智慧城市中基于机器学习的车辆网络解决方案

埃及信息学杂志23（2022）417全文智慧城市：基于机器学习技术Muhammad Saleema，Sagheer Abbasa，Taher M.Ghazalb，c，Muhammad Adnan Khand，e，sb，NizarSahawnehf，Munir Ahmadaa巴基斯坦拉合尔54000国家工商管理和经济学院计算机科学学院b网络安全中心，信息科学与技术学院，马来西亚Kebangsaan大学（UKM），43600 Bangi，Selangor，Malaysiac阿联酋沙迦大学城Skyline大学学院信息技术学院，1797年d模式识别和机器学习实验室，嘉川大学软件系，韩国城南13557Riphah School of Computing Innovation，Faculty of Computing，Riphah International University，Lahore Campus，Lahore 54000，Pakistanf阿联酋沙迦大学城Skyline大学学院商学院，1797年阿提奇莱因福奥文章历史记录：接收日期：2022年2022年3月11日修订2022年3月17日接受2022年4月13日在线提供关键词：车联网智能城市机器学习融合A B S T R A C T智慧城市在过去十年中得到了发展，减少交通拥堵一直是智慧城市发展的首要问题。车辆与路侧单元（RSU）之间的短延迟通信、顺畅的交通流和道路安全是智能交通系统（ITS）的关键挑战。公路车辆数量的迅速增加增加了交通堵塞和公路事故的数量。为了解决这个问题，车辆网络（Vehicular Networks，VN）开发了许多新的想法，包括车辆通信、导航和交通控制。机器学习（ML）是一种有效的方法，可以在不通过从数据中学习 来 明 确 编 程 的 情 况 下 找 到 对 ITS 的 隐 藏 见 解 。 该 研 究 提 出 了 一 种 基 于 融 合 的 智 能 交 通 拥 堵 控 制 系 统（FITCCS-VN），该系统使用ML技术收集交通数据并在可用路线上路由交通，以缓解智能城市中的交通拥堵。所提出的系统向驾驶员提供创新服务，其使得能够远程查看交通流量和道路上可用的车辆的体积，意图避免交通堵塞。该模型改善了交通流量，减少了拥堵。所提出的系统提供了一个准确性为95%和5%的失误率，这是优于以前的方法。©2022 The Bottoms.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系。 这是CC BY许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。1. 介绍智慧城市的发展伴随着规划和采用先进技术的重大转变，缩写：ITS，智能交通系统; TMS，交通管理系统; ML，机器学习。*通讯作者：模式识别和机器学习实验室，嘉川大学软件系，城南13557，韩国。电子邮件地址：adnan@gachon.ac.kr，adnan. riphah.edu.pk（M。AdnanKhan）。开罗大学计算机和信息系负责同行审查。打造“智慧城市”，提升人们的生活质量。欧盟委员会在四个领域启动了智能城市的创新和明显的创造力：电力，建筑，供暖和制冷系统以及交通[1]。智能交通解决方案可以通过监控交通模式和调整交通信号配时来改善智慧城市的交通流量。其目的是确定和帮助可持续的交通形式，以促进智能交通系统（ITS）占用实时信息，交通管理系统（TMS），以避免拥堵，安全和绿色应用（例如，最大限度地减少燃料，天然气和能源的使用）[2]。ITS利用新颖和新兴技术，使智能城市中的移动性更加舒适和具有成本效益近年来，交通系统面临的一个基本困境是交通拥堵，必须解决交通拥堵，以最大限度地减少燃料浪费、事故、交通堵塞和驾驶员沮丧。大都市地区的大多数交通延误是由于大量车辆造成的。交通规则https://doi.org/10.1016/j.eij.2022.03.0031110-8665/©2022 THE COURORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comM. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417418这是一个重要的问题[3]。大都市地区土地资源的紧缺和交通基础设施的饱和，使得交通网络日益成为人们生活中不可或缺的一部分。