ИНТЕЛЛЕКТУАЛЬНЫЙ АССИСТЕНТ ДЛЯ АВТОМАТИЗАЦИИ ПОДГОТОВКИ ДАННЫХ В СИСТЕМАХ УПРАВЛЕНИЯ ГОРОДСКИМ ТРАНСПОРТОМ
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-310-324Ключевые слова:
машинное обучение, интеллект, данные, вычисления, алгоритм, система, автоматизацияАннотация
Сбор и обработка расписания общественного транспорта, датчиков дорожного движения и устройств GPS приведут к большому объему данных, генерируемых современными системами управления городским транспортом. Эти данные необходимо тщательно очищать, включать извлечение признаков и нормализацию для создания любых аналитических или основанных на решениях данных. Хотя эти традиционные методы могут работать, они часто являются дорогостоящими, подвержены неточностям и очень утомительными, особенно при работе с постоянно меняющейся динамикой городской транспортной системы. Крупномасштабные транспортные данные в реальном времени требуют дополнительной автоматизации, чтобы сделать студентов эффективными и точными. В этом документе интеллектуальный помощник, работающий с алгоритмом машинного обучения, выполнит всю необходимую работу по подготовке данных для городских транспортных систем. Вместо того чтобы фокусироваться на конкретных действиях предварительной обработки, как это делают большинство других интуитивных решений, система использует гибкую и интеллектуальную структуру, которая включает интеллектуальное автоматизированное извлечение признаков, оптимизацию данных и обнаружение аномалий. Одиннадцать других структур гарантируют модульность, которая позволяет сократить ручные усилия и повысить вычислительную эффективность, что делает возможными приложения для умного города. Предлагается новый подход к более эффективному контролю и управлению наземным общественным транспортом, который помогает городам автоматизировать обработку MDT, снижая затраты на обработку данных мониторинга, обеспечивая более эффективный контроль и аккуратную работу с меньшим количеством ошибок.
Библиографические ссылки
[1] Li B., Guo T., Li R., Wang Y., Gandomi A. H., Chen F. Self-Adaptive Predictive Passenger Flow Modeling for Large-Scale Railway Systems // IEEE Internet of Things Journal. - 2023. - Vol. 10(16). - P. 14182-14196. DOI 10.1109/JIOT.2023.3270427.
[2] Iyer L. S. AI enabled applications towards intelligent transportation // Transportation Engineering. - 2021. - Vol. 5. - P. 100083. DOI 10.1016/j.treng.2021.100083.
[3] Mahrez Z., Sabir E., Badidi E., Saad W., Sadik M. Smart urban mobility: When mobility systems meet smart data // IEEE Transactions on Intelligent Transportation Systems. - 2021. - Vol. 23(7). - P. 6222-6239. DOI 10.1109/TITS.2021.3084907.
[4] Mohandu A., Kubendiran M. Survey on big data techniques in intelligent transportation system (ITS) // Materials Today: Proceedings. - 2021. - Vol. 47. - P. 8-17. DOI 10.1016/j.matpr.2021.03.479.
[5] Paiva S., Ahad M. A., Tripathi G., Feroz N., Casalino G. Enabling technologies for urban smart mobility: Recent trends, opportunities and challenges // Sensors. - 2021. - Vol. 21(6). - P. 2143. DOI 10.3390/s21062143.
[6] Oladimeji D., Gupta K., Kose N. A., Gundogan K., Ge L., Liang F. Smart transportation: an overview of technologies and applications // Sensors. - 2023. - Vol. 23(8). - P. 3880. DOI 10.3390/s23083880.
[7] Ouallane A. A., Bakali A., Bahnasse A., Broumi S., Talea M. Fusion of engineering insights and emerging trends: Intelligent urban traffic management system // Information Fusion. - 2022. - Vol. 88. - P. 218-248. DOI 10.1016/j.inffus.2022.07.020.
[8] Alahi M. E. E., Sukkuea A., Tina F. W., Nag A., Kurdthongmee W., Suwannarat K., Mukhopadhyay S. C. Integration of IoT-enabled technologies and artificial intelligence (AI) for smart city scenario: recent advancements and future trends // Sensors. - 2023. - Vol. 23(11). - P. 5206. DOI 10.3390/s23115206.
[9] Yu G., Wang Y., Hu M., Shi L., Mao Z., Sugumaran V. RIOMS: An intelligent system for operation and maintenance of urban roads using spatio-temporal data in smart cities // Future Generation Computer Systems. - 2021. - Vol. 115. - P. 583-609. DOI 10.1016/j.future.2020.09.010.
[10] Lee J., Yoon Y. Indicators development to support intelligent road infrastructure in urban cities // Transport Policy. - 2021. - Vol. 114. - P. 252-265. DOI 10.1016/j.tranpol.2021.10.009.
[11] Autili M., Chen L., Englund C., Pompilio C., Tivoli M. Cooperative intelligent transport systems: Choreography-based urban traffic coordination // IEEE Transactions on Intelligent Transportation Systems. - 2021. - Vol. 22(4). - P. 2088-2099. DOI 10.1109/TITS.2021.3059394.
[12] Sundaresan S., Kumar K. S., Nishanth R., Robinson Y. H., Kumar A. J. Artificial intelligence and machine learning approaches for smart transportation in smart cities using blockchain architecture // Blockchain for Smart Cities. - Elsevier, 2021. - P. 35-56. DOI 10.1016/B978-0-12-824446-3.00009-0.
[13] Li B., Guo T., Li R., Wang Y., Gandomi A. H., Chen F. Self-Adaptive Predictive Passenger Flow Modeling for Large-Scale Railway Systems // IEEE Internet of Things Journal. - 2023. - Vol. 10(16). - P. 14182-14196. DOI 10.1109/JIOT.2023.3270427.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Айвар Сахипов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
