ترجمه فارسی مقاله حادثه: تشخیص حادثه ترافیک ، محلی سازی و تخمین شدت با سنجش پراکنده

چکیده

Prior art in traffic incident detection relies on high sensor coverage and is primarily based on decision-tree and random forest models that have limited representation capacity and, as a result, cannot detect incidents with high accuracy. This paper presents IncidentNet – a novel approach for classifying, localizing, and estimating the severity of traffic incidents using deep learning models trained on data captured from sparsely placed sensors in urban environments. Our model works on microscopic traffic data that can be collected using cameras installed at traffic intersections. Due to the unavailability of datasets that provide microscopic traffic details and traffic incident details simultaneously, we also present a methodology to generate a synthetic microscopic traffic dataset that matches given macroscopic traffic data. IncidentNet achieves a traffic incident detection rate of 98%, with false alarm rates of less than 7% in 197 seconds on average in urban environments with cameras on less than 20% of the traffic intersections.

چکیده به فارسی (ترجمه ماشینی)

ART قبلی در تشخیص حادثه ترافیک به پوشش سنسور بالا متکی است و در درجه اول مبتنی بر مدل های جنگل تصمیم گیری و تصادفی است که دارای ظرفیت نمایندگی محدود هستند و در نتیجه ، نمی توانند حوادث را با دقت بالا تشخیص دهند.در این مقاله ، یک رویکرد جدید برای طبقه بندی ، بومی سازی و برآورد شدت حوادث ترافیکی با استفاده از مدلهای یادگیری عمیق آموزش داده شده بر روی داده های ضبط شده از سنسورهای کم نظیر در محیط های شهری ارائه شده است.مدل ما روی داده های ترافیک میکروسکوپی کار می کند که می توانند با استفاده از دوربین های نصب شده در تقاطع ترافیک جمع آوری شوند.با توجه به عدم دسترسی به مجموعه داده هایی که جزئیات ترافیک میکروسکوپی و جزئیات حادثه ترافیک را همزمان ارائه می دهند ، ما همچنین یک روش برای تولید یک مجموعه داده ترافیک میکروسکوپی مصنوعی ارائه می دهیم که با داده های ترافیک ماکروسکوپی مطابقت دارد.IncidentNet به میزان تشخیص حادثه ترافیکی 98 ٪ دست می یابد ، با نرخ زنگ هشدار کاذب کمتر از 7 ٪ در 197 ثانیه در محیط های شهری با دوربین در کمتر از 20 ٪ از تقاطع ترافیک.