|
Teknologi sekarang ini telah
mengembangkan untuk mendeteksi kemacetan lalu lintas di setiap jalur, bekerja
dengan asumsi bahwa mobil yang terhubung akan semakin banyak
digunakan. Teknologi ini mendeteksi kemacetan di setiap lajur dari
berbagai informasi kendaraan (kecepatan kendaraan, data lokasi, dll.) dan data
video yang dikumpulkan dari mobil-mobil yang terhubung melewati
kemacetan. Ini mendeteksi kemacetan lalu lintas yang melibatkan kendaraan
yang mesinnya dimatikan, sehingga teknologinya dapat digunakan sebelum mobil
yang terhubung tersebar luas. Tujuan kami adalah agar data yang diambil
dapat digunakan dalam aplikasi mengemudi berbantuan dan mengemudi otomatis,
sehingga meningkatkan bidang transportasi dan mengoptimalkan arus lalu lintas. Latar Belakang / Masalah Dalam beberapa tahun terakhir,
peningkatan akurasi peta dengan tujuan meningkatkan mengemudi dan navigasi
otomatis, serta mengembangkan peta dinamis yang memanfaatkan berbagai jenis
data secara bersamaan, termasuk data kontrol lalu lintas, data kemacetan jalan,
dan informasi sinyal telah dikerjakan. Untuk mengimplementasikan teknologi
tersebut, kami berupaya mendeteksi kemacetan lalu lintas di setiap jalur di
tempat parkir komersial, di pintu masuk drive-through, di jalur belokan di
lampu lalu lintas, dan di area parkir di jalan di sekitar tempat
wisata. Harapan kami adalah ini akan memungkinkan kami untuk memberikan
solusi navigasi yang mendukung pengemudi dengan lebih baik, berkontribusi pada
optimalisasi arus lalu lintas. Tantangannya adalah kemacetan lalu lintas di
setiap lajur dapat terjadi di berbagai lokasi dan waktu yang berbeda, dan
karena terkadang termasuk kendaraan yang informasi lokasinya tidak dapat
dikumpulkan karena mesinnya mati, seperti halnya parkir di badan jalan, metode
konvensional mendeteksi kemacetan lalu lintas, yang mengandalkan rekaman dari
kamera tetap dan informasi lokasi dari setiap kendaraan yang terlibat, tidak
dapat mendeteksinya. Keuntungan dari
teknologi ini Kemacetan lalu lintas di setiap jalur
dapat dideteksi menggunakan rekaman dari kamera yang terpasang di kendaraan dan
berbagai informasi kendaraan seperti kecepatan dan lokasi kendaraan. Mengidentifikasi lokasi kepala dan ekor
setiap kemacetan lalu lintas. Gunakan Adegan Rekaman yang diambil di sekitar kepala
kemacetan lalu lintas dan informasi lokasi mobil dapat digunakan untuk
menyimpulkan sejumlah penyebab kemacetan yang berbeda. Mobil di belakang
kemudian dapat diberi tahu, memungkinkan pengemudi lain untuk memutuskan apakah
akan bergabung atau menyalip. Informasi dapat dikomunikasikan secara
selektif berdasarkan apakah pengemudi lokal di daerah tersebut dan mengetahui
lingkungan sekitar dengan baik, atau baru pertama kali mengunjungi daerah
tersebut. Ini meningkatkan keramahan pengguna dan mengurangi biaya komunikasi.
