Multi-source Data Congestion Recognition Study Based on Fuzzy Pattern Recognition

Das Kapitel untersucht den Einsatz von Fuzzy-Mustererkennung, um Verkehrsstaus und Unfälle anzugehen, häufige Probleme in städtischen Gebieten. Das frühe Verkehrsmanagement stützte sich auf manuelle Methoden, aber die rasche Entwicklung der Technologie hat zum Einsatz von Schleifendetektoren und anderen fortschrittlichen Methoden geführt. Diese Studie stellt einen Multi-Source-Detektor-Algorithmus vor, der Daten aus verschiedenen Quellen wie Videobildtechnologie und GPS-Informationen kombiniert, um Verkehrszustände effizienter vorherzusagen. Das Kapitel beleuchtet die Herausforderungen der Dateninkonsistenz verschiedener Detektoren und schlägt eine Methode zur Standardisierung dieser Daten vor. Außerdem werden die Merkmale der beobachteten Daten wie die Häufigkeit des Spurwechsels und die Geschwindigkeit des Fahrzeugs diskutiert und Mitgliedsfunktionen zur Identifizierung von Verkehrszuständen konstruiert. Das Mehrfunktionsmodell zur Erkennung von Fuzzy-Modellen wird durch Simulationen validiert und zeigt eine hohe Genauigkeit bei der Identifizierung verschiedener Verkehrszustände, einschließlich derer mit begrenzten Beobachtungsdaten. Das Kapitel schließt mit der Betonung der Effektivität und Genauigkeit der vorgeschlagenen Methode zur Identifizierung von Verkehrszuständen aus verschiedenen Datenquellen.