Feuille de route pour une mobilité intelligente : L'apprentissage automatique dans les véhicules connectés

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.