 Saat ini, Internet adalah alat yang sangat diperlukan bagi miliaran orang karena memungkinkan mereka mengatasi banyak hambatan komunikasi (ruang, waktu, jarak), serta membantu mereka menyederhanakan banyak aktivitas sehari-hari. Namun, ini tidak selalu terjadi. Dalam 50 tahun terakhir, evolusi Internet belum pernah terjadi sebelumnya karena berevolusi dari jaringan penelitian kecil, yang terdiri dari sejumlah kecil node, menjadi jaringan global besar yang memasok layanan di seluruh dunia . Ini terus tumbuh dengan kecepatan yang luar biasa, berkembang ke area lain, perangkat, dan konteks kehidupan sehari-hari, karena kemajuan dan integrasi Sistem Mikro-Elektro-Mekanis (MEMS) dan teknologi komunikasi nirkabel. Kemajuan penting ini telah mengarah pada pengembangan perangkat yang semakin kecil dengan kemampuan pemantauan, komputasi, dan komunikasi nirkabel, yang semuanya berkontribusi pada Internet of Things (IoT) . Disiplin komputasi di mana-mana yang relatif baru, yang bertujuan untuk mengintegrasikan teknologi ke dalam aktivitas atau hal-hal yang digunakan dalam kehidupan sehari-hari, atau untuk memantau perilaku dunia di sekitar kita, pertama kali dipahami pada akhir 1980-an. Mengingat preseden Internet dan komputasi di mana-mana, IoT mengacu pada integrasi perangkat dengan kemampuan pemantauan, aktuasi, komputasi, dan komunikasi ke dalam aktivitas sehari-hari, menggunakan perangkat yang dapat mengidentifikasi perilaku di dunia fisik dan menggunakan infrastruktur, alat, dan ruang dunia maya. layanan untuk membuat keputusan . Pada tahun 2020, diperkirakan akan ada lebih dari 20 miliar perangkat yang terlibat dalam Internet of Things, sebagian besar karena perluasan infrastruktur telekomunikasi dunia, angka 30% lebih tinggi dari item/perangkat yang ada saat ini . Dengan pertumbuhan infrastruktur Internet, seiring dengan peningkatan pertumbuhan pengguna dan perangkat IoT yang lebih terintegrasi, diperkirakan antara tahun 2005 dan 2020, volume data di seluruh dunia akan tumbuh dari 130 exabyte menjadi 40.000 exabyte. Mempertimbangkan tantangan yang ditimbulkan oleh meningkatnya volume data di seluruh dunia, istilah "data besar" diciptakan, yang tidak hanya memecahkan paradigma menyimpan data dalam jumlah besar, yang dipandang sebagai minyak baru abad ke-21, tetapi juga mempertimbangkan pemrosesan skema, menggunakan teknologi dan teknik untuk mengekstraksi informasi yang berharga dan relevan . IoT dan big data telah diidentifikasi sebagai dua teknologi penting yang muncul di bidang TI seperti yang ditunjukkan dalam Siklus Hype Gartner TI, ditunjukkan pada Gambar 1 . A Hype Cycle, adalah studi yang dapat mewakili kebaruan, adaptasi, kematangan, dan dampak dari aplikasi teknologi tertentu. Menurut studi tentang teknologi baru . IoT dan teknologi big data akan menjadi teknologi yang secara konvensional tertanam di banyak produk sehari-hari dalam lima hingga sepuluh tahun ke depan.  Gambar 1. Big data dan IoT direpresentasikan dengan kurva hype
cycle (sumber: dijabarkan oleh penulis, berdasarkan Meskipun adopsi teknologi data besar dalam
skala besar akan memakan waktu 5 hingga 10 tahun lagi, waktu ini dapat
dikurangi secara signifikan jika tantangan data besar dapat diselesaikan dengan
cepat. Kompleksitas integrasi data, penanganan data real-time, arsitektur
gudang data yang ada, keamanan data dan privasi merupakan beberapa tantangan
utama yang membatasi adopsi teknologi data besar. Sebagai tanggapan, beberapa
peneliti telah mengusulkan pendekatan dan strategi baru berdasarkan pemetaan
skema, hubungan catatan dan fusi data, untuk mengurangi kompleksitas integrasi
data . Selain itu, beberapa investigasi telah mengusulkan arsitektur baru
untuk memproses atau menganalisis data dalam aplikasi data besar waktu nyata. Penelitian
di sepanjang garis ini penting karena teknologi gudang data yang ada saat ini
tidak dapat menangani permintaan tambahan dari sumber data dinamis baru dan
beban kerja analitik yang sebenarnya diminta oleh pengguna. Untuk alasan
ini, alat saat ini sedang dikembangkan untuk membantu infrastruktur yang ada
bermigrasi ke skema data besar yang baru. Mengenai tantangan privasi dan
keamanan data, beberapa penulis telah membahas topik ini dan telah menerapkan
skema dan kebijakan untuk mengenkripsi dan melindungi kerahasiaan sumber data .
