facup

 
 

जर्नल ब्राउज़र

मैंजर्नल ब्राउज़र

विशेष अंक "इंटेलिजेंट ट्रांसपोर्टेशन में डीप लर्निंग का अनुप्रयोग"

का एक विशेष अंकसेंसर (आईएसएसएन 1424-8220)। यह विशेष अंक अनुभाग का है "वाहन संवेदन".

पांडुलिपि प्रस्तुत करने की समय सीमा:30 नवंबर 2022 | 6203 . द्वारा देखा गया

विशेष अंक संपादक

प्रो. डॉ. डाइटर श्राम
ईमेलवेबसाइट
अतिथि संपादक
विभाग मैकेनिकल इंजीनियरिंग, ड्यूसबर्ग-एसेन विश्वविद्यालय, फोर्स्टहॉसवेग 2, 47057 डुइसबर्ग, जर्मनी
रूचियाँ: वाहन की गतिशीलता; चालक सहायता प्रणाली; वाहन सिमुलेटर
डॉ फिलिप सिबर्ग
ईमेलवेबसाइट
अतिथि संपादक
यांत्रिकी विभाग, यूनिवर्सिटी ड्यूसबर्ग-एसेन, एसेन, जर्मनी
रूचियाँ: इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम (आईटीएस); वाहन की गतिशीलता; मशीन लर्निंग; हाइब्रिड मेथडेन और अंसात्ज़े; एप्लाइड आर्टिफिशियल इंटेलिजेंस

विशेष अंक सूचना

प्रिय साथियों,

पिछले कुछ समय से, विभिन्न प्रणालियों के अध्ययन के लिए गहन शिक्षण एक आशाजनक दृष्टिकोण रहा है, और बुद्धिमान परिवहन प्रणालियों के क्षेत्र में भी यही स्थिति है। उनकी बहु-स्तरीय संरचना के कारण, डीप नेटवर्क डेटा प्रोसेसिंग और सीखने के सहसंबंधों में शास्त्रीय मशीन सीखने के दृष्टिकोण से बेहतर प्रदर्शन करते हैं। यह प्रगति बुद्धिमान परिवहन प्रणालियों के उद्देश्य से भी स्पष्ट है। अनुप्रयोगों में नेविगेशन और स्थानीयकरण, सिग्नल और इमेज प्रोसेसिंग, कनेक्टेड और स्वचालित वाहन, साथ ही वर्चुअल सेंसर, कई अन्य शामिल हैं।

यह विशेष अंक अकादमिक और उद्योग के लेखकों को तकनीकी नवाचारों और बुद्धिमान परिवहन प्रणालियों में गहन शिक्षा के अनुप्रयोग के लिए नए विचारों के बारे में नए शोध परिणाम प्रस्तुत करने के लिए प्रोत्साहित करता है।

प्रो. डॉ. डाइटर श्राम
डॉ फिलिप सिबर्ग
अतिथि संपादक

पांडुलिपि जमा करने की जानकारी

पांडुलिपियों को ऑनलाइन जमा किया जाना चाहिएwww.mdpi.comद्वारादर्ज कीतथाइस वेबसाइट में लॉग इन करना . एक बार जब आप पंजीकृत हो जाते हैं,सबमिशन फॉर्म पर जाने के लिए यहां क्लिक करें . समय सीमा तक पांडुलिपियां जमा की जा सकती हैं। प्री-चेक पास करने वाले सभी सबमिशन की पीयर-रिव्यू की जाती है। स्वीकृत पत्र पत्रिका में लगातार प्रकाशित किए जाएंगे (जैसे ही स्वीकार किए जाएंगे) और विशेष अंक वेबसाइट पर एक साथ सूचीबद्ध किए जाएंगे। शोध लेख, समीक्षा लेख और साथ ही लघु संचार आमंत्रित हैं। नियोजित पत्रों के लिए, इस वेबसाइट पर घोषणा के लिए एक शीर्षक और संक्षिप्त सार (लगभग 100 शब्द) संपादकीय कार्यालय को भेजा जा सकता है।

