Please use this identifier to cite or link to this item: http://univ-bejaia.dz/dspace/123456789/25151
Full metadata record
DC FieldValueLanguage
dc.contributor.authorMedkour, Amel-
dc.contributor.authorBenalaoua, Ibtissam-
dc.contributor.authorAissani, Sofiane ; promoteur-
dc.date.accessioned2024-12-19T08:11:25Z-
dc.date.available2024-12-19T08:11:25Z-
dc.date.issued2024-
dc.identifier.other004MAS/1341-
dc.identifier.urihttp://univ-bejaia.dz/dspace/123456789/25151-
dc.descriptionOption : Intelligence Artificielleen_US
dc.description.abstractLes systèmes de transport intelligents (STI) ont révolutionné la mobilité urbaine grâce à l'inté- gration de technologies avancées telles que les capteurs, les communications sans fil et l'intelligence artificielle. Cependant, la sécurité routière reste une préoccupation majeure, les comportements de conduite inappropriés constituant une menace constante. Pour relever ce défi, notre étude propose une solution basée sur des techniques avancées d'apprentissage automatique, utilisant les réseaux de neurones récurrents LSTM et les forêts aléatoires (RF) pour détecter de manière précise et fiable les comportements de conduite dangereux. Nos résultats montrent que l'approche hybride LSTM-RF surpasse les autres modèles en minimisant les faux positifs et les faux négatifs, augmentant ainsi la fiabilité de la détection des comportements dangereux. En intégrant les capacités de détection des LSTM avec l'efficacité de classification des RF, notre méthode contribue à la sécurité routière et à l'amélioration des STI. Les systèmes de transport intelligents (STI) ont révolutionné la mobilité urbaine grâce à l'inté- gration de technologies avancées telles que les capteurs, les communications sans fil et l'intelligence artificielle. Cependant, la sécurité routière reste une préoccupation majeure, les comportements de conduite inappropriés constituant une menace constante. Pour relever ce défi, notre étude propose une solution basée sur des techniques avancées d'apprentissage automatique, utilisant les réseaux de neurones récurrents LSTM et les forêts aléatoires (RF) pour détecter de manière précise et fiable les comportements de conduite dangereux. Nos résultats montrent que l'approche hybride LSTM-RF surpasse les autres modèles en minimisant les faux positifs et les faux négatifs, augmentant ainsi la fiabilité de la détection des comportements dangereux. En intégrant les capacités de détection des LSTM avec l'efficacité de classification des RF, notre méthode contribue à la sécurité routière et à l'amélioration des STI.en_US
dc.language.isofren_US
dc.publisherUniversité Abderramane Mira-Bejaiaen_US
dc.subjectSTI : Sécurité routière : LSTM : Forêts aléatoires : Approche hybride LSTM-RFen_US
dc.titleRenforcement de la sécurité routière dans les systèmes de transport intellige.en_US
dc.typeThesisen_US
Appears in Collections:Mémoires de Master

Files in This Item:
File Description SizeFormat 
memoire.pdf3.88 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.