Tóm tắt Luận án Tiến sĩ Kỹ thuật: Dự đoán và định hướng luồng giao thông trong môi trường bất định

Truyện thuật toán học tập về hệ thống giao thông tài nguyên (ITS) này giới thiệu một khung làm việc cho việc phân tích dữ liệu video từ camera đặt trên đèo và đèn giao thông. Khung làm việc này, còn được gọi là HAIVAN-CVA, sử dụng các thuật toán học máy để nhận diện xe và người đèn trên thực tế. Tuy nhiên, ngoại trừ việc giới thiệu, thuyết luận cũng cung cấp những mẫu mô hình dành cho đoàn lối giao thông, bao gồm mô hình ARIMA và LSTM. Các mẫu mô hình này sử dụng để dự đoán tình trạng giao thông dựa trên dữ liệu lịch sử và đọc kích thước thời hạn của sensor. Thuyết luận kết thúc với một cuộc trò chuyện về áp dụng tiềm năng của thực tế này, bao gồm giải quyết vấn đề quản lý giao thông và giảm số lượng bong tróc. Tác giả cũng đề xuất các nơi cho tiếp tục khám phá, ví dụ như liên kết hệ thống này với các hệ thống ITS khác và tìm hiểu các thuật toán học máy mới.

Nhóm nghiên cứu, sinh viên, các đơn vị và công ty chuyên ngành giao thông tài nguyên.

Truyện thuật toán học tập về hệ thống giao thông tài nguyên (ITS) bao gồm một số chương, bắt đầu từ giới thiệu về các yếu tố quan trọng liên quan đến ITS, có thể nói rằng là sự phát triển công nghệ trong việc giao tiếp xung đột giữa các mô hình hoạch định và người láng giềng. Sau đó, tác giả giới thiệu khung làm việc HAIVAN-CVA, trong đó được mô tả chi tiết các bước chia sẻ thời gian và khối lượng cho các camera quan sát. Sau đó, tác giả giới thiệu về một số mẫu mô hình dành cho việc đoàn lối giao thông, bao gồm mô hình ARIMA, LSTM, và các mẫu mô hình khác. Các mẫu mô hình này được dùng để dự đoán tình trạng giao thông dựa trên dữ liệu lịch sử và các kích thước thời hạn của sensor. Tác giả cũng đề xuất một số bước tiếp theo để áp dụng thực tế này, ví dụ như liên kết hệ thống này với các hệ thống ITS khác và tìm hiểu các thuật toán học máy mới. Tuy nhiên, phần này chỉ là một tóm tắt trong khi đó, thuyết luận bao gồm nhiều chi tiết hơn và cung cấp một số lượng lớn dữ liệu chất lượng cao.