Prevenção de Colisões baseada em Aprendizado de Máquina e Comunicação para Redes Veiculares
Resumo
A segurança viária pode ser aprimorada com a integração de comunicação V2X e técnicas de Aprendizado de Máquina. Este trabalho propõe um sistema para previsão e classificação de risco de colisões veiculares com base em dados de mobilidade obtidos de simulações realistas no cenário urbano de Cologne. Foram avaliados modelos tradicionais (KNN, Decision Tree e Random Forest) em tarefas de regressão e classificação, considerando horizontes de previsão de até 5 segundos. Os resultados indicam elevado desempenho preditivo, com acurácia superior a 97% na classificação de risco e altos valores de R2 nas previsões de curto prazo, demonstrando a capacidade dos modelos em capturar padrões da dinâmica veicular. O Random Forest apresentou maior robustez entre os horizontes analisados, enquanto o KNN se destacou em previsões imediatas. Adicionalmente, a análise da comunicação V2X revelou baixa latência e alta taxa de entrega de mensagens, reforçando a viabilidade do sistema em ambiente simulado. Conclui-se que modelos de menor complexidade podem alcançar desempenho elevado na antecipação de colisões, contribuindo para o desenvolvimento de soluções eficientes e escaláveis para segurança veicular.
Referências
Alnuaimi, A. F. and Albaldawi, T. H. (2024). An overview of machine learning classification techniques. In BIO Web of Conferences, volume 97, page 00133. EDP Sciences.
Chicco, D., Warrens, M. J., and Jurman, G. (2021). The coefficient of determination r-squared is more informative than smape, mae, mape, mse and rmse in regression analysis evaluation. Peerj computer science, 7:e623.
Comi, A., Hriekova, O., and Nigro, M. (2024). Exploring road safety in the era of micro-mobility: evidence from rome. Transportation research procedia, 78:55–62.
Gnoatto, R. and Franzen, E. (2023). Análise do desempenho de hiperparâmetros de aprendizagem de máquina aplicados na previsão da taxa de rotatividade de clientes. Revista Destaques Acadêmicos, 15(4).
Kumar, V. P., Chenchireddy, K., and Manohar, V. (2025). Smart road safety and vehicle accident prevention system for mountain roads. CVR Journal of Science and Technology, 27(1):80–84.
Parvini, M., Schulz, P., and Fettweis, G. (2024). Resource allocation in v2x networks: From classical optimization to machine learning-based solutions. IEEE Open Journal of the Communications Society.
Pipicelli, M., Gimelli, A., Sessa, B., De Nola, F., Toscano, G., and Di Blasio, G. (2024). Architecture and potential of connected and autonomous vehicles. Vehicles, 6(1):275–304.
Radi, W., Samir, R., El-Badawy, H., and Serag, E. (2024). Decentralized vehicle-to-vehicle (v2v) intelligent and sustainable communications for improving traffic safety. Journal of Communication Sciences and Information Technology, 3(1):9–18.
Ribeiro, B., Nicolau, M. J., and Santos, A. (2023). Using machine learning on v2x communications data for vru collision prediction. Sensors, 23(3):1260.
Souza, J. R. F., Oliveira, S. Z. L. N., and Oliveira, H. (2024). The impact of federated learning on urban computing. Journal of Internet Services and Applications, 15(1):380–409.
Veluchamy, S., Mahesh, K. M., Sheeba, P. T., et al. (2023). Deepdrive: A braking decision making approach using optimized gan and deep cnn for advanced driver assistance systems. Engineering Applications of Artificial Intelligence, 123:106111.
Xiang, H., Zheng, Z., Xia, X., Xu, R., Gao, L., Zhou, Z., Han, X., Ji, X., Li, M., Meng, Z., et al. (2024). V2x-real: a largs-scale dataset for vehicle-to-everything cooperative perception. In European Conference on Computer Vision, pages 455–470. Springer.
Zeng, T., Ferdowsi, A., Semiari, O., Saad, W., and Hong, C. S. (2024). Convergence of communications, control, and machine learning for secure and autonomous vehicle navigation. IEEE Wireless Communications, 31(4):132–138.