由于这种过度拥挤，在人们必须快速从一个位置移动到另一个位置的城市区域中出现了许多与交通相关的缺点[4]。随着人工智能（AI）和机器学习（ML）的最新进展，智能城市中的智能环境交通拥挤降低了交通性能，增加了严重的环境污染，影响了人们的生活质量。因此，国家城市规划中最紧迫的问题是确定如何有效地解决交通拥堵问题[5]。交通拥堵管理是一个重要的研究领域，在过去的几十年里，该领域的各种研究项目产生了许多解决方案[6]。随着时间的推移，交通数据收集和智能交通系统已经发展以应对这些问题[7]。交通拥堵管理对于使高速公路上的驾驶更容易至关重要大多数交通信号灯都是预先设定好的。这不支持实时条件，并导致交通拥堵。对基于现有交通状况的密度驱动交通移动的需求日益增加。交通路口信号在减少拥堵方面发挥着至关重要的作用[8]。交通拥挤的另一个结果，司机这主要是由于交通信号灯的效率低下。专注于车对车（V2V）通信的方法无法可靠地测量交通拥堵量。此外，具有固定运行时间的交通信号系统无法处理不断变化的交通量，导致道路交叉口的交通排队过长[9]。ITS包括智能交通信号控制、高速公路管理和紧急服务管理。这些系统捕获实时交通数据，并采取必要步骤防止道路交通拥堵。城市道路上的交通拥堵可以通过智能手机应用程序（如Google和Apple Maps）根据从高速公路和城市道路监控设备收集的传感器数据精确预测[10]。出口道路上的实时交通警报可以帮助驾驶员从当前位置选择最佳路线。司机喜欢在即将到来的十字路口被告知拥堵状况，以节省时间。所提出的系统基于VN与融合ML技术相结合，测量交通拥堵的密度，并通过使用可以节省时间的移动应用程序向用户提供用于旅行的替代路径。2. 文献综述在过去的几年里[2使用信息和通信技术（ICT）[11]和物联网（IoT）[12，13]应用，文献中建议进行多种类型的研究来监测道路交通拥堵和交通控制，以提高当前TCCS的效率使用实时动态交通控制方案来智能地安排车辆的路线将改善道路上的交通流动，使设施得到更有效的利用，并创造有利于解决城市拥堵的氛围车联网（IoV）是配备有传感器的车辆的网络，其可以通过在互联网上链接物理设备来提供更精确、快速和准确的结果，从而在TMS中发挥主要作用。在车联网中，每个数据库都通过互联网远程访问车联网组件减少了人工参与[14]。VN是无线通信技术的一种特殊情况，由于车辆节点的快速移动，其受到快速拓扑变化的阻碍[15]。随着配备无线和通信设备的车辆数量的增加，车内通信已成为一个有利的研究领域。VN通过向车辆节点提供无线通信技术来增强许多应用这可能涉及事故预防、动态路线规划和实时交通状态监控。VN是一种新的移动网络（MN），其包括将自身管理为移动节点的车辆VN已经被提出来借助于V2V和车辆到路边（V2R）通信来提高安全性和舒适性。已经创建了VN，以在车辆环境中借助V2V和V2R通信提高驾驶员安全性和舒适性[16，17]。随着智能城市中自动驾驶汽车数量的不断增加，VN现在被认为是ITS的基础设施VN的部署是车辆之间通信的解决方案[18]。VN的架构如图所示。1.一、ML是人工智能的一种应用，它允许系统自动从数据中学习，并在没有人类帮助的情况下做出决策ML使系统能够从经验中学习并恢复，而无需显式编程。ML可以机械化并提高智能交通拥堵控制系统（TCCS）的效率，同时以可靠的方式更有效、更准确地降低出行成本[19]。数据融合是将一个或多个来源的数据与不充分的原始数据相结合，以收集精确、全面和统一的实体信息的过程。在决策层，融合用于在组合来自多个源的决策以创建更智能的行动决策之后产生单个决策通过获取各种算法的数据，决策数据和ML的融合可以帮助做出更好的选择[20]。在[22]中，研究人员提出了一种实时TMS，该TMS由路边单元、交叉口单元和移动单元组成的小型系统组成，该系统确定交通灯的时间以避免交通堵塞的发展。该系统还包括用于车辆驾驶员的基于网络的应用，其使用来自实时交通监控的数据来显示当前交通流量，使得接近的车辆采取替代路线以帮助减少拥堵。这种技术的局限性是缺乏性能和节点之间通信的安全机制。参考文献[23]使用物联网和传感技术创建了一个实时流量监控框架。超声波传感器图1.一、一个VN的架构[21]。M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417419用于监控车道上的交通状况。