Tabella di marcia verso la mobilità intelligente: L'apprendimento automatico nei veicoli connessi

Nel panorama dinamico dei sistemi di trasporto intelligenti, questa ricerca è all'avanguardia per quanto riguarda le strategie di previsione di percorsi efficienti, particolarmente importanti per i veicoli di emergenza (EV). Il modello HL-CTP impiega l'apprendimento incrementale, migliorando l'accuratezza grazie alla messa a punto delle previsioni basate sui dati storici. A complemento di ciò, il modello SG-TSE regola i semafori, riducendo al minimo l'impatto negativo della congestione sia sul traffico regolare che sulla prelazione dei veicoli elettrici. Riconoscendo i limiti dell'apprendimento automatico tradizionale nelle reti dell'Internet of Vehicles, il nostro terzo obiettivo utilizza il monitoraggio del traffico basato su YOLOv4, incorporando il filtro di Kalman per la modellazione dell'ambiente IoV in tempo reale. I responsabili politici possono sfruttare questi dati per prendere decisioni informate, migliorando l'efficienza dei trasporti, riducendo la congestione e aumentando la sicurezza. L'integrazione delle RSU gestisce in modo efficiente le risorse di rete, contribuisce a rendere più intelligenti i sistemi di trasporto e migliora gli standard di vita nelle città. In conclusione, questa ricerca non solo fa progredire la previsione del percorso e la prelazione dei veicoli elettrici, ma aggiunge valore al più ampio panorama dei sistemi di trasporto intelligenti e reattivi, a beneficio della società in generale.