18、基于深度学习的交通拥堵管理技术

基于深度学习的交通拥堵管理技术

1. 研究方法

1.1 数据收集

本次研究使用的数据集来自多个来源：
- 从印度北方邦坎普尔市的多个地点拍摄了约 190 张图像，主要地点包括恒河堰、贾杰莫和巴拉。这些地区交通状况为典型的中等水平，且图像经过大幅压缩，仅占用几百千字节的空间。
- 从海得拉巴印度信息技术学院的驾驶数据集中获取了数量相近的图像，这些图像拍摄于海得拉巴和班加罗尔及其郊区。

1.2 捕获图像和视频的数据管道

该数据管道旨在帮助解决不同地点的交通问题，同时帮助乘客了解出行时间或找到交通拥堵点。具体流程如下：
1. 数据输入 ：由监控摄像头和其他数据生成器捕获车辆数据，这些数据在集中式交通控制系统的多个点被记录。
2. 数据分类 ：数据分为两类，一类是可公开用于印度道路和交通分析及其他应用的 IDD 图像数据集，另一类是本地收集的图像，被加载到数据库中。
3. 数据集成 ：在第 1 层将两类数据集成，以便进行统一查看，这一过程由 Hadoop 开发人员监控，他们使用 Java 编写代码。
4. 数据湖存储 ：集成后的数据进入数据湖，这是一个基于云的大型数据库，可存储 PB 级的原始数据。
5. 数据细分 ：根据用户兴趣，使用 Java 或 Python 代码将数据细分为数据集市，如汽车、摩托车、卡车和公共汽车等。
6. 深度学习模型处理 ：使用