A Comprehensive Intelligent Traffic Monitoring System Based on a Novel Integration of Neutrosophic Multi-Criteria Decision-Making Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the spread of road accidents and traffic congestion that costs countries and governments a lot of money in addition to the loss of human lives, and since traditional methods of monitoring traffic have not been as effective as desired, attention has been drawn to the search for more effective solutions to the problem of monitoring and regulating traffic. With the spread of technology and the Internet of Things, UAVs have emerged as a promising tool for monitoring traffic, as they can fly for a sufficient period and operate in difficult climatic conditions, in addition to their ability to monitor traffic congestion and prefer less crowded roads for cars, as well as record road accidents and crimes and inform officials in real-time. Due to the many available types of UAVs, choosing the appropriate type with multiple and contradictory characteristics is a very difficult task. Therefore, in this research, we propose a new approach that combines the OWCM and WASPAS techniques, integrated with the neutrosophic set for the first time for selecting and evaluating UAVs used in traffic monitoring and regulation. The use of a neutrosophic set is an effective way to address the decision-making problem of ambiguity, where linguistic information is transformed into neutrosophic interval numbers using a new scale introduced in this paper, which highlights the importance of criteria and expert-based choices. The proposed approach has been proven effective in selecting a UAV for traffic monitoring and dealing with ambiguity efficiently through sensitivity analysis and comparison.
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.
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 | 0,001 | 0,001 |
| 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 découle