Roteiro para a mobilidade inteligente: Aprendizagem automática em veículos conectados

No panorama dinâmico dos Sistemas de Transporte Inteligentes, esta investigação é pioneira em estratégias de previsão de rotas eficientes, particularmente vitais para veículos de emergência (VEs). O modelo HL-CTP emprega aprendizagem incremental, aumentando a precisão através do ajuste fino das previsões com base em dados históricos. Como complemento, o modelo SG-TSE ajusta os semáforos, minimizando o impacto negativo do congestionamento no tráfego regular e na preempção de VEs. Reconhecendo as limitações do aprendizado de máquina tradicional em redes de Internet de Veículos, nosso terceiro objetivo utiliza o monitoramento de tráfego baseado em YOLOv4, incorporando o filtro Kalman para modelagem de ambiente IoV em tempo real. Os decisores políticos podem tirar partido destes dados para tomar decisões informadas, melhorando a eficiência dos transportes, reduzindo o congestionamento e reforçando a segurança. A integração de RSUs gere eficazmente os recursos da rede, contribui para sistemas de transporte mais inteligentes e eleva os padrões de vida urbanos. Em conclusão, esta investigação não só faz avançar a previsão de rotas e a preempção de VE, como também acrescenta valor ao panorama mais vasto dos sistemas de transporte inteligentes e reactivos, beneficiando a sociedade em geral.