شماره ركورد كنفرانس :
5286
عنوان مقاله :
تعيين حجم ترافيك خيابان با استفاده از يادگيري عميق با مدل VGG19
پديدآورندگان :
دراني زهره zdorrani@yahoo.com دانشگاه پيام نور
كليدواژه :
حجم ترافيك , يادگيري عميق. , معماري VGG19 , شبكه عصبي كاتولوشن عميق
عنوان كنفرانس :
پنجمين كنفرانس بينالمللي محاسبات نرم
چكيده فارسي :
هدف اين مقاله تعيين حجم ترافيك خيابان با بهرهگيري از مدل VGG19 است. اين روش با تحليل تصاوير خيابان و استفاده از توانايي شبكههاي عصبي عميق، تلاش ميكند تا پيشبيني دقيقي از حجم ترافيك در شرايط مختلف را ارائه دهد. حجم ترافيك در شهرها به يك چالش روزافزون براي مديريت ترافيك تبديل شده است. اين چالش ها موجب نياز به راهحلهاي نوآورانهتر و دقيقتر براي پيشبيني و بهينهسازي جريان خودروها و مسيرهاي حمل و نقل شده است. در اين راستا، استفاده از روشهاي هوش مصنوعي و به خصوص شبكههاي عصبي عميق ميتواند يكي از پاسخهاي موثر به اين چالش ها باشد. مدل VGG19 يكي از معماريهاي شناختهشده در دنياي شبكههاي عصبي است كه به دليل توانايي بالاي خود در استخراج ويژگيهاي تصاوير، به عنوان يك ابزار قدرتمند براي تحليل تصاوير خيابان به كار گرفته شده است. استفاده از VGG19 براي استخراج ويژگيهاي خيابان، اطلاعات دقيقتري از الگوها و ويژگيهاي تصاوير خيابان مي دهد و اين اطلاعات را به منظور پيشبيني و تحليل حجم ترافيك استفاده مي شود. با بهرهگيري از تواناييهاي VGG19 و شبكههاي عصبي عميق، گامي مهم در جهت ارائه راهكارهاي دقيق و قابل اعتماد براي پيشبيني حجم ترافيك در خيابانها برداشته مي شود. اين ابزارهاي هوش مصنوعي، با ارائه اطلاعات دقيق و به موقع، ميتوانند به شهرها كمك كنند تا تصميمات بهتر و هوشمندانهتري را در زمينه مديريت ترافيك اتخاذ كنند.