دانلود مقاله شبکه ازدحام عصبی مبتنی بر عامل لجستیک در حمل و نقل هوشمند
چکیده
کلید واژه ها
1. مقدمه
1.1. مطالعات مرتبط
1.2. انگیزه و مشارکت
2. شبکه عصبی ازدحام برای سیستم حمل و نقل هوشمند
2.1. مدل سیستمی سیستم حمل و نقل لجستیک
2.2. زمانبندی داده
2.3. تکنیک پردازش داده ها
2.4. مدل مبتنی بر عامل هوشمند
2.5. مدل پیشنهادی Swarm-Neural Network (SWNN)
3. ارزیابی تجربی
3.1. راه اندازی شبیه سازی و مجموعه داده ها
3.2. تجزیه و تحلیل پارامتری برای مدل SWNN
3.3. تجزیه و تحلیل نتایج مقایسه ای و بحث
4. نتیجه گیری
منابع
Abstract
Keywords
1. Introduction
1.1. Related works
1.2. Motivation and contributions
2. Swarm-neural network for intelligent transportation system
2.1. System model of logistic transportation system
2.2. Data scheduler
2.3. Data processing technique
2.4. Intelligent agent-based model
2.5. Proposed Swarm-Neural Network (SWNN) model
3. Empirical evaluation
3.1. Simulation setup and dataset
3.2. Parameter analysis for SWNN model
3.3. Comparative result analysis and discussion
4. Conclusion
Declaration of Competing Interest
Acknowledgement
References
چکیده
با توجه به تعداد زیاد وسایل نقلیه متصل و الزامات سختگیرانه برنامه های کاربردی داده فشرده، سیستم های حمل و نقل لجستیک برای درک کامل اثربخشی و کیفیت آن برای رفع نیازهای حمل و نقل عمومی تکامل یافته اند. در نتیجه، برای برآورده کردن الزامات حمل و نقل عمومی و تجزیه و تحلیل کارآمد داده ها در لبه شبکه ها، باید یک تکنیک پیشرفته هوشمند مصنوعی معرفی شود تا با حمایت از تصمیم گیری کارآمد، کنترل ترافیک هوشمند، نفوذ و سوء استفاده، سیستم حمل و نقل را هوشمند کند. شناسایی. با انگیزه چالش‌های ذکر شده در بالا، در این مقاله، یک مدل مبتنی بر عامل لجستیک برای تجزیه و تحلیل حمل‌ونقل عمومی مانند اتومبیل، اتوبوس یا قطار در سیستم حمل‌ونقل هوشمند ایجاد می‌کنیم. چارچوب لجستیک هوشمند بر روی یک ساختار شبکه عصبی موازی ساخته شده است که به نام شبکه عصبی Swarm-Neural (SWNN) شناخته می شود. مدل SWNN پیشنهادی داده های حسی را تجزیه و تحلیل می کند و حمل و نقل عمومی را در لبه شبکه ها تشخیص می دهد. مدل SWNN به گونه ای ساخته شده است که در چارچوب حمل و نقل لجستیک هوشمند قرار می گیرد و مدل پیشنهادی زمان حمل و نقل هر تحویل لجستیک در مقیاس کوچک را به مقصد کوتاه می کند. عملکرد مدل SWNN پیشنهادی با استفاده از یک مجموعه داده استاندارد TMD، که در آن مدل SWNN با استفاده از داده‌ها، چندین حسگر بازیابی شده مانند شتاب‌سنج، ژیروسکوپ، مغناطیس‌سنج و حسگرهای صوتی آموزش داده می‌شود، ارزیابی می‌شود. ویژگی های داده های حسی بر اساس یک بازه زمانی 5 ثانیه استخراج می شود. عملکرد مدل SWNN پیشنهادی بر روی تکنیک‌های مختلف یادگیری ماشین استاندارد مانند جنگل تصادفی، XGBoost و درخت تصمیم مورد مطالعه قرار می‌گیرد. طبق نتایج شبیه‌سازی، تکنیک پیشنهادی به دقت 78 تا 98 درصد نسبت به مجموعه‌های مختلف ویژگی‌های یک مجموعه داده بلادرنگ دست می‌یابد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Driven by the massive number of connected vehicles and the stringent requirements of data-intensive applications, logistics transportation systems have evolved to fully comprehend its effectiveness and quality to meet public transportation needs. As a result, to meet public transportation requirements and analyze the data efficiently at the edge of the networks, an advanced artificial intelligent technique needs to be introduced to make the transportation system intelligent by supporting efficient decision making, intelligent traffic control, and intrusion and misuse detection. Motivated by the challenges mentioned above, in this paper, we develop a logistic agent-based model for analyzing public transports such as cars, bus or trains in the intelligent transportation system. The intelligent logistic framework is built on a parallel neural network structure, known as a Swarm-Neural Network (SWNN). The proposed SWNN model analyzes the sensory data and recognizes the public transportation at the edge of the networks. The SWNN model is constructed so that it fits within the intelligent logistic transportation framework, and the proposed model shortens the transit time of every small-scale logistics delivery to its destination. The performance of the proposed SWNN model is evaluated using a standard TMD dataset, where the SWNN model is trained using data, retrieved multiple sensors such as accelerometer, gyroscope, magnetometer, and audio sensors. The features of the sensory data are extracted based on a 5-s time interval. The performance of the proposed SWNN model is studied over various standard machine learning techniques such as Random Forest, XGBoost, and Decision Tree. As per the simulation results, the proposed technique achieves 78–98% accuracy over a real-time dataset’s different sets of features.
Introduction
Recent advancements in technology, together with the exponential rise in the number of vehicles and rapid urbanization, have paved the way to numerous developments and increased research in Intelligent Transportation Systems (ITS) [1–4]. ITS involves the interconnection of vehicles and infrastructures and provides opportunities for continuous communications, interactions, and resource sharing among vehicles with different applications for ubiquitous data analysis and processing and maximizes transportation infrastructure’s efficiency with improved service quality. Recently, there has been a massive demand in supply chain management for goods to be efficiently transported from warehouses to final destinations, leading to the rapid development of ITS-enabled logistic transportation systems [5,6].
Conclusion
This paper has designed a new logistic agent-based model for analyzing public transports at the edge of the networks and making decisions intelligently for public transportation. For analyzing real-time sensory data of public transportation, retrieved from multiple vehicle sensors, we have introduced a new Swarm-Neural Network (SWNN) model. The SWNN model is constructed with a set of parallel neural networks, and it fits within the intelligent logistic transportation framework for data analytics. The proposed model shortens the transit time of every small-scale logistics delivery to its destination. The main goal of the SWNN model is to detect the transportation model efficiently by training the weight and bias matrix of the neural networks. The performance of the proposed SWNN model is evaluated over a standard dataset, namely the TMD dataset that consists of multiple sensory data of public transports such as accelerometer, gyroscope, magnetometer, and audio sensors. During the evaluation, the features of the sensory data are extracted based on a 5-s time interval before analyzing the dataset using the proposed SWNN model. A set of simulation analyses with multiple features have been performed to show the outperformance of the proposed SWNN model over the standard machine learning techniques. The comparative analysis represents that the proposed SWNN model achieves 78–98% accuracy over the standard machine learning algorithms. In the future, we will develop a logistic agent-based intelligent framework at edge networks with advanced communication technology such as 6G networks to reduce network congestion and analyze the vehicular sensory data with higher accuracy.