Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

TRAFFIC ACCIDENT RISK CLASSIFICATION USING NEURAL NETWORKS

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21260%2F21%3A00353998" target="_blank" >RIV/68407700:21260/21:00353998 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.14311/nnw.2021.31.019" target="_blank" >https://doi.org/10.14311/nnw.2021.31.019</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.14311/nnw.2021.31.019" target="_blank" >10.14311/nnw.2021.31.019</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    TRAFFIC ACCIDENT RISK CLASSIFICATION USING NEURAL NETWORKS

  • Popis výsledku v původním jazyce

    The article deals with the current issue of traffic accident risk classification in urban area. In connection with the increase in traffic in the Czech Republic, a higher probability of risks of traffic excesses can be expected in the future. If there is a traffic excess in the city, the aim is to propose a meaningful traffic management solution to minimize the social losses. The main needs are the early identification and classification of the cause of the traffic excess, finding a suitable alternative solution, quick application of that solution, and the rapid ability to resume operations in the area of congestion. Traffic prediction is one of the tools for the early identification of traffic excess. The article describes extensive research focused on the classification and prediction of the output variable of accident risk based on own programmed neural networks. The research outputs will be subsequently used for the creation of a traffic application for a selected urban area in the Czech Republic

  • Název v anglickém jazyce

    TRAFFIC ACCIDENT RISK CLASSIFICATION USING NEURAL NETWORKS

  • Popis výsledku anglicky

    The article deals with the current issue of traffic accident risk classification in urban area. In connection with the increase in traffic in the Czech Republic, a higher probability of risks of traffic excesses can be expected in the future. If there is a traffic excess in the city, the aim is to propose a meaningful traffic management solution to minimize the social losses. The main needs are the early identification and classification of the cause of the traffic excess, finding a suitable alternative solution, quick application of that solution, and the rapid ability to resume operations in the area of congestion. Traffic prediction is one of the tools for the early identification of traffic excess. The article describes extensive research focused on the classification and prediction of the output variable of accident risk based on own programmed neural networks. The research outputs will be subsequently used for the creation of a traffic application for a selected urban area in the Czech Republic

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    21100 - Other engineering and technologies

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/TJ01000183" target="_blank" >TJ01000183: Predikce dopravních excesů využívající neuronové sítě</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Neural Network World

  • ISSN

    1210-0552

  • e-ISSN

    2336-4335

  • Svazek periodika

    31

  • Číslo periodika v rámci svazku

    05/21

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    11

  • Strana od-do

    343-353

  • Kód UT WoS článku

    000739166400003

  • EID výsledku v databázi Scopus

    2-s2.0-85123348014