La velocidad de conducción es uno de los indicadores más críticos en la evaluación de la seguridad y la supervisión de la red en el transporte de mercancías. El modelo de predicción de velocidad es el método más eficaz para obtener datos sobre la velocidad de conducción. Los modelos actuales de predicción de la velocidad se centran principalmente en la velocidad operativa, que es difícil de revelar el estado general de la velocidad de conducción en la sección de carretera. Además, la mayoría de los modelos se desarrollaron basándose en el método de regresión, que no es coherente con el proceso natural de conducción. La red neuronal recurrente (RNN) es un tipo distintivo de método de aprendizaje profundo para capturar la dependencia temporal en la investigación del comportamiento. El objetivo de este trabajo es aplicar el método de aprendizaje profundo para predecir el estado general de la velocidad de conducción teniendo en cuenta la geometría de la carretera y las evoluciones temporales. Se aplicó el mapeo móvil 3D para obtener información de la geometría de la carretera con alta precisión y, a continuación, se realizó un experimento de simulación de conducción con la ayuda de los datos de la geometría de la carretera. La velocidad de conducción se caracterizó mediante el modelo bimodal de mezcla de Gauss. Para predecir la distribución de la velocidad en una dimensión espacio-temporal se utilizaron RNN y sus variantes, incluyendo la memoria a largo plazo (LSTM) y RNN y unidades recurrentes activadas (GRU), siendo la divergencia KL la función de pérdida. El resultado demostró la aplicabilidad del modelo en la predicción de la distribución de la velocidad de los vehículos de carga, mientras que la LSTM obtuvo el mejor rendimiento con una secuencia de entrada de 400 m de longitud. El resultado puede relacionarse con el umbral de procesamiento de la información de los conductores en autopistas montañosas. Se construyeron modelos de regresión lineal múltiple para contrastarlos con el modelo LSTM, y los resultados mostraron que LSTM era superior a los modelos de regresión en cuanto a la precisión del modelo y la interpretabilidad del proceso de conducción y la formación de la velocidad del vehículo. Este estudio puede ayudar a comprender el comportamiento de cambio de velocidad de los vehículos de carga en autopistas montañosas, al tiempo que proporciona el método factible para la evaluación de la seguridad o el análisis de la eficiencia de la red.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Ponencia:
Inteligencia artificial en la gestión de la cadena de suministro inversa : el estado del arte
Artículo:
El proveedor brasileño de servicios logísticos en Internet
Artículo:
Optimización de utilidades de la cadena de suministro a través de identificación por radio frecuencia
Artículo:
Estudio de simulación de fallos en cascada en una red de transporte multimodal
Artículo:
UNION: un modelo de confianza que distingue el mal comportamiento intencionado del no intencionado en la comunicación entre vehículos aéreos no tripulados.
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.