عنوان مقاله:
طراحی و تحلیل شبکه ازدحام عصبی مبتنی بر عامل لجستیک برای سیستم حمل و نقل هوشمند
Design and analysis of logistic agent-based swarmneural network for intelligent transportation system
سال انتشار: 2022
رشته: مهندسی کامپیوتر - فناوری اطلاعات - فناوری اطلاعات و ارتباطات
گرایش: مهندسی الگوریتم ها و محاسبات - شبکه های کامپیوتری - کاربردهای ICT
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
مقالات ISI فناوری اطلاعات و ارتباطات
2. Swarm-neural network for intelligent transportation system
This section describes various components of the proposed logistic transportation system followed by the proposed SWNN model with a suitable algorithm. 2.1. System model of logistic transportation system The intelligent transport system framework incorporates intelligent agent-based swarm-neural network approaches to give the capacity to recognize the logistic carrying vehicle. This method is meant to be easily compatible with the edgeenabled transport framework. This component of the system is implemented in the edge server to handle data processing and analysis. Different components of the proposed SWNN model of the logistic transportation system are shown in Fig. 1. As per Fig. 1, the sensory vehicular data is collected by the set of distributed edge devices, and the data is temporarily held in the data-gathering phase in the resource-constrained edge devices before being transmitted to the data processing phase. Data is sampled in this method, and the collected data is then provided to the feature selection algorithm, which calculates features from the sampled data. The selected feature is now ready to be sent into the SWNN for logistic type categorization. The proposed technique considers the input from the vehicle’s various sensors as well as a large number of vehicles submitting data to the system at the same time. This massive work of gathering data and processing it before feeding it to SWNN is broken down into four stages. The data scheduler is introduced into the system in the first phase to schedule the raw data from the sensor for data processing. The scheduler takes each sensor’s data and places it in a queue to be processed by the data processing phase. The second phase is data processing, which is used to process the sensor signal using windowbased sampling techniques. The features are extracted from each sample data in the third phase. The fourth phase is where the created sample is classified based on previous experience. The fifth phase’s final step incorporates a rule-based decision support system to determine SWNN performance and govern overall system confidence based on that performance. The data is then stored in clod servers for any further processing and analysis in the future.
3. Empirical evaluation
The proposed method’s success is dependent on the SWNNbased classification approaches’ performance, which aids in detecting the logistic transit type. This section evaluates and improves the suggested swarm neural network approach for the TMD dataset for optimum performance by modifying different parameters over a wide range of values. The SWNN is evaluated for its performance in terms of solution quality and stability in delivering the best solution. The simulation is performed over a dataset that is relevant to the theory presented in this work, and in this dataset, data is sent via car sensors, making it relevant for the experiment. The performance of the suggested technique is compared with the standard benchmark algorithms such as Random Forest, XGBoost, and Decision Tree. 3.1. Simulation setup and dataset The test is carried out on an Intel i5 9th generation computer with 8 GB RAM and a 4 GB graphics card, as well as a 1 TB hard drive. The Numpy, Scipy, and Panda libraries are used to create the SWNN simulation, and the Matplotlib library is used to plot the studied results. The proposed method’s performance is assessed in terms of solution quality, which is measured by calculating accuracy. The typical machine algorithm’s classification error, precision, recall, and accuracy are evaluated.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. شبکه عصبی ازدحام برای سیستم حمل و نقل هوشمند
