Vem Tranquilo: Rotas Eficientes baseado na Dinâmica Urbana Futura com Deep Learning e Computação de Borda
Resumo
Muitos fatores podem impactar em uma decisão de planejamento de rota, como tempo de viagem, consumo de combustível, cenário, e até mesmo segurança. Além disso, muitos desses fatores possuem um correlação espaço-temporal, ou seja, suas dinâmicas podem variar de acordo com dia e hora para diferentes regiões. Contudo, as soluções da literatura não consideram a dinâmica urbana futura no planejamento de rotas, o que potencialmente degrada a eficiência do sistema. Entretanto, os avanços da computação de borda juntamente com as técnicas de deep learning podem fornecer um conhecimento futuro robusto e preciso, assim, permitindo tomadas de decisões mais eficientes. Sendo assim, esse trabalho apresenta VTq um sistema para planejamento de rota que é capaz de predizer a dinâmica futura dos fatores urbanos e considerar tal dinâmica durante o planejamento de rota para planejar rotas mais seguras e eficientes. Os resultados mostraram que o VTq é capaz de realizar predições com um MSE de 0.001 e melhorar a eficiência do planejamento de rota em pelo menos 50% para a maioria dos usuários quando comparado com soluções do estado da arte da literatura.
Referências
Campolo, C., Molinaro, A., Iera, A., and Menichella, F. (2017). 5g network slicing for vehicle-to-everything services. IEEE Wireless Communications, 24(6):38–45.
de Souza, A. M., Botega, L. C., Garcia, I. C., and Villas, L. A. (2018). Por aqui é mais seguro: Melhorando a mobilidade e a segurança nas vias urbanas. Anais do Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), 36.
de Souza, A. M., Braun, T., Botega, L. C., Villas, L. A., and Loureiro, A. A. F. (2019). Safe and sound: Driver safety-aware vehicle re-routing based on spatiotemporal information. IEEE Transactions on Intelligent Transportation Systems, pages 1–17.
de Souza, A. M., da Fonseca, N. L. S., and Villas, L. (2017). A fully-distributed advanced traffic management system based on opportunistic content sharing. In 2017 IEEE International Conference on Communications (ICC), pages 1–6.
de Souza, A. M., Yokoyama, R. S., Maia, G., Loureiro, A. A. F., and Villas, L. A. (2015). Minimizing traffic jams in urban centers using vehicular ad hoc networks. In 2015 7th International Conference on New Technologies, Mobility and Security (NTMS).
Dong, P., Zheng, T., Yu, S., Zhang, H., and Yan, X. (2017). Enhancing vehicular communication using 5g-enabled smart collaborative networking. IEEE Wireless Communications, 24(6):72–79.
Doolan, R. and Muntean, G. M. (2017). EcoTrec: A Novel VANET-Based Approach to Reducing Vehicle Emissions. IEEE Transactions on Intelligent Transportation Systems, 18(3):608–620.
Galbrun, E., Pelechrinis, K., and Terzi, E. (2016). Urban navigation beyond shortest route: The case of safe paths. Information Systems, 57:160–171.
Joksch, H. (1966). The shortest route problem with constraints. Journal of Mathematical Analysis and Applications, 14(2):191 – 197.
Liu, J., Wan, J., Jia, D., Zeng, B., Li, D., Hsu, C., and Chen, H. (2017a). High-efficiency urban traffic management in context-aware computing and 5g communication. IEEE Communications Magazine, 55(1):34–40.
Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., and Alsaadi, F. E. (2017b). A survey of deep neural network architectures and their applications. Neurocomputing, 234:11 – 26.
Pan, J. ., Popa, I. S., and Borcea, C. (2017). Divert: A distributed vehicular traffic re-routing system for congestion avoidance. IEEE Transactions on Mobile Computing.
Qiu, C., Zhang, Y., Feng, Z., Zhang, P., and Cui, S. (2018). Spatio-temporal wireless traffic prediction with recurrent neural network. IEEE Wireless Communications Letters, 7(4):554–557.
Scott, D. W. (1992). Multivariate density estimation: theory, pratice and visualization. John Wiley Sons, New York, Chicester.
Taha, A. and AbuAli, N. (2018). Route planning considerations for autonomous vehicles. IEEE Communications Magazine, 56(10):78–84.
Ye, H., Liang, L., Li, G. Y., Kim, J., Lu, L., and Wu, M. (2018). Machine learning for vehicular networks: Recent advances and application examples. IEEE Vehicular Technology Magazine, 13(2):94–101.
