基于人工智能 CNN 和 LSTM 的自主智能交通管理系统
机器学习
2025-02-11 v7 人工智能
计算机视觉与模式识别
摘要
在当今世界，人工智能（AI）的发展为自动化、计算机视觉、欺诈检测等各个领域带来了显著改进。AI 可被用于提高自主智能交通管理（ASTM）系统的效率，从而降低交通拥堵率。本文提出一种自主智能交通管理（STM）系统，该系统利用 AI 改进交通流量。该系统采用 YOLO V5 卷积神经网络检测交通管理图像中的车辆。此外，它使用带有长短期记忆（RNN-LSTM）的递归神经网络预测未来 12 小时的车辆数量。AI 辅助下的智能交通管理循环长度分析根据这些车辆预测来管理交通循环长度。从 RNN-LSTM 模型对预测未来 12 小时车辆数的结果来看，我们观察到该模型对交通的预测误差为均方误差（MSE）为 4.521 辆，根均方误差（RMSE）为 2.232 辆。在 CARLA 模拟环境中模拟 STM 系统后，我们发现使用 ASTM 的交通管理拥堵流量（每分钟 21 辆车）比无 STM 时的流量（约 15 辆车/分钟）高出 50%。此外，采用 STM 的交通管理车辆通过延迟（每辆车 5 秒）比无 STM 时的延迟（约 12 秒/车）低 70%。这些结果表明，利用 AI 的 STM 系统可将交通流量提高 50%，并将车辆通过延迟降低 70%。
引用
@article{arxiv.2410.10929,
title = {ASTM :Autonomous Smart Traffic Management System Using Artificial Intelligence CNN and LSTM},
author = {Christofel Rio Goenawan},
journal= {arXiv preprint arXiv:2410.10929},
year = {2025}
}
备注
Novel Autonomous Smart Traffic Management System using End-to-End Artificial Intelligence