प्रस्तुत पांडुलिपियों को पहले प्रकाशित नहीं किया जाना चाहिए था, और न ही कहीं और प्रकाशन के लिए विचाराधीन होना चाहिए (सम्मेलन कार्यवाही पत्रों को छोड़कर)। सभी पांडुलिपियों को एकल-अंध सहकर्मी-समीक्षा प्रक्रिया के माध्यम से अच्छी तरह से रेफरी किया जाता है। पांडुलिपियों को जमा करने के लिए लेखकों और अन्य प्रासंगिक जानकारी के लिए एक गाइड पर उपलब्ध हैलेखकों के लिए निर्देशपृष्ठ।सेंसरएमडीपीआई द्वारा प्रकाशित एक अंतरराष्ट्रीय पीयर-रिव्यू ओपन एक्सेस अर्धमासिक पत्रिका है।

कृपया देखेंलेखकों के लिए निर्देशएक पांडुलिपि जमा करने से पहले पृष्ठअनुच्छेद प्रसंस्करण शुल्क (एपीसी)इसमें प्रकाशन के लिएखुला एक्सेस जर्नल 2400 CHF (स्विस फ़्रैंक) है। प्रस्तुत किए गए पेपर अच्छी तरह से प्रारूपित होने चाहिए और अच्छी अंग्रेजी का उपयोग करना चाहिए। लेखक एमडीपीआई का उपयोग कर सकते हैंअंग्रेजी संपादन सेवाप्रकाशन से पहले या लेखक संशोधन के दौरान।

कीवर्ड

  • उन्नत चालक सहायता प्रणाली
  • कृत्रिम तंत्रिका प्रसार
  • जुड़े और स्वचालित वाहन
  • नियंत्रण प्रणाली
  • ध्यान लगा के पढ़ना या सीखना
  • बुद्धिमान परिवहन प्रणाली
  • नेविगेशन और स्थानीयकरण
  • सिग्नल और इमेज प्रोसेसिंग
  • आभासी सेंसर

प्रकाशित पत्र (8 पत्र)

आदेश परिणाम
परिणाम विवरण
सभी का चयन करे
चयनित लेखों का उद्धरण इस प्रकार निर्यात करें:

शोध करना

लेख
गहरी सीख के आधार पर अंतर्देशीय नदियों में बहु-कार्यात्मक प्लवों की अल्पकालिक बहाव भविष्यवाणी
सेंसर2022,22(14), 5120;https://doi.org/10.3390/s22145120- 07 जुलाई 2022
357 . द्वारा देखा गयामैंमैंआंकड़े दिखाएं

आकृति 1

लेख
टीए-यूनेट: ड्राइवेबल रोड रीजन सेगमेंटेशन के लिए ट्रिपलेट अटेंशन मॉड्यूल को एकीकृत करना
सेंसर2022,22(12), 4438;https://doi.org/10.3390/s22124438- 12 जून 2022
485 . द्वारा देखा गया
सार
स्वायत्त वाहनों की पेशकश के संभावित लाभों के कारण स्वायत्त ड्राइविंग कारों के क्षेत्र में सड़क विभाजन प्रमुख शोध क्षेत्रों में से एक रहा है। दुर्घटनाओं में उल्लेखनीय कमी, विकलांग लोगों के लिए अधिक स्वतंत्रता, और सड़क पर यातायात की भीड़ को कम करना[...] अधिक पढ़ें।
मैंमैंआंकड़े दिखाएं

