امکان سنجی مدل پیش بینی اقتصادی بر اساس الگوریتم هوشمند شهر هوشمند
محورهای موضوعی : انفورماتیک محیط های متخلخل
مهسا خدادادی
1
(استادیار، گروه مهندسی برق، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران)
لاریسا خدادادی
2
(استادیار، گروه مهندسی برق، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
روزبه دبیری
3
(دانشیار، گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران )
کلید واژه: شهر هوشمند, یادگیری عمیق, مدیریت ترافیک, مدل پیش بینی اقتصادی,
چکیده مقاله :
شهرهای هوشمند از فضا استفاده بهتری می‌کنند و تردد کمتر، هوای پاک‌تر و خدمات شهری کارآمدتری دارند و کیفیت زندگی مردم را بهبود می‌بخشند. تعداد زیاد وسایل نقلیه که به طور مداوم در نقاط شلوغ در شهرهای هوشمند در حال تردد هستند، دستیابی به یک فضای پارک عمومی را پیچیده می کند. این امر چالش هایی را هم برای ترافیک و هم برای ساکنان ایجاد می کند. با چنین جمعیت گسترده ای، تراکم جاده ها یک چالش جدی است. منابع حیاتی مانند سوخت، پول و مهمتر از همه زمان را هدر می دهد. پیدا کردن مکان مناسب برای پارک یکی از دلایل ازدحام ترافیک در بزرگراه¬ها است. این مقاله یک مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، برای رشد اقتصادی بلندمدت در شهرهای هوشمند پیشنهاد می‌کند. مدیریت ترافیک برای شهرها از این نظر حیاتی است که تضمین می کند که مردم بتوانند آزادانه در سطح شهر حرکت کنند. بسیاری از خودروهایی که برای رسیدن به مناطق شلوغ در شهرهای هوشمند تلاش می کنند، دستیابی به یک پارکینگ عمومی را دشوار می کنند. این موضوع هم برای رانندگان و هم برای ساکنین ناخوشایند است. تعدادی از مسئولین در امر مدیریت ترافیک، یک شبکه عصبی مصنوعی را برای حل این مشکل پیاده‌سازی کرده‌اند و سیستم‌های خودروهای مدرن با راه‌حل‌های پارک هوشمند همراه شده‌اند. نتیجه تجربی مدل پیش‌بینی اقتصادی مبتنی بر یادگیری عمیق، تخمین ترافیک، پیش‌بینی دقت در جریان ترافیک، مدیریت ترافیک و پارکینگ هوشمند را در مقایسه با روش‌های موجود بهبود می‌بخشد
Smart cities make better use of space and have less traffic, cleaner air and more efficient city services and improve people's quality of life. The large number of vehicles that are constantly moving through congested areas in smart cities complicates the availability of a public parking space. This creates challenges for both traffic and residents. With such a large population, road congestion is a serious challenge. It wastes vital resources like fuel, money and most importantly time. Finding a suitable place to park is one of the reasons for traffic jams on highways. This paper proposes an economic forecasting model based on deep learning for long-term economic growth in smart cities. Traffic management is vital for cities in that it ensures that people can move freely around the city. Many cars trying to reach congested areas in smart cities make it difficult to find a public parking lot. This issue is inconvenient for both drivers and residents. A number of traffic management authorities have implemented an artificial neural network to solve this problem, and modern car systems have come with smart parking solutions. The experimental result of the economic forecasting model based on deep learning improves traffic estimation, accurate prediction of traffic flow, traffic management and intelligent parking compared to existing methods
1-Chen, G., and Zhang, J., (2022), “Applying Artificial Intelligence and Deep Belief Network to predict traffic congestion evacuation performance in smart cities”, Applied Soft Computing, 121, Article ID 108692.#
2- Liu, C., and Ke, L., (2022), “Cloud assisted Internet of things intelligent transportation system and the traffic control system in the smart city”, Journal of Control and Decision, pp. 1–14.#
3- Al-Sayed, A., Al-Shammari, F., Alshutayri, A., Aljojo, N., Aldhahri, E., and Abouola, O., (2022), “The Smart City-Line in Saudi Arabia: Issue and Challenges”, Postmodern Openings, 13, pp. 15–37.#
4- Medina-Salgado, B., S´anchez-DelaCruz, E., Pozos-Parra, P., and Sierra, J. E., (2022), “Urban traffic flow prediction techniques: A review”, Sustainable Computing: Informatics and Systems, 35, Article ID 100739.#
5- Naveed, Q. N., Alqahtani, H., Khan, R. U., Almakdi, S., Alshehri, M., and Abdul Rasheed, M. A., (2022), “An Intelligent Traffic Surveillance System Using Integrated Wireless Sensor Network and Improved Phase Timing Optimization”, Sensors, 22, 9, p. 3333.#