این بخش اجزای مختلف سیستم حمل و نقل لجستیک پیشنهادی را به دنبال مدل SWNN پیشنهادی با یک الگوریتم مناسب توصیف می‌کند. 2.1. مدل سیستمی سیستم حمل و نقل لجستیک چارچوب سیستم حمل و نقل هوشمند، رویکردهای شبکه عصبی ازدحام مبتنی بر عامل هوشمند را در بر می گیرد تا ظرفیت شناسایی وسیله نقلیه حمل لجستیک را بدهد. این روش به این معنی است که به راحتی با چارچوب حمل و نقل دارای edgeenable سازگار باشد. این جزء سیستم در سرور لبه پیاده سازی می شود تا پردازش و تجزیه و تحلیل داده ها را انجام دهد. اجزای مختلف مدل پیشنهادی SWNN سیستم حمل و نقل لجستیک در شکل 1 نشان داده شده است. مطابق شکل 1، داده های حسی وسیله نقلیه توسط مجموعه ای از دستگاه های لبه توزیع شده جمع آوری شده و داده ها به طور موقت در جمع آوری داده ها نگهداری می شوند. قبل از انتقال به مرحله پردازش داده، در دستگاه‌های لبه‌ای با محدودیت منابع قرار دهید. داده ها در این روش نمونه برداری می شوند و سپس داده های جمع آوری شده در اختیار الگوریتم انتخاب ویژگی قرار می گیرد که ویژگی ها را از داده های نمونه گیری محاسبه می کند. ویژگی انتخاب شده اکنون آماده ارسال به SWNN برای دسته بندی نوع لجستیک است. تکنیک پیشنهادی ورودی سنسورهای مختلف خودرو و همچنین تعداد زیادی خودرو را در نظر می گیرد که داده ها را به سیستم ارسال می کنند. این کار عظیم جمع‌آوری داده‌ها و پردازش آن‌ها قبل از تغذیه به SWNN به چهار مرحله تقسیم می‌شود. زمانبندی داده در مرحله اول به سیستم معرفی می شود تا داده های خام از سنسور برای پردازش داده ها را برنامه ریزی کند. زمان‌بند، داده‌های هر سنسور را می‌گیرد و در صفی قرار می‌دهد تا در مرحله پردازش داده‌ها پردازش شود. مرحله دوم پردازش داده است که برای پردازش سیگنال حسگر با استفاده از تکنیک های نمونه برداری مبتنی بر پنجره استفاده می شود. ویژگی ها از هر داده نمونه در مرحله سوم استخراج می شوند. مرحله چهارم جایی است که نمونه ایجاد شده بر اساس تجربه قبلی طبقه بندی می شود. مرحله نهایی مرحله پنجم یک سیستم پشتیبان تصمیم مبتنی بر قانون را برای تعیین عملکرد SWNN و کنترل اعتماد کلی سیستم بر اساس آن عملکرد در بر می گیرد. سپس داده ها برای پردازش و تجزیه و تحلیل بیشتر در آینده در سرورهای کلود ذخیره می شوند.
3. ارزیابی تجربی
موفقیت روش پیشنهادی به عملکرد رویکردهای طبقه‌بندی مبتنی بر SWNN بستگی دارد که به تشخیص نوع حمل و نقل لجستیک کمک می‌کند. این بخش رویکرد شبکه عصبی ازدحام پیشنهادی را برای مجموعه داده TMD برای عملکرد بهینه با اصلاح پارامترهای مختلف در طیف وسیعی از مقادیر، ارزیابی و بهبود می‌بخشد. SWNN برای عملکرد آن از نظر کیفیت راه حل و پایداری در ارائه بهترین راه حل ارزیابی می شود. شبیه‌سازی روی مجموعه داده‌ای انجام می‌شود که با تئوری ارائه‌شده در این کار مرتبط است، و در این مجموعه داده‌ها، داده‌ها از طریق حسگرهای خودرو ارسال می‌شوند و آن را برای آزمایش مرتبط می‌سازد. عملکرد تکنیک پیشنهادی با الگوریتم‌های معیار استاندارد مانند جنگل تصادفی، XGBoost و درخت تصمیم مقایسه می‌شود. 3.1. تنظیم شبیه سازی و مجموعه داده این آزمایش بر روی یک کامپیوتر نسل نهم Intel i5 با 8 گیگابایت رم و یک کارت گرافیک 4 گیگابایتی و همچنین یک هارد دیسک 1 ترابایتی انجام می شود. کتابخانه های Numpy، Scipy و Panda برای ایجاد شبیه سازی SWNN و کتابخانه Matplotlib برای رسم نتایج مورد مطالعه استفاده می شود. عملکرد روش پیشنهادی از نظر کیفیت راه حل ارزیابی می شود که با محاسبه دقت اندازه گیری می شود. خطای طبقه بندی الگوریتم ماشین معمولی، دقت، فراخوانی و دقت ارزیابی می شود.
