LSTM和ResNet18用于在紧急情况下优化救护车路线和交通信号控制
Madallah Alruwaili1, Ali Ali2, Mohammed Almutairi2
1Department of Computer Engineering and Networks, College of Computer and Information Sciences, Jouf University, Sakaka, Aljouf, Kingdom of Saudi Arabia. madallah@ju.edu.sa.
Scientific reports
|February 19, 2025
概括
本研究引入了用于实时交通管理的AI系统,以减少紧急医疗服务 (EMS) 响应时间. 智能系统使用视听数据融合准确地检测救护车,优化交通信号以尽量减少延误并挽救生命.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 交通工程是交通工程.
背景情况:
- 城市地区的交通拥堵严重拖延紧急医疗服务 (EMS).
- 现有的交通信号系统缺乏实时适应应急车辆优先级的能力.
- 延迟EMS反应可能会导致危及生命的后果.
研究的目的:
- 开发一个人工智能驱动的实时交通管理系统,以减少EMS响应时间.
- 通过智能,适应能力来增强城市交通网络.
- 为智慧城市交通管理提供可扩展的解决方案.
主要方法:
- 基于树派的交通信号优先级的实施.
- 深度学习用于音视频救护车检测:MFCC和LSTM用于音频,ResNet18用于视觉数据.
- 多模式数据融合使用经验风险最小化进行准确的检测.
主要成果:
- 在音频分类方面达到98.3%的准确性,在视觉分类方面达到98.1%.
- 合并的视听模型表现出99%的准确性.
- 高精度,回忆和F1得分证实了系统的可靠性.
结论:
- 人工智能系统通过优化交通信号控制来有效地减少EMS响应时间.
- 多式联络方法提高了救护车检测的准确性.
- 该框架为智能,适应性城市交通管理系统提供蓝图,以支持城市增长和改善紧急护理.
