АЛГОРИТМИ МАШИННОГО НАВЧАННЯ ДЛЯ ОБРОБКИ ЗОБРАЖЕНЬ

Abstract

Цей дипломний проект досліджує розробку та застосування нейромережевих моделей для аналізу трафіку, зосереджуючись на короткостроковому та довгостроковому прогнозуванні трафіку. Робота охоплює розробку, навчання та валідацію згорткових нейронних мереж (CNN) та рекурентних нейронних мереж (RNN), включаючи мережі з довгою та короткою пам'яттю (LSTM), пристосовані для обробки просторових та часових даних про трафік відповідно. Документ складається з 120 сторінок, включаючи 30 рисунків, 15 таблиць і 5 додатків. Для підтримки дослідження було проаналізовано та процитовано 50 наукових статей та інформаційних джерел. Метою цього дослідження є вдосконалення систем управління дорожнім рухом шляхом інтеграції передових нейромережевих моделей, здатних точно прогнозувати трафік. Використані методи включають збір даних з різних джерел, таких як камери та GPS, методи попередньої обробки даних, такі як нормалізація та доповнення, а також ретельний відбір ознак для ефективного навчання моделей. Результати демонструють, що моделі значно підвищують точність прогнозів трафіку, які можуть бути інтегровані в існуючі системи управління дорожнім рухом без значних модифікацій. Новизна цієї роботи полягає в методологічному підході, що поєднує різні типи нейронних мереж для використання їхніх сильних сторін в обробці специфічних типів даних.