Yang penting, mengusulkan pendekatan baru yang memastikan privasi dengan
mempertahankan perhitungan terpusat dari objek bergerak. Selain itu,
pendekatan Liebig memanfaatkan kriptografi asimetris menggunakan dua kunci yang
berhubungan dengan rahasia Shamir. Pendekatan kriptografi ini menjamin
keamanan data dan menjaga privasi sumber data. Di sisi lain, IoT saat ini menjadi objek
penelitian yang signifikan karena akan diimplementasikan dalam skala besar
dalam dekade mendatang. Saat ini, beberapa investigasi telah mengembangkan
aplikasi IoT untuk bencana alam. industri umum dan khusus rumah pintar , kedokteran
, pertanian, tata kota dan kota cerdas , dan desain Intelligent Transport
Systems (ITS) , . Di bidang ITS dan kota pintar, memungkinkan kendaraan
untuk saling terhubung, membentuk jaringan ad-hoc kendaraan (VANET), memiliki
aplikasi yang sangat besar terkait dengan keselamatan, konektivitas internet,
hiburan, transfer file dan yang terpenting, deteksi dan pencegahan bahaya atau
masalah. kondisi lalu lintas . Meskipun VANET memiliki beberapa aplikasi,
skalabilitas dan agregasi data merupakan dua tantangan utama mereka. Jumlah
node seluler mereka yang besar membuat permintaan lokasi dan pembaruan pesan
dalam jumlah besar, yang sering menyebabkan kemacetan jaringan. Selain
itu, volume data yang besar yang dibagikan oleh setiap node dengan yang lain
menyebabkan penurunan throughput yang signifikan karena jaringan menambahkan
node baru, sehingga memengaruhi kinerja jaringan . Para penulis setuju bahwa
end-to-end throughput yang tersedia untuk setiap node cenderung nol seiring
pertumbuhan VANET, terlepas dari protokol routing. Dalam Saleet menegaskan
bahwa data dari beberapa node dapat digabungkan menggunakan teknik agregasi
data untuk memastikan skalabilitas protokol, bahkan jika jumlah node meningkat
secara signifikan. Yang penting, meskipun agregasi data sering digunakan
dalam aplikasi Jaringan Sensor Nirkabel statis agregasi data semakin banyak
diterapkan pada VANET Teknik agregasi data dapat diklasifikasikan sebagai
sintaksis atau semantik Dalam pendekatan agregasi sintaksis, data kendaraan
dari beberapa node dikompres menjadi satu paket untuk mengurangi overhead. Dalam
agregasi semantik, data dari setiap node dirangkum untuk melaporkan lokasi grup
kendaraan, meneruskan paket data yang lebih kecil, meskipun dengan sedikit
kehilangan akurasi. Karena kemacetan lalu lintas merupakan salah
satu masalah terpenting di lingkungan perkotaan, beberapa penelitian telah
mengusulkan solusi yang memungkinkan melalui VANET dan ITS. Sistem
AUTOPIA, misalnya, mengusulkan pengurangan lalu lintas dengan menerapkan
algoritma kontrol berdasarkan Fuzzy, yang mempertimbangkan informasi setiap
kendaraan melalui komunikasi kendaraan-ke-infrastruktur (V2I) . Penulis
mengusulkan untuk membantu memecahkan masalah kemacetan lalu lintas dengan
mengatur lampu lalu lintas, dengan mengubah frekuensi dan waktu pergantian
lampu lalu lintas berdasarkan jumlah kendaraan di setiap jalan. Kamera
video digunakan untuk mendeteksi kendaraan dan menghitungnya sebuah algoritme
kemudian mendeteksi arus lalu lintas waktu nyata dan kemungkinan kemacetan lalu
lintas. Pekerjaan lain yang dilakukan di membahas masalah lalu lintas
kendaraan melalui informasi berbasis prediksi dari jaringan seluler,
mengusulkan model untuk mengkorelasikan informasi jaringan secara statistik
dengan insiden atau peristiwa lalu lintas kendaraan. Pada penulis
mengusulkan penggunaan EPC (Electronic Product Code) yang unik untuk
mengidentifikasi kendaraan menggunakan pembaca RFID (Radio Frequency
Identification) untuk membaca kode EPC. Kedua, mereka memperoleh posisi
kendaraan dengan menggunakan teknologi GPS dan kemudian menggunakan teknologi
GPRS untuk mengirimkan data objek seluler untuk memberikan hitungan kendaraan
untuk mendeteksi kemacetan. Yang penting, pekerjaan signifikan yang
diusulkan dalam menyediakan alat untuk mengekstrak informasi dari jejaring
sosial, khususnya Twitter, terkait kemacetan lalu lintas di area tertentu. Kompilasi
“tweet” kemudian diproses oleh algoritma untuk menentukan apakah area tertentu
padat atau tidak. Menjelajahi cara berbeda untuk mendeteksi lalu lintas
kendaraan, makalah ini mempromosikan penggunaan komunikasi
kendaraan-ke-kendaraan (V2V), kendaraan ke infrastruktur dan
infrastruktur-ke-infrastruktur (I2I) untuk memungkinkan kendaraan berbagi
posisi, kecepatan, jalur, dan perjalanan mereka waktu. Dengan data
tersebut, klaster big data dapat mengidentifikasi peristiwa kemacetan lalu
lintas dan menginformasikan kepada pengemudi sehingga mereka dapat mengambil
keputusan secara real-time untuk menghindari kemacetan lalu lintas. Yang
penting, klaster data besar menghasilkan metrik yang dapat mengarah pada
kebijakan publik bagi kota untuk meningkatkan kualitas hidup penduduknya dari
lingkungan, sumber: |