控制器从传感器收集这些信息并进行处理。处理后的数据然后通过Wi-Fi模块发送到服务器。交通信号控制系统是在感知车道内交通状况的基础上进行交通控制的系统.如果一条道路有大量的交通，那么它将获得最高的优先级，这意味着车辆需要很长的时间才能行驶，并且它将被给予很长的绿色信号时间。该系统可靠、简单、廉价。该系统具有有限的计算能力，需要由熟练的程序员正确执行指令。在[24]中，研究人员开发了一个专注于无线传感器网络（WSNs）的平台，以获取，融合和存储城市交通数据。扩展后的城市智能交通系统比现有的城市交通系统更灵活、更高效。无线传感器网络不可能用于高速通信，因为它们是为低速应用而设计的，而且建造成本太高。在[25]中，作者通过基于使用的保险（UBI）和基于智能手机的测量方法开发了一种车辆交通控制机制。该架构旨在对流量进行建模、感知和监控。这个系统有七个层次，从物理智能手机和服务器开始，到顶部的整体业务战略在[26]中，研究人员使用ML的随机森林分类（RFC）算法开发了一个模型，以构建交通拥堵状态感知模型。RFC具有较高的鲁棒性和高效性，预测准确率达87.5%。此外，该方法的泛化误差短，可有效地预测.这项研究的局限性在于，其他机器学习技术可能会提供更强大、更准确的结果。 在[27]中，作者开发了一种使用GPS、网络摄像头和民意调查来识别道路交通拥堵的方法。滑动窗口技术提取车辆的运动模式，并将其输入人工神经网络（ANN）和J48。J 48模型表现更好，准确率为91.29%，低于使用机器学习技术提出的FITCCS-VN。在[28]中，作者使用卷积神经网络（CNN）开发了一种基于无人机（UAV）的交通监控系统。无人机上的摄像头拍摄交通图像，系统对交通状况的准确率为91.67%。在[29]中，作者基于CNN和长短期记忆（LSTM）框架开发了一种基于数据融合的TCCS。CNN被用来对空间数据进行LSTM对历史数据的准确率和遗漏率分别为92.3%和7.7%，而ML方法可能会获得更好的结果。不同的机器学习技术，如计算智能方法，模糊系统[30，31，32，33，34，35，36]，群体智能[37]，进化计算[38]，软计算[39]，遗传算法[40]，神经网络[41]和深度极端学习机器[42]已被不同研究领域的不同研究人员证明是智能城市[43，44，45]，智能健康[46，47，48]和无线通信[49，50]3. 以前工作提出了一种基于机器学习技术的车辆网络融合智能交通交通堵塞和交通事故数量该模型通过智能交通系统解决了车辆与路侧单元之间的短延迟通信、交通流的平稳和道路安全问题。本研究的目的是为驾驶员提供创新服务，使其能够远程查看交通流量和道路上可用的车辆数量，以避免交通堵塞。本研究利用机器学习技术开发了一个基于融合的智能交通这一贡献提供了改善交通流量和减少拥堵的途径。表1显示，在上述研究中，存在几个限制，包括缺乏性能，需要节点之间的安全通信机制[22]，有限的计算能力[23]和较低的准确性[26，27，28，29]。所提出的技术在通过使用VN架构提供节点之间的安全通信机制方面发挥着至关重要的作用，通过预处理层提高性能以减轻噪声数据，并通过包括融合ML技术实现更高的准确性，更高的扩展能力和更鲁棒的决策4. 基于融合的智能交通拥堵控制系统在这项研究中，智能TCCS用于智能城市，利用机器学习技术监测和控制交通拥堵。本研究提出了一种使用ML技术的FITCCS-VN。图图2和图3展示了所提出的FITCCS-VN的全貌，其中数据是通过启用IoV的设备收集的。该系统允许来自一个枢纽的信号向另一个枢纽发送和更新数据。随后，感知层从传感器接收数据，然后这些感知值通过预处理，训练，性能和验证阶段。图2表明，随着通信技术的发展，VN已经成为一种重要的网络模型。 VN 使车辆能够通过 V2V 进行广播， 并与车辆到基础设施（V2I）交换信息。因此，在VN的帮助下，从无线通信车辆收集传感首先，可以通过V2V或V2I通信从路边基站收集数据。然后，基站（服务器）可以将收集的数据直接传输到数据中心，以进一步监控和路由交通拥堵。图 2还描绘了一个建议的模型，其中从VN感测到的交通拥堵数据从传感器层接收，并通过预处理训练和性能层。表1以前出版的作品与建议FITCCS-VN的比较。