| Título : |
Laser Scanning Systems in Highway and Safety Assessment : Analysis of Highway Geometry and Safety Using LiDAR |
| Tipo de documento: |
documento electrónico |
| Autores: |
Pradhan, Biswajeet, Autor ; Ibrahim Sameen, Maher, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2020 |
| Número de páginas: |
XV, 157 p. |
| ISBN/ISSN/DL: |
978-3-030-10374-3 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Ingeniería de Transporte Ingeniería de tráfico Gestión ambiental Sistemas de Información Geográfica Redes neuronales (Informática) teoría del sistema Tecnología del Transporte e Ingeniería de Tráfico Sistema de información Geográfica Modelos matemáticos de procesos cognitivos y redes neuronales Sistemas complejos |
| Índice Dewey: |
629.04 |
| Resumen: |
Este libro tiene como objetivo promover la comprensión básica de un modelado adecuado de los accidentes de tráfico mediante métodos de aprendizaje profundo que utilizan información del tráfico y la geometría de la carretera delineada a partir de datos de escaneo láser. Los dos primeros capítulos del libro presentan al lector la tecnología de escaneo láser con explicaciones creativas e ilustraciones gráficas, revisión y métodos recientes para extraer parámetros geométricos de carreteras. Los siguientes tres capítulos presentan diferentes técnicas estadísticas y de aprendizaje automático aplicadas para extraer información de la geometría de la carretera a partir de datos de escaneo láser. Los capítulos 6 y 7 presentan métodos para modelar características de los bordes de la carretera y la identificación automática de la geometría de la carretera en datos vectoriales. Después de eso, este libro continúa revisando los métodos utilizados para modelar accidentes de tránsito, incluida la frecuencia de los accidentes y la gravedad de las lesiones del accidente de tránsito (Capítulo 8). Luego, el siguiente capítulo explora los detalles de las redes neuronales y su desempeño en la predicción de accidentes de tránsito junto con una comparación con modelos comunes de minería de datos. El Capítulo 10 presenta un novedoso modelo híbrido que combina un aumento de gradiente extremo y redes neuronales profundas para predecir la gravedad de las lesiones en accidentes de tráfico. A este capítulo le siguen aplicaciones de aprendizaje profundo en el modelado de datos de accidentes utilizando modelos de redes neuronales recurrentes, convolucionales y de avance (Capítulo 11). El capítulo final (Capítulo 12) presenta un procedimiento para modelar accidentes de tráfico con pocos datos basado en el concepto de aprendizaje por transferencia. Este libro tiene como objetivo ayudar a estudiantes graduados, profesionales, tomadores de decisiones y planificadores de carreteras a desarrollar mejores modelos de predicción de accidentes de tráfico utilizando redes neuronales avanzadas. |
| Nota de contenido: |
Introduction to Laser Scanning Technology -- Road Geometric Modeling Using Laser-Scanning Data -- Optimizing support vector machine and ensemble trees using the Taguchi method for automatic road network extraction -- Road Geometric Modeling Using a Novel Hierarchical Approach -- Introduction to Neural Networks -- Traffic Accidents Predictions with Neural Networks: A Review -- Applications of Deep Learning in Severity Prediction of Traffic Accidents -- Accident Modelling Using Feedforward Neural Networks -- Accident Severity Prediction with Convolutional Neural Networks -- Injury Severity Prediction Using Recurrent Neural Networks -- Improving Traffic Accident Prediction Models with Transfer Learning -- A Comparative Study between Neural Networks, Support Vector Machine, and Logistic Regression for Accident Predictions -- Estimation of Accident Factor Importance in Neural Network Models. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Laser Scanning Systems in Highway and Safety Assessment : Analysis of Highway Geometry and Safety Using LiDAR [documento electrónico] / Pradhan, Biswajeet, Autor ; Ibrahim Sameen, Maher, Autor . - 1 ed. . - [s.l.] : Springer, 2020 . - XV, 157 p. ISBN : 978-3-030-10374-3 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Ingeniería de Transporte Ingeniería de tráfico Gestión ambiental Sistemas de Información Geográfica Redes neuronales (Informática) teoría del sistema Tecnología del Transporte e Ingeniería de Tráfico Sistema de información Geográfica Modelos matemáticos de procesos cognitivos y redes neuronales Sistemas complejos |
| Índice Dewey: |
629.04 |
| Resumen: |
Este libro tiene como objetivo promover la comprensión básica de un modelado adecuado de los accidentes de tráfico mediante métodos de aprendizaje profundo que utilizan información del tráfico y la geometría de la carretera delineada a partir de datos de escaneo láser. Los dos primeros capítulos del libro presentan al lector la tecnología de escaneo láser con explicaciones creativas e ilustraciones gráficas, revisión y métodos recientes para extraer parámetros geométricos de carreteras. Los siguientes tres capítulos presentan diferentes técnicas estadísticas y de aprendizaje automático aplicadas para extraer información de la geometría de la carretera a partir de datos de escaneo láser. Los capítulos 6 y 7 presentan métodos para modelar características de los bordes de la carretera y la identificación automática de la geometría de la carretera en datos vectoriales. Después de eso, este libro continúa revisando los métodos utilizados para modelar accidentes de tránsito, incluida la frecuencia de los accidentes y la gravedad de las lesiones del accidente de tránsito (Capítulo 8). Luego, el siguiente capítulo explora los detalles de las redes neuronales y su desempeño en la predicción de accidentes de tránsito junto con una comparación con modelos comunes de minería de datos. El Capítulo 10 presenta un novedoso modelo híbrido que combina un aumento de gradiente extremo y redes neuronales profundas para predecir la gravedad de las lesiones en accidentes de tráfico. A este capítulo le siguen aplicaciones de aprendizaje profundo en el modelado de datos de accidentes utilizando modelos de redes neuronales recurrentes, convolucionales y de avance (Capítulo 11). El capítulo final (Capítulo 12) presenta un procedimiento para modelar accidentes de tráfico con pocos datos basado en el concepto de aprendizaje por transferencia. Este libro tiene como objetivo ayudar a estudiantes graduados, profesionales, tomadores de decisiones y planificadores de carreteras a desarrollar mejores modelos de predicción de accidentes de tráfico utilizando redes neuronales avanzadas. |
| Nota de contenido: |
Introduction to Laser Scanning Technology -- Road Geometric Modeling Using Laser-Scanning Data -- Optimizing support vector machine and ensemble trees using the Taguchi method for automatic road network extraction -- Road Geometric Modeling Using a Novel Hierarchical Approach -- Introduction to Neural Networks -- Traffic Accidents Predictions with Neural Networks: A Review -- Applications of Deep Learning in Severity Prediction of Traffic Accidents -- Accident Modelling Using Feedforward Neural Networks -- Accident Severity Prediction with Convolutional Neural Networks -- Injury Severity Prediction Using Recurrent Neural Networks -- Improving Traffic Accident Prediction Models with Transfer Learning -- A Comparative Study between Neural Networks, Support Vector Machine, and Logistic Regression for Accident Predictions -- Estimation of Accident Factor Importance in Neural Network Models. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Laser Scanning Systems in Highway and Safety Assessment
