相关实验视频
Updated: May 27, 2025
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
基于深度卷积神经网络的增强人群密度监测,用于智能城市的智能城市规划
Wahida Mansouri1, Manal Abdullah Alohali2, Hamed Alqahtani3
1Department of Computer Science and Information Technology, Faculty of Sciences and Arts, Turaif, Northern Border University, 91431, Arar, Saudi Arabia.
Scientific reports
|February 17, 2025
概括
智慧城市使用深度学习 (DL) 来监控人群密度. 拟议的基于深度卷积神经网络的群众密度监测用于智能城市规划 (DCNNCDM-IUP) 技术实现了98.40%的准确性,提高了城市规划和公共安全.
科学领域:
- 计算机科学 计算机科学
- 城市规划 城市规划
- 人工智能的人工智能
背景情况:
- 智慧城市利用数据和服务,为公民带来好处,并减少对环境的影响.
- 人群密度监测对于城市人口的实时管理至关重要.
- 深度学习 (DL) 模型分析传感器数据以获取人群行为见解,改善城市运营和安全.
研究的目的:
- 为智能城市规划 (DCNNCDM-IUP) 引入一种基于深度卷积神经网络的群众密度监测技术.
- 通过使用先进的DL模型,提高智能城市人群密度分类的准确性.
- 证明DCNNCDM-IUP在支持智慧城市规划和资源管理方面的有效性.
主要方法:
- 使用高斯过 (GF) 的图像预处理.
- 通过SE-DenseNet方法进行特征提取,并通过红狐优化 (RFO) 优化超参数选择.
- 使用卷积长期短期记忆 (ConvLSTM) 进行人群密度识别.
主要成果:
- DCNNCDM-IUP技术在人群密度检测方面表现出卓越的性能.
- 实验验证显示精度为98.40%,超过现有的DL模型.
- 该方法有效地适应不同的人群场景,照明和摄像头角度.
结论:
- 通过精确的人群密度监测,DCNNCDM-IUP技术显著帮助智能城市城市规划.
- 拟议的DL方法提高了公共安全,运营效率和应急响应.
- 这项技术有助于创造更智能,更安全的城市环境.