作者预处理层使用VN决策融合ML技术A. Saikar等人，2017年[22]没有没有没有没有V.S. Nagmode等人，2017年[23]没有没有是的没有Y. Liu等人，2017年[26]没有没有是的没有T. Thianniwet等人，2010年[27]没有没有是的没有L. Jian等人，2010年[28]是的没有是的没有S. Khan等人，2021年[29]是的没有是的是的建议的FITCCS-VN是的是的是的是的M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417420ð Þ ¼ ð Þ2z;.1个月 e属性是独立的，而输出类是依赖的。下一层是预处理，它使用移动平均值和归一化来减轻噪声数据。然后，将预处理后的数据分为70%的训练数据集和30%的测试数据集。在这个过程之后，训练数据被发送到训练层，而测试数据集被存储在边缘计算中。在训练层中执行分类过程，以使用ML技术[ANN和支持向量机（SVM）]来预测交通拥塞。每个神经元都有一个激活函数，例如隐藏层中的f x Sigmoid x。所提出的FITCCS-VN的输入和隐藏层的S形函数可以表现为。1¼Pn .1！！1个月e1e-p1i½1xijω'ri其中j-p2βj1tjjωPxwj四分之一;二;三... n&j ¼ 1; 2; 3... e1联系我们-我是说...pPn1.tω1！！W1e-p1i1xij ω′ri哪里2j¼1jzPE′-z图二. 建议使用ML技术的FITCCS-VN。呃。在性能层之后，输出被转发到边缘计算。在验证阶段，从边缘计算中导入学习到的数据如图3所示，训练和验证是所提出的使用ML技术的FITCCS-VN每一步又分为几个阶段。第一阶段从安装在多个VN上的各种交通控制传感器收集数据集。为了实现所提出的研究模型，选择预标记的VN数据集。该数据集包含2282个实例和515个要素，其中514个j<$1;2;3· · ·nz<$1;2;3· · ·′r在上面的等式中，'ri，xij，p1，tjk和p2分别表示输入特征，第i个输入层和第j个隐藏层神经元之间的权重，隐藏层的偏置，第j个隐藏层和第j个输出层神经元之间的权重，以及输出层的偏置。表2中列出了这些。最小均方误差可计算如下：A¼1X. sz-z22其中sz表示估计的输出，outz是有意的输出。两个层@ADW/-@W@ADtj;z¼ -s@mjz3图三. 使用ML技术的拟议FITCCS-VN的流程图。zM. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417421¼jjXXX你知道吗？i; j¼z-z ×z轴-j;zj-j× ijjjjjj1/4iԎԎ表2数据集结构[52]。–jj$jj哪里ӿjj$jjð10Þ联系我们q22：：$2贝加尔夫因为我们知道cosh和cosljj$jj jj$jj当量（10）也可以写成。–当量（3）可以写成。--！：啊！$HA^“jj@A@zuz@wk公司简介Dtj;z1 /4-s@mz×@w×@mjz×4 m.A^^A^“.A^^辛辛勒简化后的上述方程可以写成。Dxe“X。s 1z.m#第一章1/40Dxi; j½e“X。sz-zzzmj;z#× j1-j–x'riDxij-我知道！Xf;“X。Σ#´–: ¼1/1–snzmj;zz×j 1-j×ri点积可以使用Eq. （11）对于f维向量：Dxi;jsnjri5哪里让B¼Mnj¼“Xznz.mj;z#×j 1- j如果sign（B）> 0，那么这是适当的分类;如果sign（B）<0，那么它是不完全的分类。通过数据集P计算训练数据集上的f：隐藏层和输出层在等式中给出。（6），其更新权重和偏差。mj;zmj;zkFDtj;z6更新输入层和隐藏层之间的权重和偏置（七）：xi;jxi;jkFDxi;j7kF表示使用ML技术的FITCCS-VN的学习率使用ML技术的FITCCS-VN的收敛取决于Bi¼Mi是数据集的功能裕度鲁敏Bi2019 - 01 - 2200：00：00当比较超平面时，将选择一个到最大的超平面。是数据集的几何边界。目标是发现一个最优超平面，这意味着找到-和B的最优超平面值拉格朗日函数：仔细选择kF。如我们所知，在SVM中，线方程是。ӿ¼ ʜʯþ ϛð8Þ-12-Ԏ1/1 li½M：-由方程式 （8）中，因此，我们认为，联系我们r-Ԏ1/1 liMi$i¼ 012设-$;T和--; - 1：然后，等式变为。r-Ԏ1/1 liMi¼013--！：$100万这个方程来自于二维向量。然而，在这方面，从Eqs。（16）和（17），我们得到。