Алгоритми глибокого навчання для прогнозування маршрутів снігоприбиральної техніки в містах Євросоюзу

Анотація

Алгоритми глибокого навчання для прогнозування маршрутів снігоприбиральних машин у європейських містах. Більшість міст стикаються зі щорічними снігопадами, а також із труднощами в управлінні снігоприбиральною технікою. Незважаючи на те, що зимове утримання доріг вивчається вже багато десятиліть, більшість робіт не представляють моделей, які можна масштабувати для врахування побічних обмежень, що часто зустрічаються в практичних застосуваннях. Предмет дослідження: Порівняння алгоритмів глибокого навчання для прогнозування маршрутів снігоприбиральної техніки в європейських містах з точки зору просторового аналізу, маршрутизації та транспортних потоків. Дослідження фокусується на розширенні нейронних мереж, включаючи рекурентні нейронні мережі (RNN), згорткові нейронні мережі (CNN) та графові нейронні мережі (GNN), для подолання проблематики снігоприбиральної техніки в міських умовах. Часові та просторові дані інтегруються за допомогою складних моделей, таких як просторово-часові графові згорткові мережі (STGCN), на прикладах, які демонструють здатність контролювати зміни в маршрутах снігоприбиральної техніки у відповідь на транспортні потоки в реальному часі та інформацію про погоду. У звіті також розглядається, як трансформаторні моделі серед інших нових технологій можуть бути використані для підвищення точності та ефективності прогнозування. Проведено порівняння з іншими методами, оцінено переваги та недоліки методів глибокого навчання, а також їх застосування до міської інфраструктури та транспортних потоків. Таким чином, результати показують, що інтеграція цих складних формул може значно підвищити ефективність і безпеку снігоприбиральної техніки в європейських містах для створення краще освітлених і безпечніших транспортних мереж