Generating Synthetic Vehicle Speed Records Using LSTM
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F23%3A00011353" target="_blank" >RIV/46747885:24220/23:00011353 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-34111-3_12" target="_blank" >https://doi.org/10.1007/978-3-031-34111-3_12</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-34111-3_12" target="_blank" >10.1007/978-3-031-34111-3_12</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Generating Synthetic Vehicle Speed Records Using LSTM
Popis výsledku v původním jazyce
Quality assurance testing of automotive electronic components such as navigation or infotainment displays requires data from genuine car rides. However, traditional static on-site testing methods are time-consuming and costly. To address this issue, we present a novel approach to generating synthetic ride data using Bidirectional LSTM, which offers a faster, more flexible, and environmentally friendly testing process. In this paper, we demonstrate the effectiveness of our approach by generating synthetic vehicle speed along a given route and evaluating the fidelity of the generated output using objective and subjective methods. Our results show that our approach achieves high levels of fidelity and offers a promising solution for quality assurance testing in the automotive industry. This work contributes to the growing research on generative machine learning models and their potential applications in the automotive industry.
Název v anglickém jazyce
Generating Synthetic Vehicle Speed Records Using LSTM
Popis výsledku anglicky
Quality assurance testing of automotive electronic components such as navigation or infotainment displays requires data from genuine car rides. However, traditional static on-site testing methods are time-consuming and costly. To address this issue, we present a novel approach to generating synthetic ride data using Bidirectional LSTM, which offers a faster, more flexible, and environmentally friendly testing process. In this paper, we demonstrate the effectiveness of our approach by generating synthetic vehicle speed along a given route and evaluating the fidelity of the generated output using objective and subjective methods. Our results show that our approach achieves high levels of fidelity and offers a promising solution for quality assurance testing in the automotive industry. This work contributes to the growing research on generative machine learning models and their potential applications in the automotive industry.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/CK01000020" target="_blank" >CK01000020: Vývoj generátoru tras GNSS a signálu CANBUS pomocí strojového učení s využitím Software Defined Radio</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IFIP Advances in Information and Communication Technology
ISBN
978-3-031-34110-6
ISSN
18684238
e-ISSN
—
Počet stran výsledku
12
Strana od-do
125-136
Název nakladatele
Springer Nature Switzerland
Místo vydání
—
Místo konání akce
León
Datum konání akce
1. 1. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—