بررسی تکنیک های یادگیری عمیق در حمل و نقل هوشمند

امروزه مقادیر قابل توجهی از دادههای حمل و نقل از منابع متعدد از جمله سنسورهای جادهای ، GPS، دوربین مدار بسته و گزارشات حادثه بدست می آید. همانند بسیاری از صنایع دیگر، حمل و نقل نیز وارد نسل داده های کلان شده است . با وجود حجم غنی از داده ها ی ترافیک ، ساخت مدل های پیش بینی قابل اعتماد مبتنی بر روش های یادگیری نیمه اتوماتیک سنتی چالش برانگ یز است . یادگیری عمیق یک رو یکرد جد ید در یادگیری ماشین های مدرن است که در تحقیقات آکادمیک و کاربردهای صنعتی مورد توجه قرار گرفته است . این مقاله بر روی بررسی های اخیر درباره یادگیری عمیق در رابطه با مدیریت ازدحام ترافیک ، پیش بینی سرعت تردد، تشخیص موانع ، تشخیص تصادف، پیش بینی اشغال پارکینگ و ... بحث می کند. نتایج نشان داده است که یادگیری عمیق توانسته است در پیشبرد اهداف مراقبت های بهداشتی هوشمند نقش مهم ی را ایفا کند و در بسیاری از رویکردها در افزایش دقت و کاهش خطا نتایج چشمگیری را ارائه نماید.

کلیدواژه ها:

اینترنت اشیا ، حمل و نقل هوشمند ، شبکه عصبی ، شبکه عصبی عمیق ، یادگیری عمیق .