.png){kind=icon}
返回
Machine learning based adaptive traffic prediction and control using edge impulse platform
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-00762-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通拥堵和延误是现代车辆交通控制系统中的两大主要挑战。这些问题可以通过一个高效且自主的交通调度系统来缓解。所提出的方法的目标是根据接近交通信号灯的车辆密度，无需人为干预地自动化交通控制系统。与依赖预设计时器且通常不适用于不可预测交通状况的传统交通信号系统不同。因此，所提出的方法根据实时数据动态调整信号时间。该方法利用在距离交通信号灯预定距离处战略性地放置的接近传感器来检测接近的车辆。基于这些传感器的读数来监测车辆的速度和密度。提出了一个基于Edge-Impulse的机器学习模型，用于预测车辆到达交通信号灯的密度和到达时间。通过使用机器学习算法，该系统可以预测未来交通状况，并通过显著减少拥堵和延误来优化实时交通控制。此外，通过自动化交通调度过程，所提出的方法有助于减少人为错误并提高道路用户的安全。所提出的方法有潜力改造现有的交通控制系统，使其更加智能、高效和自主。该模型经过严格的测试和验证，以确保其在真实交通场景中的可靠性和准确性。
Keyword:
Traffic prediction
Traffic control
Artificial intelligence
Machine learning
TinyML
Internet of things
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Multi-Level Intelligent Control System For Inter-Vehicle Communication Between Smart Traffic Lights With Computer Vision and Autonomous Electric Vehicles基于计算机视觉和自动驾驶电动汽车的智能交通灯之间车际通信的多级智能控制系统
PREAI
分享收藏Traffic Flow Prediction for Smart Traffic Lights Using Machine Learning Algorithms.png)
TechnologiesOAAI
TechnologiesIF0
OAAI分享收藏Optimized deep extreme learning machine for traffic prediction and autonomous vehicle lane change decision-making优化后的深度极限学习机用于交通预测和自动驾驶车辆车道变换决策
PREAI
分享收藏A hybrid approach of traffic simulation and machine learning techniques for enhancing real-time traffic prediction用于增强实时交通预测的交通模拟和机器学习技术的混合方法
PREAI
分享收藏
Towards optimal tuned machine learning techniques based vehicular traffic prediction for real roads scenarios面向真实道路场景的基于车辆流量预测的优化调谐机器学习技术研究
PREAI
分享收藏
查看更多内容