روش های یادگیری عمیق در حوزه حمل و نقل: یک بررسی

سال‌های اخیر مقادیر قابل‌توجهی از داده‌های حمل و نقل از منابع متعدد از جمله سنسورهای جاده‌ای، پروب، GPS، دوربین مدار بسته و گزارش‌های حادثه ،به دست آمده است. همانند بسیاری از صنایع دیگر، حمل و نقل نیز وارد نسل داده‌های بزرگ شده‌است. با وجود حجم غنی از داده های ترافیک، ساخت مدل های پیش بینی قابل اعتماد مبتنی بر روش های یادگیری نیمه اتوماتیک سنتی ،چالش برانگیز است. یادگیری عمیق یک رویکرد جدید در یادگیری ماشین های مدرن است که در تحقیقات آکادمیک و کاربردهای صنعتی مورد توجه زیادی قرار گرفته‌است. این مقاله بر روی بررسی های اخیر درباره یادگیری عمیق ،در رابطه با مباحث محبوب در پردازش داده های ترافیکی، شامل نمایش شبکه حمل و نقل، پیش بینی جریان ترافیک، کنترل سیگنال ترافیک، تشخیص خودکار خودرو، پردازش حوادث ترافیکی، پیش بینی تقاضای سفر، رانندگی مستقل و رفتار راننده ،بحث می کند. به طور کلی، استفاده از سیستم‌های یادگیری عمیق در حمل و نقل محدود است و محدودیت‌های بالقوه برای استفاده از این رویکرد پیشرفته برای بهبود مدل‌های پیش‌بینی ،وجود دارد.

true