با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Integrated deep learning and stochastic car-following model for traffic dynamics on multi-lane freeways
یادگیری عمیق یکپارچه و مدل تعقیب خودرو تصادفی برای پویایی ترافیک در بزرگراه های چند خطه-2019 The current paper proposes a novel stochastic procedure for modelling car-following behaviours
on a multi-lane motorway. We develop an integrated multi-lane stochastic continuous car-following
model where a deep learning architecture is used to estimate a probability of lanechanging
(LC) manoeuvres. To the best of our knowledge, this work is among the very few papers
which exploit deep learning to model driving behaviour on a multi-lane road. The objective of
this study is to establish a coupled stochastic continuous multi-lane car-following model using
Langevin equations to cope with probabilistic characteristics of LC manoeuvres. In particular, a
stochastic volatility, derived from LC manoeuvres is introduced in a multi-lane stochastic optimal
velocity model (SOVM). In additions, Convolutional Neural Network (CNN) is applied to estimate
a probability of LC manoeuvres in the integrated multi-lane car-following model. Furthermore,
imaged second-based trajectories of the lane-changer and surrounding vehicles are used to
identify whether LC manoeuvres occur by using the CNN. Finally, the proposed method is validated
using a real-world high-resolution vehicle trajectory dataset. The results indicate that the
prediction of the integrated SOVM is almost identical to the observed trajectories of the lanechangers
and the following vehicles in the initial and the target lane. It has been found that the
proposed multi-lane SOVM can tackle the unpredictable fluctuations in the velocity of the vehicles
in the acceleration/deceleration zone. Keywords: Stochastic car-following model | Deep learning | Lane-changing behaviour |
مقاله انگلیسی |
2 |
Quantitatively mining and distinguishing situational discomfort grading patterns of drivers from car-following data
استخراج کمی و تمایز الگوهای درجه بندی ناراحتی موقعیتی رانندگان از داده های تعقیب خودرو-2019 Situational discomfort awareness plays an important role in decision making among drivers and has rarely been
discussed in detail in previous research. An instrumented vehicle was used to collect car-following data from
multiple drivers, thereby quantitatively examining situational discomfort grading patterns using a new discomfort
grading method and the latent Dirichlet allocation model. In this process, the gas pedal data and speed
difference data are particularly involved in the computation for providing broader meaning to discomfort and
building more comprehensive situations. The results show that individual discomfort awareness varies between
drivers. More importantly, the potential patterns of situational discomfort grading are extracted, which provides
knowledge for characterizing drivers in the context of discomfort awareness. The knowledge achieved can be
further applied to distinguish drivers and identify the typical comfort and discomfort zones. This study has great
value for promoting investigations on traffic psychology and developing more effective and customized driver
assistant systems. Keywords: Situational discomfort | Driving behaviour | Car-following | Latent Dirichlet allocation |
مقاله انگلیسی |
3 |
فناوری تشخیص تصادفات ترافیکی برای تقاطع ها بر مبنای استخراج مسیر ویدئویی خودروها
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 11 ما استقرار دستگاه مختصات زمینی با نرم افزار OPENCV برای دستیابی به مختصات واقعی را انجام دادیم، تمامی پیکسل های این مختصات به مختصات خودرویی تبدیل می شوند تا پارامترهایی همانند موقعیت و سرعت خودرو به دست بیایند. نرم افزار پلتفرم MFC که ما مورد استفاده قرار دادیم می تواند مستقیماً مسیر خودرو، سرعت و تصادفات ترافیکی متناطر با زمان TTC را به عنوان خروجی تولید کند. سطوح مختلفی از رنگ های مشخص شده بر روی نقشه ی نقاط توزیع تصادفات ترافیکی وجود دارند. ما از روش منحنی فراوانی تجمعی برای بررسی نمونه های تجمعی تصادفات استفاده کردیم و مقدار عددی TTC را به دست آوردیم که در مشخص نمودن تصادفات شدید و تصادفات کم اهمیت کاربرد دارد. در عین حال، تصادفات تعقیب خودرو، محتوای پژوهشی ما را غنی می سازد.
کلیدواژه ها: تصادفات ترافیکی | مقدار TTC | نرم افزار OPENCV | ارزیابی ایمنی جاده |
مقاله ترجمه شده |
4 |
فناوری تشخیص تصادفات ترافیکی برای تقاطع ها بر مبنای استخراج مسیر ویدئویی خودروها
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 11 ما استقرار دستگاه مختصات زمینی با نرم افزار OPENCV برای دستیابی به مختصات واقعی را انجام دادیم، تمامی پیکسل های این مختصات به مختصات خودرویی تبدیل می شوند تا پارامترهایی همانند موقعیت و سرعت خودرو به دست بیایند. نرم افزار پلتفرم MFC که ما مورد استفاده قرار دادیم می تواند مستقیماً مسیر خودرو، سرعت و تصادفات ترافیکی متناطر با زمان TTC را به عنوان خروجی تولید کند. سطوح مختلفی از رنگ های مشخص شده بر روی نقشه ی نقاط توزیع تصادفات ترافیکی وجود دارند. ما از روش منحنی فراوانی تجمعی برای بررسی نمونه های تجمعی تصادفات استفاده کردیم و مقدار عددی TTC را به دست آوردیم که در مشخص نمودن تصادفات شدید و تصادفات کم اهمیت کاربرد دارد. در عین حال، تصادفات تعقیب خودرو، محتوای پژوهشی ما را غنی می سازد.
کلیدواژه ها: تصادفات ترافیکی | مقدار TTC | نرم افزار OPENCV | ارزیابی ایمنی جاده |
مقاله ترجمه شده |