当量 （9），定义为超通道，执行任何数量的–K;coskih t-lz××¼Sr. 号特征数据类型1区域标识整数2区域名称字符串3道路类别名称字符串4道路类别描述字符串5链路总长度公里浮子6总链接长度英里浮子7脚踏车整数8两轮机动车整数9汽车和出租车整数10公共汽车和长途汽车整数11轻型货车整数12所有_hgv整数13所有机动车辆整数M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417422尺寸s。矢量的方向是不同的1/11/1如.同时代入拉格朗日函数：M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）4174231/1XΣ.ΣΣ≈..ΣΣ..ΣΣ我P灵敏度公司简介ΣΣ我公司简介我ϛ ¼ᴙP总人口XX XPԎ1Ԏ---Ԏ l lM M$$在验证阶段，测试数据存储在边缘计算因此，在本发明中，Ԏ1/1I21/1Ԏ Ԏj 1iJ我jI j从边缘数据库中导入学习到的模式，并参考ML技术来预测是否发现交通拥塞如果答案是如果答案是最大Xl-1X Xl lMi Mj$$ð15Þ已经找到了。Li1/12升1i j i jj 1使用ML技术的融合方法开发并应用模糊逻辑优化分类算法。ML技术服从li≥0; i <$1·· ·：n;nliM i<$0。由于约束中的不等式，拉格朗日乘子法被推广到Karush-Kuhn-Tucker（KKT）情形. KKTliMi-$ω表示最佳点。l是除了l之外的正值，因为附加方面是0。因此，在本发明中，Mi-i：$ ω- 1 <$017超平面附近的点称为支持向量。等式（17）指出，Ԏ-1/1X轴（ANN和SVM）使用模糊规则产生逻辑。创建模糊逻辑的条件语句如下所示1. 如果ANN为否且SVM为否，则FITCCS-VN为否2. 如果ANN为否，SVM为是，则FITCCS-VN为是3. 如果ANN为是，SVM为否，则FITCCS-VN为是4. 如果ANN为是且SVM为是，则FITCCS-VN为是图4示出了如果SVM的值位于60和100之间并且ANN位于60和100之间，则FITCCS-VN是良好的（黄色）。如果SVM介于40和60之间，ANN介于40和60，则FITCCS-VN符合要求（绿色）。如果SVM介于0和40之间，ANN介于0和40之间，则FITCCS- VN是令人满意的（蓝色）。图 5表明，如果ANN的值为否且SVM为否，则所提出的FITCCS-VN为否。 图 6表明，如果ANN的值为是而SVM的值为否，则所提出的FITCCS-VN为是。图 7表明，如果AN N 的值是肯定的 ，SVM是是，则所提议的FITCCS-VN是。–1/1 liMi$i185. 仿真结果为了计算k的值，我们得到。Mi-i：$ ω- 1 <$019在等式（19）中，将两边乘以M以得到。M 2..-：$ ω- M i 0在这个使用ML技术提出的FITCCS-VN中，TCCS在数据集上实现[52]。数据被随机分为70%的训练（1879个样本）和30%的验证（403个样本）。所提出的系统使用多个统计测量，如等式（23）至（31）中所述。其中M2 = 1..-iTruePositiveP条件可能性23ÞMi-然后1XX X1/1特异性TrueNegativ eConditionNegativ e准确度-TruePositive-TrueNegativeð24Þð25Þ是支持向量的数量。有一次，超空间会创造感知。假设函数为。未命中-比率1/4-准确度26/4C.–1ifð22ÞFalloutFalsePositiveConditionNegativeð27Þ超平面被分类为交通拥堵（正），超平面下方的点被分类为无交通拥堵（负）。因此，SVM算法的主要目的是感知一个可以精确分散数据的超平面，除了需要找到的最佳之外，通常称为超平面。在训练层之后，输出被发送到性能层，以基于准确度和未命中率来预测交通拥塞，而不管是否满足学习标准。如果答案为基于FIS的融合方法进一步检查，如果不满足学习标准，则更新。在是的情况下，输出存储在边缘计算上的融合数据库中。图四、基于SVM和ANN的FITCCS-VN规则表面Mi-M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417424P假阳性率P假阳性率PPP图五、建议的FITCCS-VN示意图（否）。