Laser Scanning Systems in Highway and Safety Assessment: Analysis of Highway Geometry and Safety Using LiDAR

هدف این کتاب ترویج درک اصلی مدل‌سازی صحیح تصادفات جاده‌ای با روش‌های یادگیری عمیق با استفاده از اطلاعات ترافیکی و هندسه جاده است که از داده‌های اسکن لیزری مشخص شده‌اند. دو فصل اول کتاب، خواننده را با فناوری اسکن لیزری با توضیحات خلاقانه و تصاویر گرافیکی، بررسی و روش‌های جدید استخراج پارامترهای هندسی جاده آشنا می‌کند. سه فصل بعدی تکنیک‌های مختلف یادگیری ماشین و آماری را ارائه می‌کند که برای استخراج اطلاعات هندسه جاده از داده‌های اسکن لیزری استفاده می‌شود. در فصل های 6 و 7 روش هایی برای مدل سازی ویژگی های کنار جاده و شناسایی خودکار هندسه جاده در داده های برداری ارائه شده است. پس از آن، این کتاب به بررسی روش‌های مورد استفاده برای مدل‌سازی تصادفات جاده‌ای از جمله فراوانی تصادف و شدت آسیب تصادف می‌پردازد (فصل 8). سپس، فصل بعدی به بررسی جزئیات شبکه های عصبی و عملکرد آنها در پیش بینی حوادث ترافیکی همراه با مقایسه با مدل های رایج داده کاوی می پردازد. فصل 10 یک مدل ترکیبی جدید را ارائه می‌کند که تقویت کننده گرادیان شدید و شبکه‌های عصبی عمیق را برای پیش‌بینی شدت آسیب تصادفات جاده‌ای ترکیب می‌کند. این فصل با کاربردهای یادگیری عمیق در مدل‌سازی داده‌های تصادف با استفاده از مدل‌های شبکه عصبی پیش‌خور، کانولوشنال و تکراری دنبال می‌شود (فصل 11). فصل آخر (فصل 12) روشی را برای مدل‌سازی تصادفات رانندگی با داده‌های اندک بر اساس مفهوم یادگیری انتقالی ارائه می‌کند. هدف این کتاب کمک به دانشجویان فارغ التحصیل، متخصصان، تصمیم گیرندگان و برنامه ریزان جاده در توسعه مدل های بهتر پیش بینی تصادفات ترافیکی با استفاده از شبکه های عصبی پیشرفته است.

This book aims to promote the core understanding of a proper modelling of road traffic accidents by deep learning methods using traffic information and road geometry delineated from laser scanning data. The first two chapters of the book introduce the reader to laser scanning technology with creative explanation and graphical illustrations, review and recent methods of extracting geometric road parameters. The next three chapters present different machine learning and statistical techniques applied to extract road geometry information from laser scanning data. Chapters 6 and 7 present methods for modelling roadside features and automatic road geometry identification in vector data. After that, this book goes on reviewing methods used for road traffic accident modelling including accident frequency and injury severity of the traffic accident (Chapter 8). Then, the next chapter explores the details of neural networks and their performance in predicting the traffic accidents along with a comparison with common data mining models. Chapter 10 presents a novel hybrid model combining extreme gradient boosting and deep neural networks for predicting injury severity of road traffic accidents. This chapter is followed by deep learning applications in modelling accident data using feed-forward, convolutional, recurrent neural network models (Chapter 11). The final chapter (Chapter 12) presents a procedure for modelling traffic accident with little data based on the concept of transfer learning. This book aims to help graduate students, professionals, decision makers, and road planners in developing better traffic accident prediction models using advanced neural networks.