13228

بررسي انواع مدل هاي يادگيري عميق و كاربرد آن ها در حمل و نقل

1400

دكتر شهريار افندي زاده

ندارم

سال‌هاي اخير مقادير قابل‌توجهي از داده‌هاي حمل و نقل از منابع متعدد از جمله سنسورهاي جاده‌اي، پروب، GPS، دوربين مدار بسته و گزارش‌هاي حادثه ،به دست آمده است. همانند بسياري از صنايع ديگر، حمل و نقل نيز وارد نسل داده‌هاي بزرگ شده‌است. با وجود حجم غني از داده هاي ترافيك، ساخت مدل هاي پيش بيني قابل اعتماد مبتني بر روش هاي يادگيري نيمه اتوماتيك سنتي ،چالش برانگيز است. يادگيري عميق يك رويكرد جديد در يادگيري ماشين هاي مدرن است كه در تحقيقات آكادميك و كاربردهاي صنعتي مورد توجه زيادي قرار گرفته‌است. بررسي هاي اخير درباره يادگيري عميق ، در رابطه با مباحث محبوب در پردازش داده هاي ترافيكي، شامل نمايش شبكه حمل و نقل، پيش بيني جريان ترافيك، كنترل سيگنال ترافيك، تشخيص خودكار خودرو، پردازش حوادث ترافيكي، پيش بيني تقاضاي سفر، رانندگي مستقل و رفتار راننده ،بحث مي كند. به طور كلي، استفاده از سيستم‌هاي يادگيري عميق در حمل و نقل محدود است و محدوديت‌هاي بالقوه براي استفاده از اين رويكرد پيشرفته براي بهبود مدل‌هاي پيش‌بيني ،وجود دارد . امروزه يادگيري عميق به سطح بسيار بالايي از دقت در تشخيص دست پيدا كرده است. اين سطح از دقت به وسايل الكترونيكي كمك مي‌كند كه پاسخگوي انتظارات كاربران باشند. همچنين اين سطح دقت، در كاربردهاي با حساسيت بالا مانند خودروهاي خودران اهميت زيادي دارد. پيشرفت‌هاي اخير در يادگيري عميق به سطحي رسيده كه در كارهايي مانند دسته‌بندي تصاوير، بهتر از انسان عمل مي‌كند.

9/29/2022 12:00:00 AM

82406

1403/02/03

Examining the types of deep learning models and their application in transportation

يادگيري عميق , شبكه هاي عصبي , يادگيري ماشين , پردازش زبان هاي طبيعي

Deep learning , Neural networks , Machine learning , Natural language processing