图第六章建议的FITCCS-VN示意图（是）。图第七章建议的FITCCS-VN示意图（是）。LikelihoodPositiveRatio真PositiveRatioLikelihoodNegativeRatio真PositiveRatioð28Þð29Þ表3在识别交通拥堵时，使用ML技术（ANN）训练拟议的FITCCS-VN。示范培训输入样本总数（1879）输出Positiv ePredictiv eValueTrue PositivePredictedConditionPositiveð30ÞNegativ ePredictiv eValueTrue NegativePredictedConditionNegativeð31Þ表3、4、5和6显示了ML技术（ANN和SVM）在准确性和未命中率方面的训练和验证。除了比较之外，用于性能的各种统计测量是根据称为准确性、灵敏度、特异性、漏诊率、脱落、似然阳性率（LR+）、似然阴性率（LR-）、精密度和阴性预测值的不同度量而精心设计的。相比之下，真阳性率（TPR）表示为灵敏度，真阴性率（TNR）表示为特异性，假阴性率（FNR）表示为缺失率，假阳性率（FPR）表示为脱落，阳性预测值（PPV）表示为精确度。表4验证建议FITCCS-VN使用ML技术（ANN）识别交通拥堵时拟定模型验证输入样本总数（403）输出预期输出预测阳性预测阴性53阳性真阳性（TP）假阴性（FN）40 13350阴性假阳性（FP）真阴性（TN）P预期输出293例阳性预测的肯定真阳性（TP）预测阴性假阴性（FN）23756小行星1586假阳性（FP）真阴性（TN）311555M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）41742511 339M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417426表5在识别交通拥堵时，使用ML技术（SVM）训练所提出的FITCCS-VN。示范培训输入样本总数（1879）293例阳性输出预测阳性真阳性（TP）预测阴性假阴性（FN）22865小行星1586假阳性（FP）真阴性（TN）561530表6验证建议FITCCS-VN使用ML技术（SVM）识别交通拥堵时拟定模型验证输入样本总数（403）预期输出53例阳性输出预测阳性真阳性（TP）预测阴性假阴性（FN）350阴性35假阳性（FP）2118真阴性（TN）329表3示出了在训练阶段内使用ML技术的所提出的FITCCS-VN。在训练中总共使用了1879个样本，分别分为293个阳性样本和1586个阴性样本。结果表明，237个样本被正确地预测为正，不存在交通拥堵; 56个样本被错误地预测为负，存在交通拥堵。同样，总共收集了1586个样本，其中，负表示交通拥堵，其中1555个样本被适当地预测为负，意味着存在交通拥堵，并且31个样本被错误地预测为正，即没有交通挤塞。表4显示了在验证阶段使用ML技术的拟议FITCCS-VN。验证中共使用了403份样本，分为53，350份阳性样本和53，350份阴性样本。确定40个样本被适当地预测为阳性，并且没有交通拥堵，但是13条记录被不准确地预测为负，这表明交通拥堵。相应地，总共收集了350个样本，其中，负指示交通拥堵，其中，339个样本被适当地预测为负，意味着存在交通拥堵，并且11个样本被错误地预测为正，意味着不存在交通拥堵。表5示出了在训练阶段内使用ML技术的所提出的FITCCS-VN。在训练中总共使用了1879个样本，分别分为293个阳性样本和1586个阴性样本。确定228个样本被正确地预测为正并且不存在交通拥堵，但是65个记录被错误地预测为负，这指示交通拥堵。类似地，总共收集了1586个样本，其中负指示交通拥堵，其中1530个样本被适当地预测为负，这意味着存在交通拥堵，并且56个样本被错误地预测为正，这意味着没有交通拥堵。表6显示了在验证阶段使用ML技术的拟议FITCCS-VN。验证中共使用了403份样本，分为53，350份阳性样本和53，350份阴性样本。确定35个样本被适当地预测为阳性，并且没有交通拥堵，但是18条记录被不准确地预测为阴性，这意味着存在交通拥堵。相应地，总共收集了350个样本，其中负意味着存在交通拥堵，其中329个样本被适当地预测为负，这意味着存在交通拥堵，并且21个样本被错误地感知为正，这意味着不存在交通拥堵。