Bücher von Shridevi Jeevan Kamble

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.

In der dynamischen Landschaft der intelligenten Verkehrssysteme leistet diese Forschungsarbeit Pionierarbeit für Strategien zur effizienten Routenvorhersage, die insbesondere für Einsatzfahrzeuge (EVs) wichtig sind. Das HL-CTP-Modell arbeitet mit inkrementellem Lernen und verbessert die Genauigkeit durch Feinabstimmung der Vorhersagen auf der Grundlage historischer Daten. Ergänzend dazu passt das SG-TSE-Modell Ampelschaltungen an und minimiert so die negativen Auswirkungen von Staus auf den regulären Verkehr und die Vorfahrt von EVs. Unser drittes Ziel ist es, die Grenzen des traditionellen maschinellen Lernens in Internet-of-Vehicles-Netzwerken zu erkennen, indem wir die YOLOv4-basierte Verkehrsüberwachung nutzen und den Kalman-Filter für die Modellierung der IoV-Umgebung in Echtzeit einbeziehen. Politische Entscheidungsträger können diese Daten für fundierte Entscheidungen nutzen, um die Verkehrseffizienz zu verbessern, Staus zu reduzieren und die Sicherheit zu erhöhen. Die Integration von RSUs verwaltet Netzwerkressourcen effizient, trägt zu intelligenteren Verkehrssystemen bei und erhöht den Lebensstandard in Städten. Zusammenfassend lässt sich sagen, dass diese Forschungsarbeit nicht nur die Routenvorhersage und die EV-Preemption vorantreibt, sondern auch einen Mehrwert für die breitere Landschaft intelligenter und reaktionsfähiger Verkehrssysteme schafft, wovon die Gesellschaft als Ganzes profitiert.

Dans le paysage dynamique des systèmes de transport intelligents, cette recherche ouvre la voie à des stratégies de prédiction d'itinéraires efficaces, particulièrement vitales pour les véhicules d'urgence (EV). Le modèle HL-CTP utilise l'apprentissage progressif, améliorant la précision en affinant les prédictions sur la base de données historiques. En complément, le modèle SG-TSE ajuste les feux de circulation, minimisant l'impact négatif de la congestion sur le trafic régulier et la préemption des véhicules d'urgence. Reconnaissant les limites de l'apprentissage automatique traditionnel dans les réseaux de l'Internet des véhicules, notre troisième objectif utilise la surveillance du trafic basée sur YOLOv4, en incorporant le filtre de Kalman pour la modélisation en temps réel de l'environnement de l'Internet des véhicules. Les décideurs peuvent exploiter ces données pour prendre des décisions éclairées, améliorer l'efficacité des transports, réduire les embouteillages et renforcer la sécurité. L'intégration des RSU permet de gérer efficacement les ressources du réseau, de contribuer à des systèmes de transport plus intelligents et d'améliorer les conditions de vie dans les villes. En conclusion, cette recherche ne fait pas seulement progresser la prédiction des itinéraires et la préemption des véhicules électriques, mais ajoute également de la valeur au paysage plus large des systèmes de transport intelligents et réactifs, au bénéfice de la société dans son ensemble.

En el dinámico panorama de los sistemas de transporte inteligentes, esta investigación es pionera en estrategias de predicción eficiente de rutas, especialmente vitales para los vehículos de emergencia (VE). El modelo HL-CTP emplea el aprendizaje incremental, mejorando la precisión al afinar las predicciones basándose en datos históricos. Como complemento, el modelo SG-TSE ajusta los semáforos, minimizando el impacto negativo de la congestión tanto en el tráfico normal como en el adelantamiento de vehículos eléctricos. Reconociendo las limitaciones del aprendizaje automático tradicional en las redes del Internet de los Vehículos, nuestro tercer objetivo utiliza la monitorización del tráfico basada en YOLOv4, incorporando el filtro de Kalman para el modelado del entorno del IoV en tiempo real. Los responsables políticos pueden aprovechar estos datos para tomar decisiones informadas, mejorar la eficiencia del transporte, reducir la congestión y mejorar la seguridad. La integración de las RSU gestiona eficientemente los recursos de la red, contribuye a sistemas de transporte más inteligentes y eleva el nivel de vida urbano. En conclusión, esta investigación no sólo avanza en la predicción de rutas y la anticipación de vehículos eléctricos, sino que también añade valor al panorama más amplio de los sistemas de transporte inteligentes y con capacidad de respuesta, beneficiando a la sociedad en general.

In the dynamic landscape of Intelligent Transportation Systems, this research pioneers strategies for efficient route prediction, particularly vital for emergency vehicles (EVs). The HL-CTP model employs incremental learning, enhancing accuracy by fine-tuning predictions based on historical data. Complementing this, the SG-TSE model adjusts traffic lights, minimizing the negative impact of congestion on both regular traffic and EV preemption. Recognizing the limitations of traditional machine learning in Internet of Vehicles networks, our third objective utilizes YOLOv4-based traffic monitoring, incorporating the Kalman filter for real-time IoV environment modeling. Policymakers can leverage this data for informed decisions, improving transportation efficiency, reducing congestion, and enhancing safety. Integrating RSUs efficiently manages network resources, contributes to smarter transportation systems, and elevates urban living standards. In conclusion, this research not only advances route prediction and EV preemption but also adds value to the broader landscape of intelligent and responsive transportation systems, benefiting society at large.