Tabella di marcia verso la mobilit�� intelligente

Nel panorama dinamico dei sistemi di trasporto intelligenti questa ricerca è all'avanguardia per quanto riguarda le strategie di previsione di percorsi efficienti particolarmente importanti per i veicoli di emergenza (EV). Il modello HL-CTP impiega l'apprendimento incrementale migliorando l'accuratezza grazie alla messa a punto delle previsioni basate sui dati storici. A complemento di ciò il modello SG-TSE regola i semafori riducendo al minimo l'impatto negativo della congestione sia sul traffico regolare che sulla prelazione dei veicoli elettrici. Riconoscendo i limiti dell'apprendimento automatico tradizionale nelle reti dell'Internet of Vehicles il nostro terzo obiettivo utilizza il monitoraggio del traffico basato su YOLOv4 incorporando il filtro di Kalman per la modellazione dell'ambiente IoV in tempo reale. I responsabili politici possono sfruttare questi dati per prendere decisioni informate migliorando l'efficienza dei trasporti riducendo la congestione e aumentando la sicurezza. L'integrazione delle RSU gestisce in modo efficiente le risorse di rete contribuisce a rendere più intelligenti i sistemi di trasporto e migliora gli standard di vita nelle città. In conclusione questa ricerca non solo fa progredire la previsione del percorso e la prelazione dei veicoli elettrici ma aggiunge valore al più ampio panorama dei sistemi di trasporto intelligenti e reattivi a beneficio della società in generale.