表7示出了在训练和验证阶段内使用ML技术的所提出的FITCCS-VN在准确性、灵敏度、特异性、未命中率和精确度方面w.r.t. ANN和SVM。这表明在训练中使用ANN方法的所提出的系统在准确性、灵敏度、特异性、未命中率和精确度方面提供95.4%、80.8% 、 98.0 、 4.6% 和 88.4% 在 验 证 范 围 内 ， 所 提 出 的 系 统 提 供94.0%，75.4%，96.8%，6.0%，和78.4%的准确性，灵敏度，特异性，漏诊率，和精密度分别。此外，所提出的系统的更多统计度量可以预测训练中的值，例如落尘、似然阳性比、似然阴性比和阴性预测值。结果分别为0.019、42.526、0.047和96.5%，验证分别为0.031、24.323、0.062和96.3%。这表明在训练中使用SVM方法的所提出的系统在准确性、灵敏度、特异性、未命中率和精确度方面提供了93.5%、77.8%、96.4%、6.5%和80.2%。在验证范围内，所提出的系统分别提供90.3%、66.0%、94.0%、9.7%和62.5%的准确性、灵敏度、特异性、漏诊率和精确度。此外，所提出的系统的更多的统计测量可以预测值，如落尘，似然阳性比，似然阴性比，和负预测值内的训练。这些结果分别为0.035、22.045、0.281和95.9%，验证分别为0.06、11.005、0.361和94.8%。此外，所提出的FITCCS-VN的融合ML技术的模拟结果列于表8中。采用人工神经网络和支持向量机融合的方法，配置了20个随机值，其中19个随机值符合FITCCS-VN的人类决策原则。相比之下，一个问题被认为是低的，但根据使用ML 技术和不正确的拟议FITCCS-VN被指示为正常。使用ML技术的建议FITCCS-VN的正确性或准确性的概率被发现是95%，和未命中率为5%。表9详细说明了所提出的具有融合机器学习技术的FITCCS-VN的模拟ANN、SVM和基于融合的FITCCS-VN的准确率和未命中率分别为94%/6%、90.3%/9.7%和95%/5%。表10示出了使用ML技术的所提出的FITCCS-VN与先前方法表7使用ML技术在训练和验证中使用不同的统计测量对所提出的FITCCS-VN进行性能评估。准确度（%）灵敏度TPR（%）特异性TNR（%）未命中率FNR（%）落尘FPRLR + veLR-vePPV（精密度）（%）净现值（%）安培训95.480.898.04.60.01942.5260.04788.496.5验证94.075.496.86.00.03124.3230.06278.496.3SVM培训93.577.896.46.50.03522.0450.28180.295.9验证90.366.094.09.70.0611.0050.36162.594.8M. Saleem，S.Abbas，T.M.Ghazal等人埃及信息学杂志23（2022）417427表8使用ML技术（ANN和SVM）的建议FITCCS-VN的融合结果安SVM建议使用ML技术的FITCCS-VN的人工专家决策正确概率错误概率112.4（N）20.5（N）23.1（N）没有10228.9（N）7.73（N）23.1（N）没有10317.9（N）65（Y）72.1（Y）是的10410.6（N）13.2（N）23.1（N）没有10524.3（N）22.3（N）23.1（N）没有10610.6（N）64.1（Y）72.1（Y）是的10774.8（Y）13.2（N）72.1（Y）是的10881.2（Y）6.82（N）72.1（Y）是的10972（Y）68.6（Y）72.1（Y）是的101012.4（N）20.5（N）23.1（N）没有101124.3（N）7.73（N）23.1（N）没有101277.5（Y）15（N）72.1（Y）是的101317.9（N）79.5（Y）72.1（Y）是的101491.3（Y）90.5（Y）72.1（Y）是的101524.3（N）66.8（Y）72.1（Y）是的101683.9（Y）65（Y）72.1（Y）是的101777.5（Y）13.2（N）72.1（Y）是的101877.5（Y）66.8（Y）72.1（Y）是的101993.1（Y）79.5（Y）72.1（Y）是的102027.1（N）84.1（Y）23.1（N）是的01表9建议的FITCCS-VN的 ANN和SVM结果基于ANN SVM融合的 FITCCS-VN准确度（%）94.0 90.3 95失误率（%）6.0 9.7 5表10建议FITCC-VN使用ML技术与文献的比较结果。