आकृति 1

लेख
ट्रांसफर लर्निंग-बेहतर डीप लर्निंग नेटवर्क का उपयोग करके रीयल-टाइम वाहन वर्गीकरण और ट्रैकिंग
सेंसर2022,22(10), 3813;https://doi.org/10.3390/s22103813- 18 मई 2022
691 . द्वारा देखा गया
सार
सटीक वाहन वर्गीकरण और ट्रैकिंग बुद्धिमान परिवहन प्रणालियों (ITS) के लिए और सटीक स्थान खुफिया का उपयोग करने वाली योजना के लिए तेजी से महत्वपूर्ण विषय हैं। डीप लर्निंग (डीएल) और कंप्यूटर विज़न बुद्धिमान तरीके हैं; हालांकि, सटीक रीयल-टाइम वर्गीकरण और ट्रैकिंग समस्याओं के साथ आती है। हम तीन से निपटते हैं[...] अधिक पढ़ें।
सटीक वाहन वर्गीकरण और ट्रैकिंग बुद्धिमान परिवहन प्रणालियों (ITS) के लिए और सटीक स्थान खुफिया का उपयोग करने वाली योजना के लिए तेजी से महत्वपूर्ण विषय हैं। डीप लर्निंग (डीएल) और कंप्यूटर विज़न बुद्धिमान तरीके हैं; हालांकि, सटीक रीयल-टाइम वर्गीकरण और ट्रैकिंग समस्याओं के साथ आती है। हम तीन प्रमुख समस्याओं (P1, P2, और P3) से निपटते हैं: एक बड़े प्रशिक्षण डेटासेट (P1) की आवश्यकता, डोमेन-शिफ्ट समस्या (P2), और DL (P3) के साथ रीयल-टाइम मल्टी-व्हीकल ट्रैकिंग एल्गोरिदम को जोड़ना . P1 को संबोधित करने के लिए, हमने सात वर्गों के वाहनों के साथ मौजूदा कैमरों से लगभग 30,000 नमूनों का एक प्रशिक्षण डेटासेट बनाया। P2 से निपटने के लिए, हमने कई अत्याधुनिक YOLO (यू ओनली लुक वन्स) नेटवर्क पर ट्रांसफर लर्निंग-आधारित फाइन-ट्यूनिंग को प्रशिक्षित और लागू किया। P3 के लिए, हम एक बहु-वाहन ट्रैकिंग एल्गोरिथ्म का प्रस्ताव करते हैं जो वास्तविक समय में वाहनों की प्रति-लेन गणना, वर्गीकरण और गति प्राप्त करता है। प्रयोगों से पता चला कि फाइन-ट्यूनिंग (71% बनाम 30% तक) के बाद सटीकता दोगुनी हो गई। चार YOLO नेटवर्क की तुलना के आधार पर, YOLOv5-बड़े नेटवर्क को हमारे ट्रैकिंग एल्गोरिथम के साथ जोड़कर समग्र सटीकता (95% बनाम 90% तक), हानि (0.033 बनाम 0.036 तक), और मॉडल के बीच एक व्यापार-बंद प्रदान किया गया। आकार (91.6 एमबी बनाम 120.6 एमबी तक)। इन परिणामों के निहितार्थ स्थानिक सूचना प्रबंधन और बुद्धिमान परिवहन योजना के लिए संवेदन में हैं।पूरा लेख
मैंमैंआंकड़े दिखाएं

आकृति 1

संचार
व्हीकल डायनेमिक्स कंट्रोल सिस्टम के भीतर आर्टिफिशियल इंटेलिजेंस पर आधारित वर्चुअल सेंसर की विश्वसनीयता सुनिश्चित करना
सेंसर2022,22(9), 3513;https://doi.org/10.3390/s22093513- 05 मई 2022
457 . द्वारा देखा गया
सार
वाहनों में वर्चुअल सेंसर का उपयोग भौतिक हार्डवेयर की स्थापना के लिए एक लागत प्रभावी विकल्प का प्रतिनिधित्व करता है। सैद्धांतिक मॉडलिंग के परिणामस्वरूप भौतिक मॉडल के अलावा, कृत्रिम बुद्धि और मशीन सीखने के तरीकों का तेजी से उपयोग किया जाता है, जिसमें प्रयोगात्मक मॉडलिंग शामिल है। परिणाम के कारण[...] अधिक पढ़ें।
वाहनों में वर्चुअल सेंसर का उपयोग भौतिक हार्डवेयर की स्थापना के लिए एक लागत प्रभावी विकल्प का प्रतिनिधित्व करता है। सैद्धांतिक मॉडलिंग के परिणामस्वरूप भौतिक मॉडल के अलावा, कृत्रिम बुद्धि और मशीन सीखने के तरीकों का तेजी से उपयोग किया जाता है, जिसमें प्रयोगात्मक मॉडलिंग शामिल है। परिणामी ब्लैक-बॉक्स विशेषताओं के कारण, कृत्रिम बुद्धिमत्ता पर आधारित वर्चुअल सेंसर पूरी तरह से विश्वसनीय नहीं हैं, जिसके सुरक्षा-महत्वपूर्ण अनुप्रयोगों में घातक परिणाम हो सकते हैं। इसलिए, एक संकर विधि प्रस्तुत की जाती है जो कृत्रिम बुद्धि-आधारित अनुमानों की विश्वसनीयता की रक्षा करती है। आवेदन उदाहरण वाहन रोल कोण का राज्य अनुमान है। राज्य का अनुमान एक केंद्रीय भविष्य कहनेवाला वाहन गतिकी नियंत्रण के साथ युग्मित है। कार्यान्वयन और सत्यापन आईपीजी कारमेकर और मैटलैब/सिमुलिंक के बीच सह-सिमुलेशन द्वारा किया जाता है। हाइब्रिड पद्धति का उपयोग करके, गलत इनपुट संकेतों के परिणामस्वरूप कृत्रिम बुद्धि-आधारित मॉडल द्वारा अविश्वसनीय अनुमानों का पता लगाया जाता है और उन्हें नियंत्रित किया जाता है। इस प्रकार, एक वैध और विश्वसनीय राज्य अनुमान उपलब्ध है।पूरा लेख
मैंमैंआंकड़े दिखाएं

