Maschinelles Lernen basiertes IoT-System für sicheres Verkehrsmanagement und Unfallerkennung in Smart Cities

In Smart Cities hat der rapide Anstieg der Automobile zu Staus, Umweltverschmutzung und Unterbrechungen im Transport von Gütern geführt. Jedes Jahr gibt es mehr Todesfälle und Fälle von dauerhaften Beeinträchtigungen durch alltägliche Verkehrsunfälle. Um den Verkehrsstau zu kontrollieren, sichere Datenübertragungen bereitzustellen und Unfälle zu erkennen, wird das IoT-basiertes Verkehrsmanagementsystem eingesetzt. Autonome Fahrzeuge und intelligente Geräte sind mit einem IoT-basierten ITM-System ausgestattet, das über eine Gruppe von Sensoren Daten identifiziert, sammelt und sendet. Das Verkehrssystem wird durch maschinelles Lernen verbessert. In dieser Arbeit wird ein Adaptives Verkehrsmanagementsystem (ATM) mit einem Unfallwarnsystem (AALS) verwendet, um den Verkehrsstau zu verwalten und Unfälle zu erkennen. Für die sichere Datenübertragung im Verkehr wird das Secure Early Traffic-Related EveNt Detection (SEE-TREND) verwendet. Das Design nutzt mehrere Szenarien, um jedes potenzielle Problem des Verkehrssystems anzugehen. Das vorgeschlagene ATM-Modell passt kontinuierlich die Steuerung der Ampeln basierend auf dem Verkehrsaufkommen und den voraussichtlichen Bewegungen angrenzender Kreuzungen an. Indem es den Fahrzeugen gestattet, schrittweise an grünen Ampeln vorbeizufahren, reduziert es die Reisezeit erheblich. Es lindert auch den Verkehrsstaus, indem es einen nahtlosen Übergang schafft. Die Ergebnisse der Studie zeigen, dass das vorgeschlagene ATM-System deutlich besser Abschnitte als die traditionelle Verkehrsmanagementmethode abschneidet und eine führende Rolle in der Verkehrsplanung für auf Smart Cities basierende Verkehrssysteme spielen wird. Die vorgeschlagene ATM-ALTREND-Lösung bietet eine sichere Datenübertragung im Verkehr, die Staus und Wartezeiten der Fahrzeuge verringert, die Unfallraten senkt und das gesamte Reiseerlebnis verbessert.