Bøker av Shridevi Jeevan Kamble

No panorama dinâmico dos Sistemas de Transporte Inteligentes, esta investigação é pioneira em estratégias de previsão de rotas eficientes, particularmente vitais para veículos de emergência (VEs). O modelo HL-CTP emprega aprendizagem incremental, aumentando a precisão através do ajuste fino das previsões com base em dados históricos. Como complemento, o modelo SG-TSE ajusta os semáforos, minimizando o impacto negativo do congestionamento no tráfego regular e na preempção de VEs. Reconhecendo as limitações do aprendizado de máquina tradicional em redes de Internet de Veículos, nosso terceiro objetivo utiliza o monitoramento de tráfego baseado em YOLOv4, incorporando o filtro Kalman para modelagem de ambiente IoV em tempo real. Os decisores políticos podem tirar partido destes dados para tomar decisões informadas, melhorando a eficiência dos transportes, reduzindo o congestionamento e reforçando a segurança. A integração de RSUs gere eficazmente os recursos da rede, contribui para sistemas de transporte mais inteligentes e eleva os padrões de vida urbanos. Em conclusão, esta investigação não só faz avançar a previsão de rotas e a preempção de VE, como também acrescenta valor ao panorama mais vasto dos sistemas de transporte inteligentes e reactivos, beneficiando a sociedade em geral.

Nel panorama dinamico dei sistemi di trasporto intelligenti, questa ricerca è all'avanguardia per quanto riguarda le strategie di previsione di percorsi efficienti, particolarmente importanti per i veicoli di emergenza (EV). Il modello HL-CTP impiega l'apprendimento incrementale, migliorando l'accuratezza grazie alla messa a punto delle previsioni basate sui dati storici. A complemento di ciò, il modello SG-TSE regola i semafori, riducendo al minimo l'impatto negativo della congestione sia sul traffico regolare che sulla prelazione dei veicoli elettrici. Riconoscendo i limiti dell'apprendimento automatico tradizionale nelle reti dell'Internet of Vehicles, il nostro terzo obiettivo utilizza il monitoraggio del traffico basato su YOLOv4, incorporando il filtro di Kalman per la modellazione dell'ambiente IoV in tempo reale. I responsabili politici possono sfruttare questi dati per prendere decisioni informate, migliorando l'efficienza dei trasporti, riducendo la congestione e aumentando la sicurezza. L'integrazione delle RSU gestisce in modo efficiente le risorse di rete, contribuisce a rendere più intelligenti i sistemi di trasporto e migliora gli standard di vita nelle città. In conclusione, questa ricerca non solo fa progredire la previsione del percorso e la prelazione dei veicoli elettrici, ma aggiunge valore al più ampio panorama dei sistemi di trasporto intelligenti e reattivi, a beneficio della società in generale.

In the dynamic landscape of Intelligent Transportation Systems, this research pioneers strategies for efficient route prediction, particularly vital for emergency vehicles (EVs). The HL-CTP model employs incremental learning, enhancing accuracy by fine-tuning predictions based on historical data. Complementing this, the SG-TSE model adjusts traffic lights, minimizing the negative impact of congestion on both regular traffic and EV preemption. Recognizing the limitations of traditional machine learning in Internet of Vehicles networks, our third objective utilizes YOLOv4-based traffic monitoring, incorporating the Kalman filter for real-time IoV environment modeling. Policymakers can leverage this data for informed decisions, improving transportation efficiency, reducing congestion, and enhancing safety. Integrating RSUs efficiently manages network resources, contributes to smarter transportation systems, and elevates urban living standards. In conclusion, this research not only advances route prediction and EV preemption but also adds value to the broader landscape of intelligent and responsive transportation systems, benefiting society at large.