आकृति 1

लेख
शहरी क्षेत्रों में यातायात गति की भविष्यवाणी के लिए विषम डेटा स्रोतों के आधार पर हाइब्रिड एलएसटीएम-ग्रू मॉडल लागू करना
सेंसर2022,22(9), 3348;https://doi.org/10.3390/s22093348- 27 अप्रैल 2022
510 . द्वारा देखा गया
सार
इंटरनेट ऑफ थिंग्स (IoT) के आगमन के साथ, बड़े शहरी क्षेत्रों में तैनात कई प्रकार के सेंसर के माध्यम से विभिन्न प्रकार के डेटा सेट उत्पन्न करना संभव हो गया है, इस प्रकार स्मार्ट शहरों की धारणा को सशक्त बनाता है। स्मार्ट शहरों में, विभिन्न प्रकार[...] अधिक पढ़ें।
इंटरनेट ऑफ थिंग्स (IoT) के आगमन के साथ, बड़े शहरी क्षेत्रों में तैनात कई प्रकार के सेंसर के माध्यम से विभिन्न प्रकार के डेटा सेट उत्पन्न करना संभव हो गया है, इस प्रकार स्मार्ट शहरों की धारणा को सशक्त बनाता है। स्मार्ट शहरों में, विभिन्न प्रकार के सेंसर विभिन्न प्रशासनिक डोमेन में आते हैं और एक्सपोज़्ड एप्लिकेशन प्रोग्राम इंटरफेस (एपीआई) के माध्यम से सुलभ हो सकते हैं। ऐसे सेटअपों में, इंटेलिजेंट ट्रांसपोर्ट सिस्टम्स (ITS) में ट्रैफ़िक की भविष्यवाणी के लिए, प्रमुख पूर्वापेक्षाओं में से एक प्रीप्रोसेसिंग डेटा पाइपलाइन के भीतर विषम डेटा स्रोतों का एकीकरण है जिसके परिणामस्वरूप हाइब्रिड फीचर स्पेस होता है। इस पत्र में, हम पहले सेंसर, सेवाओं और बहिर्जात डेटा स्रोतों से प्राप्त विषम डेटा को एक हाइब्रिड स्थानिक-अस्थायी सुविधा स्थान में एकीकृत करने के लिए एक व्यापक एल्गोरिथ्म प्रस्तुत करते हैं। एक कठोर खोजपूर्ण डेटा विश्लेषण के बाद, हम समय श्रृंखला भू-स्थानिक डेटा के लिए विशेष रूप से गहन शिक्षण एल्गोरिदम लागू करते हैं और लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM), गेटेड रिकरंट यूनिट (GRU), कन्वेन्शनल न्यूरल नेटवर्क (CNN) का तुलनात्मक विश्लेषण करते हैं। और उनके संकर संयोजन। रूट माध्य चुकता त्रुटि के साथ हाइब्रिड LSTM-GRU मॉडल बाकी से बेहतर प्रदर्शन करता है (आरएमएसई) 4.5 और माध्य निरपेक्ष प्रतिशत त्रुटि (मैप) 6.67%।पूरा लेख
मैंमैंआंकड़े दिखाएं