准确度（%）未命中率（%）蒂安尼韦特等人（2010年），[27]培训91.298.71验证90.119.89吉安湖，加-地例如，2019年第28期培训91.678.33验证90.59.5Khan，Sulaiman等人，（2021年）[29]培训93.66.4验证92.37.7Pushpi和Dilip Kumar（2018）[51]培训91.28.8验证90.69.4使用ML技术的培训95.44.6使用ML技术的FITCCS-VN表现出95%的准确率和5%的遗漏率，这优于以前的方法[27，28，29，51]。在未来，可以通过使用联邦学习和Alexnet来提高所提出的系统准确性。引用[1] Albino V，Berardi U，Dangelico RM.智慧城市：定义、维度、绩效和举措。JUrban Technol 2015;22（1）：3-21.[2] RavishR，Swamy SR. 智能交通管理：挑战，解决方案和未来前景的评论。《交通通讯》2021;22（2）：163-82。[3] 作者：Marshall WE，Dumbaugh E.重新审视交通拥堵与经济之间的关系：对美国大都市区的纵向考察。交通运输2020;47（1）：275-314。[4] 巴尼什里湾最大限度地减少交通事故对交通网络的影响的智能移动性面向智能车辆应用的增强智能，2020;27（3）：175[5] 李刚，赖伟，隋翔，李翔，曲翔，等。交通拥堵对后拥堵驾驶行为的影响。 AccidAnal Prev 2020;141（1）：105508.[6] 艾泽EC，张世杰，刘爱杰，艾泽JC.车载自组织网络的进展：未来发展的挑战和路线图。国际自动化杂志（ANN）使用ML技术（SVM）的拟议系统建议使用ML技术的FITCCS-VN验证94.06.0培训验证90.3 9.7验证95 5Comput2016;13（1）：1-18.[7] Ramesh K，Lakshna A，Renjith PN.物联网中的智能交通拥塞模型-A综述。第四届电子、通信和航空航天技术国际会议（ICECA）。p.651- 8[8] Jayapal C，Roy SS.使用VANET进行道路交通拥堵管理。人机交互进展国际会议（ International Conference on Advances in Human Machine Interaction ，HMI）p. 一比七[9] El Zorkany M，Yasser A，Galal AI.车对车“ V2 V ” 通 信 ： 范 围 ， 重 要 性 ， 挑战 ， 研 究 方 向 和 未 来 。 打开Transp J[27，28，29，51]。它表明，所提出的技术提供了准确的结果相比，以前公布的方法。6. 结论车载网络（VN）是一种自组织的、面向服务的、多用途的通信网络，其能够在车辆和路边基础设施之间进行通信以进行消息交换。在密集的交通情况下，交通产生的负荷可能超过道路提出了一种基于融合的ITCCS-VN，利用机器学习技术对物联网VN中的数据进行融合，并对其进行智能评估，以预测和控制交通拥堵。模拟结果的评价表明，建议2020;14（1）：86-98.[10] Wan S，Xu X，Wang T，Gu Z.智能交通系统中异常事件检测的智能视频分析方法。IEEE Trans Intell TranspSyst 2020;22（7）：4487-95.[11] Nwankwo W，Olayinka AS，Ukhurebor KE.贝宁城市交通拥堵问题及ICT改善解决方案的探索。Int J SciTechnol 2019;8（1）：12-9.[12] SadhukhanP，Gazi F. 基于物联网的道路交叉口智能交通拥堵控制系统。2018年国际通信、计算和物联网会议（IC3IoT）。p. 371- 5[13] Ullo SL，Sinha GR. 使用物联网和传感器的智能环境监测系统的进展。传感器2020;20（11）：1-18.[14] Qureshi KN，Din S，Jeon G，Piccialli F.车联网：关键技术、网络模式、解决方案和未来挑战。IEEE Trans IntellTransp Syst 2020;22（3）：1777-86.[15] Günay FB，Öztürk E，Zavdar T，Hanay Y