ترجمه فارسی مقاله نظارت چند سطحی با دوربین شیب‌دار پاسخگو به ترافیک از طریق یادگیری آنلاین مرتبط با پیش‌بینی

چکیده

In urban traffic management, the primary challenge of dynamically and efficiently monitoring traffic conditions is compounded by the insufficient utilization of thousands of surveillance cameras along the intelligent transportation system. This paper introduces the multi-level Traffic-responsive Tilt Camera surveillance system (TTC-X), a novel framework designed for dynamic and efficient monitoring and management of traffic in urban networks. By leveraging widely deployed pan-tilt-cameras (PTCs), TTC-X overcomes the limitations of a fixed field of view in traditional surveillance systems by providing mobilized and 360-degree coverage. The innovation of TTC-X lies in the integration of advanced machine learning modules, including a detector-predictor-controller structure, with a novel Predictive Correlated Online Learning (PiCOL) methodology and the Spatial-Temporal Graph Predictor (STGP) for real-time traffic estimation and PTC control. The TTC-X is tested and evaluated under three experimental scenarios (e.g., maximum traffic flow capture, dynamic route planning, traffic state estimation) based on a simulation environment calibrated using real-world traffic data in Brooklyn, New York. The experimental results showed that TTC-X captured over 60% total number of vehicles at the network level, dynamically adjusted its route recommendation in reaction to unexpected full-lane closure events, and reconstructed link-level traffic states with best MAE less than 1.25 vehicle/hour. Demonstrating scalability, cost-efficiency, and adaptability, TTC-X emerges as a powerful solution for urban traffic management in both cyber-physical and real-world environments.

چکیده به فارسی (ترجمه ماشینی)

در مدیریت ترافیک شهری ، چالش اصلی نظارت پویا و کارآمد شرایط ترافیک با استفاده ناکافی هزاران دوربین نظارت در طول سیستم حمل و نقل هوشمند پیچیده می شود.در این مقاله ، سیستم نظارت بر دوربین شیب پاسخ دهنده ترافیک چند سطحی (TTC-X) ، یک چارچوب جدید طراحی شده برای نظارت پویا و کارآمد و مدیریت ترافیک در شبکه های شهری ارائه شده است.TTC-X با اعمال استفاده از دوربین های شیب پانل (PTC) به طور گسترده مستقر ، محدودیت های یک میدان دید ثابت در سیستم های نظارت سنتی را با ارائه پوشش بسیج و 360 درجه غلبه می کند.نوآوری TTC-X در ادغام ماژول های یادگیری ماشین پیشرفته ، از جمله یک ساختار آشکارساز-پیش نویس-کنترل کننده ، با یک روش یادگیری آنلاین پیش بینی کننده جدید (PICOL) و پیش بینی کننده نمودار مکانی (STGP) برای زمان واقعی نهفته است.برآورد ترافیک و کنترل PTC.TTC-X تحت سه سناریو آزمایشی (به عنوان مثال ، حداکثر ضبط جریان ترافیک ، برنامه ریزی مسیر پویا ، تخمین وضعیت ترافیک) بر اساس یک محیط شبیه سازی کالیبره شده با استفاده از داده های ترافیک در دنیای واقعی در بروکلین ، نیویورک مورد آزمایش و ارزیابی قرار می گیرد.نتایج تجربی نشان داد که TTC-X بیش از 60 ٪ تعداد کل وسایل نقلیه در سطح شبکه را ضبط کرده است ، به طور پویا توصیه مسیر خود را در واکنش به حوادث بسته شدن کامل خطی تنظیم کرده و حالت های ترافیکی در سطح پیوند را با بهترین MAE کمتر از 1.25 بازسازی می کند.وسیله نقلیه/ساعتTTC-X با نشان دادن مقیاس پذیری ، راندمان و تطبیق پذیری ، به عنوان یک راه حل قدرتمند برای مدیریت ترافیک شهری در هر دو محیط سایبری فیزیکی و در دنیای واقعی ظاهر می شود.