دانلود ترجمه مقاله یادگیری ماشین و اینترنت اشیا در حمل و نقل هوشمند

1. مقدمه 2. یادگیری ماشین و IoT در حمل و نقل هوشمند 3. بحث و بررسی / نتیجه گیری

چکیده – با ظهور اینترنت اشیا (IoT)، کاربردهای مرتبط با آنها، هوشمندتر شده و دستگاه های متصل باعث افزایش بهره وری آنها در همه جنبه های یک شهر مدرن می شوند. با افزایش حجم داده های جمع آوری شده، از تکنیک های یادگیری ماشین (ML) برای ارتقا بیشتر هوش و قابلیت های هر کدام از کاربردها استفاده می شود. زمینه حمل و نقل هوشمند توجه بسیاری از محققان را به خود جلب کرده است و با استفاده از تکنیک های ML و IoT به آن دست یافته است. در این بررسی، حمل و نقل هوشمند به عنوان چتری در نظر گرفته شده است که بهینه سازی مسیر، پارکینگ، چراغ های خیابان، پیشگیری/تشخیص تصادفات، ناهنجاری های جاده و کاربردهای زیرساختی را پوشش می دهد. هدف از این مقاله، بررسی خودکار تکنیک های ML و کاربردهای اینترنت اشیا در سیستم های حمل و نقل هوشمند (ITS) و دستیابی به دیدگاهی واضح از روندهای زمینه های فوق و تشخیص نیازهای پوششی احتمالی است. با عمیق تر شدن در مقالات مورد بررسی می توان دریافت که در سیستم های روشنایی هوشمند و کاربردهای پارکینگ هوشمند فقدان پوشش ML وجود دارد. علاوه بر این، بهینه سازی مسیر، پارکینگ و تشخیص/ تصادف محبوب ترین کاربردهای ITS در بین محققان می باشند. مقدمه: در دهه گذشته، کاربردهای مبتنی بر دستگاه های تلفن همراه، حسگرها و محرک ها هوشمندتر شده اند و امکان برقراری ارتباط بین دستگاه ها و اجرای کارهای پیچیده تر را فراهم می کنند. در سال 2008 تعداد دستگاه های متصل از جمعیت جهانی پیشی گرفت [1] و تعداد آنها تا امروز به صورت تصاعدی افزایش دارد. تلفن های هوشمند، سیستم های تعبیه شده، حسگرهای بی سیم و تقریباً هر دستگاه الکترونیکی به یک شبکه محلی یا اینترنت متصل هستند و منجر به عصر اینترنت اشیا (IoT) می شود. با افزایش تعداد دستگاه ها، میزان داده های جمع آوری شده توسط این دستگاه ها نیز در حال افزایش است. کاربردهای جدیدی بوجود می آیند که داده های جمع آوری شده را تجزیه و تحلیل می کنند تا همبستگی های معنادار و تصمیم گیری های احتمالی را بوجود آورند و از طریق الگوریتم های یادگیری ماشین (ML) منجر به هوش مصنوعی (AI) می شوند.

With the rise of the Internet of Things (IoT), applications have become smarter and connected devices give rise to their exploitation in all aspects of a modern city. As the volume of the collected data increases, Machine Learning (ML) techniques are applied to further enhance the intelligence and the capabilities of an application. The field of smart transportation has attracted many researchers and it has been approached with both ML and IoT techniques. In this review, smart transportation is considered to be an umbrella term that covers route optimization, parking, street lights, accident prevention/detection, road anomalies, and infrastructure applications. The purpose of this paper is to make a self-contained review of ML techniques and IoT applications in Intelligent Transportation Systems (ITS) and obtain a clear view of the trends in the aforementioned fields and spot possible coverage needs. From the reviewed articles it becomes profound that there is a possible lack of ML coverage for the Smart Lighting Systems and Smart Parking applications. Additionally, route optimization, parking, and accident/detection tend to be the most popular ITS applications among researchers. Introduction: Over the last decade, applications based on mobile devices, sensors, and actuators have become smarter, enabling the communication among devices and the execution of more complex tasks. In 2008 the number of connected devices surpassed the global population [1] and the number keeps increasing exponentially until today. Smart phones, embedded systems, wireless sensors, and almost every electronic device are connected to a local network or the internet, leading to the era of the Internet of Things (IoT). With the number of devices increasing, the amount of data collected by those devices is increasing as well. New applications emerge that analyze the collected data to make meaningful correlations and possible decisions, leading to Artificial Intelligence (AI) via Machine Learning (ML) algorithms.