МЕТОДЫ ОПРЕДЕЛЕНИЯ И АНАЛИЗА ИНДЕКСА ДВИЖЕНИЯ НА ГОРОДСКИХ ДОРОГАХ

Пробки на дорогах стали серьезной проблемой, влияющей на экономику, экологию и общее благополучие городских жителей в быстро урбанизирующемся ландшафте 21-го века. Для эф­фективного решения и уменьшения последствий пробок становится все более и более важным разрабатывать и использовать расчеты индекса загруженности дорог (RCI). Значимость RCI и его влияние на будущее города были рассмотрены в этой статье. Для анализа транспортного потока индекс загруженности дорог имеет решающее значение. Оценка загруженности дорог, планирование движения и организация управления дорогами, а также способность водителей и пассажиров принимать обоснованные решения о дорожном движении зависят от расчета и анализа индекса загруженности. Был рассмотрен ряд подходов к индексу оценки. Пробки на дорогах влияют на экономику, окружающую среду, общественное здравоохранение и общее качество жизни, поэтому крайне важно решать эту проблему по ряду причин. Кроме того, это снижает общую эффективность и приводит к потере топлива и времени. Поскольку они облегчают передвижение людей и автомобилей, эффективные трехполосные системы имеют важное значение для экономического роста. С дорожным движением также связаны значи­тельные финансовые затраты, такие как повышенный расход топлива, более высокие расходы на техническое обслуживание автомобилей и более длительные задержки грузов, что может привести к повышению цен на товары и услуги.

Список литературы

1. Nazarov F.M., У. S. S. o’g’li, Е. В. S. o’g’li. Algorithms То Increase Data Reliability In Video Transcription // 2022 IEEE 16th International Conference on Application of Information and Communication Technologies (AICT), Washington DC, DC, USA, 2022, P. 1-6, DOI: 10.1109/AICT55583.2022.10013558.
2. Ghosh B., Basu B., O’Mahony M. Bayesian Time-Series Model for Short-Term Traffic Flow Forecasting //J. Transp. Eng. 2007. N 133. P. 180-189.
3. Chow A.H., Santacreu A., Tsapakis I., Tanasaranond G., Cheng T. Empirical assessment of urban traffic congestion //J. Adv. Transp. 2014. N 48. P. 1000-1016.
4. Guo J., Huang W., Williams B.M. Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification // Transp. Res. Part C 2014. N 43. P. 50-64.
5. Yang Q., Zhang B., Gao P. Based on improved dynamic recurrent neural network for short time prediction of traffic volume //J. Jilin Univ. Eng. Edit. 2012. N 4. P. 887-891.
6. Shankar H., Raju P. L.N., Rao K.R.M. Multi model criteria for the estimation of road traffic congestion from traffic flow information based on fuzzy logic //J. Transp. Technol. 2012. N 2. P. 50.
7. Li S., Da Xu L., Zhao S. 5G Internet of Things: A survey. J. Ind. Inf. // Integr. 2018. N 10. P. 1-9.
8. Duan W., Gu J., Wen M., Zhang G., Ji Y., Mumtaz S. Emerging Technologies for 5G-IoV Networks: Applications, Trends and Opportunities // IEEE Netw. 2020. N 34. P. 283-289.
9. Wang Z., Li T., Xiong N., Pan Y. A novel dynamic network data replication scheme based on historical access record and proactive deletion //J. Supercomput. 2012. N 62. P. 227-250.
10. Ahmad M., Chen Q., Khan, Z. Microscopic Congestion Detection Protocol in VANETs //J. Adv. Transp. 2018, 2018, 6387063.
11. Makhmadiyarovich N.F., Sherzodjon Y. Methods of increasing data reliability based on distributed and parallel technologies based on blockchain // Artificial Intelligence, Blockchain, Computing and Security Volume 2. eBook ISBN: 9781032684994, P. 637-642, January 2023.
12. Akhatov A., Rashidov A., Renavikar A. Optimization of the database structure based on Machine Learning algorithms in case of increased data flow // Artificial Intelligence. Blockchain. Computing and Security Volume 2, CRC Press, 2023. P. 675-680.
13. Guo W., Xiong N., Vasilakos, A. V., Chen G., Cheng H. Multi-source temporal data aggregation in wireless sensor networks // Wirel. Pers. Commun. 2011. N 56. P. 359-370.
14. Shang Q., Lin C., Yang Z., et al. Short-term traffic flow prediction model using particle swarm optimization-based combined kernel function-least squares support vector machine combined with chaos theory //J. Advances in Mechanical Engineering, 2016. N 8. P. 1-12.
15. Rashidov A., Akhatov A., Aminov L, Mardonov D. Distribution of data flows in distributed systems using hierarchical clustering // International conference on Artificial Intelligence and Information Technologies (ICAIIT 2023), Uzbekistan, Samarkand, 2023.
16. Sabharwal M., Nazarov F.M., Eshtemirov B. Effectiveness Analysis Of Blockchain Mechanisms Using Consensus Algorithms // 2022 4th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), ISBN: 978-1-6654-7436-8/22/, DOI: 10.1109/ICAC3N56670.2022.10074408, 16-17 December, 2022.
17. Nazarov F.M., Yarmatov S. Optimization of Prediction Results Based on Ensemble Methods of Machine Learning // 2023 International Russian Smart Industry Conference (SmartlndustryCon), Sochi, Russian Federation, 2023, P. 181-185, DOL 10.1109/SmartIndustryCon57312.2023.10110726.
18. Akhatov A., Nazarov F. M., Eshtemirov B. Detection and analysis of traffic jams using computer vision technologies // International conference on Artificial Intelligence and Information Technologies (ICAIIT 2023). Uzbekistan, Samarkand, 2023. N 2. P. 761-766.