Exploring Prediction Strategies in Vehicular Networks through Machine Learning and Hybrid Intelligence
Exploring prediction strategies in vehicular networks through machine learning techniques and hybrid intelligence
Résumé
Accidents on the road are one of the serious problems that face countries around the world. The damage that they cause ranges from severe injuries, considerable economic losses to death, to individuals, their families, and to nations as a whole. According to some statistics, 1.3 million people die each year as a result of road traffic crashes across the globe, which means that almost in every 25 second a person loses his life. Although alarming, they are expected to grow by 65% and will become the fifth greatest cause of fatalities in the decade to come. It is pointed out by some statistics that human errors are the main cause of road crashes. And if drivers are warned in half second (0.5 second) on time and are aware of accident prone area, 60% of these road accidents can be prevented. In this context and to overcome this situation, a particular type of networks known as Vehicular Adhoc NETworks(VANETs) has emerged. The primary goal of these networks is to diminish the rate of crashes on road and also provide comfort to passengers. In VANETs, vehicles communicate with each otherand also with infrastructure along the road known as RoadSide Unit (RSU). In these communication scenarios, different kinds of data are exchanged among participating nodes which ranges from road safety messages, traffic management to infotainment. Based on the alarming situation presented above,safety applications are becoming one of the focuses of major players in this field from automobile manufacturer industries to government organization as well as researchers, nowadays.In this thesis, we particularly focus on the level of safety applications which are designed to provide assistance to drivers in dangerous situations and to avoid accidents. We fist present an overview of different features and characteristics of Vehicular Ad-hoc NETworks (VANETs). We then present the most promising and important projects undertaken worldwide on VANETs. we also dress and present the standardization activities status around the globe. In addition to that, we review the state of the art and then we describe and present prediction of vehicle positioning and predicting transmission success using machine-learning (ML) in VANETs. Moreover, we study road-accident forecasting using ML schemes in VANETs. We adopt a model in which we present a prediction model that combines two approaches. The proposed hybrid approach incorporates the advantages of both generative (GMM) and discriminant (SVC) models. Compared to the baseline statistical model (GMM), our model performed up to 24% in terms of the accuracy. We finally propose a broader content matching modelof trusted strings and blockchain based filtering for connected vehicles, where a content and subject headings are first matched and then the outcome of that is consolidated by a distributed blockchain consensus voting mechanism for any decision taken with respect to trust evaluation.
Les accidents de la route sont l’un des problèmes majeurs auxquels sont confrontés les pays dumonde entier. Les dommages qu’ils causent vont des blessures graves, des pertes économiques considérables , à la mort, aux individus, à leurs familles et aux nations dans leur ensemble. Selon certaines statistiques, 1,3 million de personnes meurent chaque année des suites d’accidents de la route dans le monde, ce qui signifie que presque toutes les 25 secondes, une personne perd la vie. Bien qu’alarmants, ils devraient augmenter de 65 % et deviendront la cinquième cause de décès dans la décennie à venir. Il ressort de certaines statistiques que les erreurs humaines sont la principale cause des accidents de la route. Et si les conducteurs sont avertis en une demi-seconde (0,5 seconde) à temps et sont conscients des zones sujettes aux accidents, 60% de ces accidents de la route peuvent être évités. Dans ce contexte et pour pallier cette situation, un type particulier de réseaux appel es Vehicular Adhoc NETworks (VANETs) a vu le jour. L’objectif principal de ces réseaux est de diminuer le taux d’accidents sur la route et également d’assurer le confort des passagers. Dans les VANET, lesvéhicules communiquent entre eux et également avec l’infrastructure se trouvant le long de la route appelée RoadSide Unit (RSU). Dans ces scenarios de communication, différents types de données sont échangées entre les nœuds participants, allant des messages de sécurité routière à la gestion du trafic en passant par l’infodivertissement. Sur la base de la situation alarmante présentée ci-dessus, les applications de sécurité deviennent l’un des centres d’intérêt des acteurs majeurs dans ce domaine, des industries des constructeurs automobiles aux organisations gouvernementales en passant par les chercheurs, de nos jours.Dans cette thèse, nous nous intéressons particulièrement au niveau des applications de sécurité qui sont conçues pour fournir une assistance aux conducteurs dans des situations dangereuses et pour éviter les accidents. Nous présentons d’abord un aperçu des différentes fonctionnalités et caractéristiques des réseaux ad hoc véhiculaires (VANET). Nous présentons ensuite les projets les plus prometteurs et les plus importants entrepris dans le monde sur les VANET. Nous présentons également l’état des activités de normalisation dans le monde entier. En plus de cela, nous passons en revue l’état de l’art. Ensuite, nous décrivons et présentons la prédiction du positionnement du véhicule et la prédiction du succès de la transmission `a l’aide des algorithmes d’apprentissage automatique (ML) dans les VANETs. De plus, nous étudions la prévision des accidents de la route à l’aide de ML dans les VANETs. Nous adoptons un modèle dans lequel nous présentons un modèle de prédiction qui combine deux approches. L’approche hybride proposée intègre les avantages des modèles génératifs (GMM) et discriminants (SVC). Par rapport au modèle statistique de base (GMM), notre modèle a obtenu jusqu’a 24% de précision. Nous proposons enfin un modèle de correspondance de contenu plus large de chaînes de confiance et de filtrage basé sur la blockchain pour les véhicules connectés, où un contenu et des en-têtes de sujet sont d’abord mis en correspondance, puis le résultat est consolidé par un mécanisme de votepar consensus de blockchain distribué pour toute décision prise concernant l’évaluation de la confiance.
Domaines
Machine Learning [stat.ML]Origine | Version validée par le jury (STAR) |
---|