आकृति 1

लेख
डीप लर्निंग का उपयोग करके COVID-19 के तहत सामुदायिक स्तर पर बाइक-शेयरिंग की मांग की भविष्यवाणी
सेंसर2022,22(3), 1060;https://doi.org/10.3390/s22031060- 29 जनवरी 2022
2 . द्वारा उद्धृत | 830 . द्वारा देखा गया
सार
बाइक-शेयरिंग सेवाओं की योजना बनाने और डिजाइन करने में एक महत्वपूर्ण प्रश्न स्टेशनों पर एक कुशल और विश्वसनीय तरीके से बाइक आवंटित करके उपयोगकर्ता की यात्रा मांग का समर्थन करना है जिसके लिए सटीक शॉर्ट-टाइम मांग भविष्यवाणी की आवश्यकता हो सकती है। यह अध्ययन अल्पकालिक पूर्वानुमान पर केंद्रित है, 15[...] अधिक पढ़ें।
बाइक-शेयरिंग सेवाओं की योजना बनाने और डिजाइन करने में एक महत्वपूर्ण प्रश्न स्टेशनों पर एक कुशल और विश्वसनीय तरीके से बाइक आवंटित करके उपयोगकर्ता की यात्रा मांग का समर्थन करना है जिसके लिए सटीक शॉर्ट-टाइम मांग भविष्यवाणी की आवश्यकता हो सकती है। यह अध्ययन गहन सीखने के दृष्टिकोण का उपयोग करते हुए मॉन्ट्रियल में साझा बाइक की मांग के 15 मिनट आगे, अल्पकालिक पूर्वानुमान पर केंद्रित है। बाइक ट्रिप का एक सेट होने के बाद, अध्ययन पहले लुवेन एल्गोरिथम का उपयोग करके बाइक-शेयरिंग नेटवर्क में 6 समुदायों की पहचान करता है। फिर, प्रत्येक समुदाय में पिकअप मांग की भविष्यवाणी करने के लिए LSTM-आधारित आर्किटेक्चर के चार समूहों को अपनाया जाता है। एक बेंचमार्क के रूप में परिणामों की तुलना करने के लिए एक अविभाज्य ARIMA मॉडल का भी उपयोग किया जाता है। 2017 से 2021 तक के ऐतिहासिक यात्रा डेटा का उपयोग मांग से संबंधित इंजीनियर सुविधाओं, मौसम की स्थिति और अस्थायी चर के अतिरिक्त इनपुट के अतिरिक्त किया जाता है। चयनित समयावधि COVID-19 महामारी के दौरान बाइक की मांग का अनुमान लगाने की अनुमति देती है। परिणाम बताते हैं कि गहन शिक्षण मॉडल ARIMA से बेहतर प्रदर्शन करते हैं। हाइब्रिड सीएनएन-एलएसटीएम उच्चतम भविष्यवाणी सटीकता प्राप्त करता है। इसके अलावा, अतिरिक्त चर जोड़ने से इसकी वास्तुकला की परवाह किए बिना मॉडल के प्रदर्शन में सुधार होता है। इस प्रकार, अतिरिक्त इनपुट सुविधाओं से समृद्ध हाइब्रिड संरचना का उपयोग बाइक-शेयरिंग परिचालन प्रबंधन के समर्थन में बाइक मांग पैटर्न में बेहतर अंतर्दृष्टि प्रदान करता है।पूरा लेख
मैंमैंआंकड़े दिखाएं

आकृति 1

लेख
कृत्रिम तंत्रिका नेटवर्क के आधार पर सॉफ्टवेयर सेंसर डिजाइन करने के लिए हाइपरपैरामीटर अनुकूलन तकनीक
सेंसर2021,21(24), 8435;https://doi.org/10.3390/s21248435- 17 दिसंबर 2021
1 . द्वारा उद्धृत | 786 . द्वारा देखा गया
सार
सॉफ्टवेयर सेंसर वर्तमान वाहन विकास में तेजी से महत्वपूर्ण भूमिका निभा रहे हैं। ऐसे सॉफ्ट सेंसर भौतिक मॉडलिंग और डेटा-आधारित मॉडलिंग दोनों पर आधारित हो सकते हैं। डेटा-संचालित मॉडलिंग विशुद्ध रूप से कैप्चर किए गए डेटा पर एक मॉडल बनाने पर आधारित है, जिसका अर्थ है कि कोई सिस्टम ज्ञान नहीं है[...] अधिक पढ़ें।
मैंमैंआंकड़े दिखाएं

