Edge AI‐Based Smart Intersection and Its Application for Traffic Signal Coordination: A Case Study in Pyeongtaek City, South Korea
Notice bibliographique
Résumé
Recently, smart intersections have emerged as a novel intelligent transportation system (ITS) solution that integrates traffic monitoring, optimal signal control, and even traffic safety. Although smart intersections have been prevalent in many cities, there are a few drawbacks in their practical operations. First, there are inevitable delays in transmitting and processing the video data. Second, there is still a need to develop a real‐time signal control method leveraging the acquired data from smart intersections. Thus, this study aims to construct edge AI‐based smart intersections and to provide their application for traffic signal coordination. To this end, we install smart intersections on three consecutive intersections of Route 45 in Pyeongtaek city, South Korea. The real‐time traffic data are collected by an edge AI video analysis model which is compressed and optimized for its operation in on‐site edge devices. The optimized model maintains a similar level of accuracy (93.64%), even if the size is reduced by 97.8% compared to the original. Next, we utilize the LT2 model to treat the coordination failure problem in nonpeak hours occurring unnecessary delays of the side‐streets with relatively high demands. We complement some constraint conditions in order to consider the compatibility with the current legacy system. The experiment is conducted on a virtual environment of which geometry and traffic demand are configured based on the features of the study site. The numerical results conclude that the optimal offsets calculated by the LT2 model effectively manage bandwidths for multidirectional flows based on the real‐time traffic demands collected from the edge AI‐based smart intersections. This study contributes to serve high‐resolution real‐time traffic data using edge AI on smart intersections and to provide a case study for signal coordination.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».