Smart Traffic Management System for Metropolitan Cities of Kingdom Using Cutting Edge Technologies
Notice bibliographique
Résumé
The expansion of technology in metropolitan centers draws people to cities, which causes excessive traffic on the roadways during peak hours. This exacerbated the traffic situation, resulting in a delay, a loss of resources, and a waste of time. Like any other metropolitan metropolis, Riyadh, Saudi Arabia, has everyday traffic congestion during business hours. The current traffic management has made many attempts to ease traffic congestion in cities; despite these measures, the problem has not been solved adequately. To handle this road congestion, there is a need to appropriately store the big data collected by traffic sensors and utilize it for efficient traffic management employing cutting-edge technology. This study provides an architecture for a smart traffic management system that uses modern technologies such as the Internet of Things (IoT), cloud computing, 5G, and big data to aid conventional traffic management systems and efficiently handle the stated problem. The proposed technique has the potential to reduce traffic congestion significantly. Our proposed solution encourages mobility by using roadside messaging agents to offer real-time traffic information on traffic congestion and unexpected traffic incidents. Citizens will save time by getting these early warning messages, particularly during peak hours. As part of the suggested method, each signal dashboard gets traffic information. A case study is used in the research to evaluate alternative solutions to traffic congestion. The case study results show that the proposed strategy outperforms the present options.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».