Data Science for Transportation· 2026Q2
Derin Öğrenme Tabanlı Trafik Tahminini Kullanan Kentsel Trafik İçin Dinamik Rota Planlama
Dynamic Trajectory Planning for Urban Traffic Using Deep Learning-Based Traffic Prediction
- 1atıf
- Q2SCImago
- 2026yıl
Kısa özet
Derin öğrenme trafik tahminini entegre eden yeni bir dinamik rota planlama sistemi, statik yöntemlere kıyasla seyahat süresini önemli ölçüde azaltarak rotaları gerçek zamanlı olarak sürekli günceller.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Derin öğrenme trafik tahminini entegre eden dinamik bir rota planlama sistemi önerilmektedir.
- Kısa vadeli trafik modellerini tahmin etmek için sinir ağları (RNN, LSTM, TCN) kullanılmaktadır.
- Tahmin edilen trafik durumlarına göre optimal rotalar gerçek zamanlı olarak sürekli güncellenmektedir.
- Deneysel sonuçlar, rota optimalliğinde önemli bir artış ve statik planlamaya kıyasla seyahat süresinde azalma göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Traditional trajectory planning systems in navigation applications generate routes based on the current traffi conditions at the time of departure. However, traffi dynamics are highly variable, and aroute that is initially optimal may become congested during the trip, leading to suboptimal travel timesand traffi jams. This paper proposes a novel approach to dynamic trajectory planning by integratingdeep learning-based traffi prediction models into the routing process. We leverage neural networksdesigned for time series forecasting to predict short-term traffi patterns, incorporating factors suchas vehicle velocity and local traffi densities. By forecasting the future state of candidate routes, ourmethod continuously updates the optimal trajectory in real time, ensuring improved adaptability tochanging traffi conditions. We evaluate the performance of different time series models, including re-current neural networks, long short-term memory networks, and temporal convolutional networks, using real-world urban traffi datasets. Experimental results demonstrate that incorporating traffi predictionsignificantl enhances route optimality and reduces overall travel time compared to static trajectoryplanning approaches.
Yazarların özeti; kaynağından alınmıştır. Data Science for Transportation, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapı ve İnşaat
Building and ConstructionEngineering