Mehr lesen
En el dinámico panorama de los sistemas de transporte inteligentes, esta investigación es pionera en estrategias de predicción eficiente de rutas, especialmente vitales para los vehículos de emergencia (VE). El modelo HL-CTP emplea el aprendizaje incremental, mejorando la precisión al afinar las predicciones basándose en datos históricos. Como complemento, el modelo SG-TSE ajusta los semáforos, minimizando el impacto negativo de la congestión tanto en el tráfico normal como en el adelantamiento de vehículos eléctricos. Reconociendo las limitaciones del aprendizaje automático tradicional en las redes del Internet de los Vehículos, nuestro tercer objetivo utiliza la monitorización del tráfico basada en YOLOv4, incorporando el filtro de Kalman para el modelado del entorno del IoV en tiempo real. Los responsables políticos pueden aprovechar estos datos para tomar decisiones informadas, mejorar la eficiencia del transporte, reducir la congestión y mejorar la seguridad. La integración de las RSU gestiona eficientemente los recursos de la red, contribuye a sistemas de transporte más inteligentes y eleva el nivel de vida urbano. En conclusión, esta investigación no sólo avanza en la predicción de rutas y la anticipación de vehículos eléctricos, sino que también añade valor al panorama más amplio de los sistemas de transporte inteligentes y con capacidad de respuesta, beneficiando a la sociedad en general.
Über den Autor / die Autorin
Shridevi est une universitaire chevronnée qui possède 12 ans d'expérience dans l'enseignement de l'électronique et de la communication, ainsi que de l'électronique numérique, tant au niveau du premier que du deuxième cycle. Avec cinq ans d'expertise en recherche, elle est évaluatrice académique et professionnelle pour une revue réputée.
