Resumen

La red ad hoc vehicular (VANET) es un tema de investigación emergente en el sistema de transporte inteligente que proporciona información esencial a los vehículos en la red. Casi 150 mil personas se ven afectadas por los accidentes de tráfico que deben ser minimizados, y mejorar la seguridad es necesario en VANET. La predicción de congestiones de tráfico juega un papel importante en la minimización de accidentes en las carreteras y en la mejora de la gestión del tráfico para las personas. Sin embargo, el comportamiento dinámico de los vehículos en la red degrada la interpretación de los modelos de aprendizaje profundo en la predicción de la congestión de tráfico en las carreteras. Para superar el problema de congestión, este documento propone un nuevo modelo híbrido de conjunto de memoria a largo plazo reforzado (BLSTME) y red neuronal convolucional (CNN) que combina las características poderosas de CNN con BLSTME para negociar el comportamiento dinámico del vehículo y predecir la congestión de tráfico de manera efectiva en las carre

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Red de comunicación ad hoc vehicular; VANET; Congestiones de tráfico; Modelos de aprendizaje profundo; CNN; BLSTME
• Keywords:Vehicular adhoc network; VANET; Traffic congestions; Deep learning models; CNN; BLSTME