Real-Time Adaptive Traffic Signal Control with YOLOv10 and Image Processing
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
Traffic lights operating on a fixed schedule are mostly time-consuming; for example, running green signals in the absence of vehicles, leading to a buildup of long queues at red lights. This inefficiency results in congestion in cities, contributes to delays and economic losses and intensifies pollution levels. In this study, a deep learning-based adaptive image processing traffic light control system for real-time dynamic regulation of signals was proposed. Different from typical sensor-based solutions, the proposed method uses established surveillance cameras, enabling cost-efficient deployment and easy installation. A YOLOv10-based detection model identifies and classifies vehicles by type, applying weight factors to effectively estimate traffic demand. A dynamic timing algorithm enables continuous redistribution of green-light durations due to existing unbalances in the flow for any or all intersection phases. A practical microcontroller-based system might be integrated directly into the existing infrastructure. For assessment, the model used data from 12,500 images labelled accordingly and divided into the following: 70% for training, 15% for validation and 15% for testing. The model was assessed in a SUMO-based simulation of a very busy four-way intersection and actual deployment in Baghdad, Iraq. Compared with fixed time control, this adaptive system reduced vehicle wait time by up to 91.7%. Furthermore, results indicate reduced fuel consumption and CO2 emissions, thereby leading to considerable economic and environmental benefits. Overall, the proposed framework represents a practical and scalable implementation for modern traffic management, overlooking possible implementations of enhancements such as prioritisation of emergency vehicles and multi-intersection 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.
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 découle