Roadmap zur intelligenten Mobilität: Maschinelles Lernen in vernetzten Fahrzeuge

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.