DSpace Repository

Renforcement de la sécurité routière dans les systèmes de transport intellige.

Show simple item record

dc.contributor.author Medkour, Amel
dc.contributor.author Benalaoua, Ibtissam
dc.contributor.author Aissani, Sofiane ; promoteur
dc.date.accessioned 2024-12-19T08:11:25Z
dc.date.available 2024-12-19T08:11:25Z
dc.date.issued 2024
dc.identifier.other 004MAS/1341
dc.identifier.uri http://univ-bejaia.dz/dspace/123456789/25151
dc.description Option : Intelligence Artificielle en_US
dc.description.abstract 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. 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.iso fr en_US
dc.publisher Université Abderramane Mira-Bejaia en_US
dc.subject STI : Sécurité routière : LSTM : Forêts aléatoires : Approche hybride LSTM-RF en_US
dc.title Renforcement de la sécurité routière dans les systèmes de transport intellige. en_US
dc.type Thesis en_US


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account