6- Bellini, P., Nesi, P., and Pantaleo, G., (2022), “IoT-enabled smart cities: a review of concepts, frameworks and key technologies”, Applied Sciences, 12, 3, p. 1607.#
7- Raj, E. F. I., Appadurai, M., Darwin, S., and Rani, E. F. I., (2022), “Internet of things (IoT) for sustainable smart cities”, in Internet of 9ings, pp. 163–188, CRC Press, florida FL USA.#
8- Shin, S., Sohn, K., Park, D., and Choi, J. S., (2022), “Special issue on smart cities and its applications”, ETRI Journal, 44, 2, pp. 179–182.#
9- Yuvaraj, N., Praghash, K., Raja, R. A., and Karthikeyan, T., (2022), “An investigation of garbage disposal electric vehicles (GDEVs) integrated with deep neural networking (DNN) and intelligent transportation system (ITS) in smart city management system (SCMS)”, Wireless Personal Communications, 123, 2, pp. 1733–1752.#
10- Paul, A., and Mitra, S., (2022), “Exploring reward efficacy in traffic management using deep reinforcement learning in intelligent transportation system”, ETRI Journal, 44, 2, pp. 194–207.#
11-Naveed, Q. N., Alqahtani, H., Khan, R. U., Almakdi, S., Alshehri, M., and Abdul Rasheed, M. A., (2022), “An intelligent traffic surveillance system using integrated wireless sensor network and improved phase timing optimization”, Sensors, 22, 9, p. 3333.#
12-Rawat, B., Bist, A. S., Apriani, D., Permadi, N. I., and Nabila, E. A., (2022), “AI based drones for security concerns in smart cities”, APTISI Transactions on Management (ATM), 7, 2, pp. 125–130.#
13- Ouallane, A. A., Bahnasse, A., Bakali, A., and Talea, M., (2022), “Overview of road traffic management solutions based on IoT and AI”, Procedia Computer Science, 198, pp. 518–523.#
14- Tomar, I., Sreedevi, I., and Pandey, N., (2022), “State-of-Art review of traffic light synchronization for intelligent vehicles: current status, challenges, and emerging trends”, Electronics, 11, 3, p. 465.
15- Nie, X., Peng, J., Wu, Y., Gupta, B. B., and El-Latif, A. A. A., (2022), “Real-time traffic speed estimation for smart cities with spatial temporal data: a gated graph attention network approach”, Big Data Research, 28, Article ID 100313.#
16- Alsaawy, Y., Alkhodre, A., Abi Sen, A., Alshanqiti, A., Bhat, B. A., and Bahbouh, N. M., (2022), “A comprehensive and effective framework for traffic congestion problem based on the integration of IoT and data analytics”, Applied Sciences, 12, 4, p. 2043.#
17- Li, S., Gao, Y., Ba, T., and Zhao, W., (2022), “Energy-saving methods for urban travel and public transportation in smart cities”, Journal of Interconnection Networks, Article ID 2146006.#
18- Gamel, S. A., Saleh, A. I., and Ali, H. A., (2022), “A fog-based Traffic Light Management Strategy (TLMS) based on fuzzy inference engine”, Neural Computing & Applications, 34, 3, pp. 2187–2205.#
19- Abdel-Basset, M., Eldrandaly, K. A., Shawky, L. A., Elhoseny, M., and AbdelAziz, N. M., (2022), “Hybrid computational intelligence algorithm for autonomous handling of COVID- 19 pandemic emergency in smart cities”, Sustainable Cities and Society, 76, Article ID 103430.#
20- Nguyen, D. D., Rohacs, J., and Rohacs, D., (2021), “Autonomous flight trajectory control system for drones in smart city traffic management”, ISPRS International Journal of Geo-Information, 10, 5, p.338.#
21- Fahim, A., Hasan, M., and Chowdhury, M. A., (2021), “Smart parking systems: comprehensive review based on various aspects”, Heliyon, 7, 5, Article ID e07050.#
22- Khatri, S., Vachhani, H., Shah, S., (2021), “Machine learning models and techniques for VANET based traffic management: implementation issues and challenges”, Peer-to-Peer Networking and Applications, 14, 3, pp. 1778–1805.#
23- Raskar, C., and Nema, S., (2021), “Modified fuzzy-based smart barricade movement for traffic management system”, Wireless Personal Communications, 116, 4, pp. 3351–3370.#
24-Saha, A., Chowdhury, C., Jana, M., and Biswas, S., (2021), “IoT sensor data analysis and fusion applying machine learning and metaheuristic approaches”, Enabling AI Applications in Data Science, Springer, Cham, pp. 441–469.#
25- https://www.kaggle.com/datasets/utathya/smart-city-trafficpatterns. #
26- https://www.kaggle.com/datasets/mbornoe/lisa-traffic-lightdataset. #
27- https://www.kaggle.com/datasets/aryashah2k/highwaytraffic-videos-dataset. #
28- https://www.kaggle.com/datasets/fedesoriano/trafficprediction-dataset.#