आकृति 1

लेख
प्रति घंटा उत्पत्ति-गंतव्य मैट्रिक्स अनुमान इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम डेटा और डीप लर्निंग का उपयोग कर
सेंसर2021,21(21), 7080;https://doi.org/10.3390/s21217080- 26 अक्टूबर 2021
2 . द्वारा उद्धृत | 1011 द्वारा देखा गया
सार
यात्रा की मांग की भविष्यवाणी करना शहरी परिवहन योजना में एक अनिवार्य भूमिका निभाता है। मूल-गंतव्य (OD) मांग मैट्रिक्स का आकलन करने के लिए डेटा संग्रह विधियों को पारंपरिक सर्वेक्षण तकनीकों से बड़े पैमाने पर बुद्धिमान परिवहन प्रणालियों (ITS) से पूर्व-संग्रहित डेटा में स्थानांतरित किया जा रहा है। यह बदलाव आंशिक रूप से है[...] अधिक पढ़ें।
यात्रा की मांग की भविष्यवाणी करना शहरी परिवहन योजना में एक अनिवार्य भूमिका निभाता है। मूल-गंतव्य (OD) मांग मैट्रिक्स का आकलन करने के लिए डेटा संग्रह विधियों को पारंपरिक सर्वेक्षण तकनीकों से बड़े पैमाने पर बुद्धिमान परिवहन प्रणालियों (ITS) से पूर्व-संग्रहित डेटा में स्थानांतरित किया जा रहा है। यह बदलाव आंशिक रूप से पारंपरिक सर्वेक्षण करने की उच्च लागत और आंशिक रूप से आईटीएस द्वारा उत्पादित बिखरे हुए डेटा की विविधता और इस बड़े डेटा से अतिरिक्त लाभ प्राप्त करने के अवसर के कारण है। यह अध्ययन आईटीएस डेटा के एक सेट का उपयोग करके तेहरान महानगर के ओडी मैट्रिक्स की भविष्यवाणी करने का प्रयास करता है, जिसमें स्वचालित नंबर प्लेट पहचान (एएनपीआर) कैमरे, स्मार्ट किराया कार्ड, चौराहों पर लूप डिटेक्टर, नेविगेशन सॉफ्टवेयर के ग्लोबल पोजिशनिंग सिस्टम (जीपीएस) से निकाले गए डेटा शामिल हैं। , सामाजिक-आर्थिक और जनसांख्यिकीय विशेषताओं के साथ-साथ क्षेत्रों की भूमि-उपयोग की विशेषताएं। इस उद्देश्य के लिए, मशीन लर्निंग (एमएल) तकनीकों पर आधारित पांच मॉडल प्रशिक्षण और परीक्षण के लिए विकसित किए गए हैं। मॉडल के प्रदर्शन का मूल्यांकन करने में, सांख्यिकीय विधियों से पता चलता है कि दृढ़ तंत्रिका नेटवर्क (सीएनएन) ओडी मैट्रिक्स की भविष्यवाणी में सटीकता के मामले में सर्वश्रेष्ठ प्रदर्शन की ओर जाता है और रूट माध्य वर्ग त्रुटि (आरएमएसई) के मामले में सबसे कम त्रुटि है और माध्य निरपेक्ष प्रतिशत त्रुटि (एमएपीई)। इसके अलावा, अनुमानित OD मैट्रिक्स की संरचनात्मक रूप से जमीनी सच्चाई मैट्रिक्स के साथ तुलना की गई थी, और CNN मॉडल भी प्रस्तुत मामले में जमीनी सच्चाई OD मैट्रिक्स के साथ उच्चतम संरचनात्मक समानता दिखाता है।पूरा लेख
मैंमैंआंकड़े दिखाएं

आकृति 1

सभी का चयन करे
चयनित लेखों का उद्धरण इस प्रकार निर्यात करें:
 
लेख प्रदर्शित करना 1-8
वापस शीर्ष परऊपर