では,AIを用いて交通流量を改善する自律型スマートトラヒック管理システムを提案する。 このシステムは、交通管理画像中の車両を検出するために、YOLO V5 Convolutional Neural Networkを使用している。 さらに、RNN-LSTM(Long Short-Term Memory)を備えたリカレントニューラルネットワーク(Recurrent Neural Network)を使用して、次の12時間の車両数を予測する。 Smart Traffic Management Cycle Length Analysisは、AIが支援するこれらの車両予測に基づいて、トラフィックサイクルの長さを管理する。 今後12時間にわたって車両数を予測するRNN-LSTMモデルの結果から,4.521台の平均正方形誤差 (MSE) と2.232台のルート平均正方形誤差 (RMSE) のトラフィックを予測する。 CARLAシミュレーション環境でSTMシステムのシミュレーションを行った結果,ASTM(21両/分)による交通管理渋滞流量は,STMのない場合(約15両/分)より50%高いことがわかった。 さらに、STM(車両毎の5秒)による交通管理車両パス遅延は、STM(車両毎の約12秒)よりも70%低い。 これらの結果から、AIを用いたSTMシステムは、トラフィックフローを50%増加させ、車両通過遅延を70%減少させることができることがわかった。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks [0.5801044612920815]
  接続された自動運転は、都市交通効率を大幅に改善する可能性がある。 協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。 本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-30T08:21:18Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Intelligent Transportation Systems to Mitigate Road Traffic Congestion [0.0]
  渋滞を緩和し、緊急車両ができるだけ早く到着できるよう、2つの交通管理モデルが作成されている。 ツールチェーンSUMO-JADEを用いて、トラフィックの相互作用を象徴する顕微鏡シミュレーションを作成する。 シミュレーションモデルでは、平均時間遅延が50%以上減少し、旅行時間全体の実質的な改善が見られた。
  論文  参考訳（メタデータ） (2021-06-04T07:51:02Z)
• Data-Driven Intersection Management Solutions for Mixed Traffic of Human-Driven and Connected and Automated Vehicles [0.0]
  この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。 まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。 第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:44:45Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)
• A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction [5.585321463602587]
  GPlightはグラフニューラルネットワーク(GNN)と統合された深層強化学習アルゴリズムである GPlightでは、グラフニューラルネットワーク(GNN)が、交差点における将来の短期的トラフィックフローを予測するために最初に使用される。
  論文  参考訳（メタデータ） (2020-09-29T01:09:24Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)
• Traffic Signs Detection and Recognition System using Deep Learning [0.0]
  本稿では,交通標識をリアルタイムに検出・認識するためのアプローチについて述べる。 マルチオブジェクト検出システムの最先端技術を用いて,交通信号検出問題に取り組む。 この論文の焦点は、F-RCNN Inception v2とTiny YOLO v2が最高の結果を得たときのものである。
  論文  参考訳（メタデータ） (2020-03-06T14:54:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。