English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Several urban factors can impact in a route planning decision, such as travel time, fuel consumption, scenery, and even public safety. Moreover, many of these factors have a space-time correlation, i.e., their dynamics may vary according to day and time for different regions. However, current literature solutions do not consider this future urban dynamics during route planning task, which potentially degrades system efficiency. However, advances in edge computing coupled with deep learning techniques can provide robust and accurate future knowledge, thereby enabling more efficient decision making. Thus, this paper presents VTq a route planning system that is able to predict future dynamics of urban factors and consider such dynamics during route planning to plan a more reliable and efficient route. The results have shown that VTq is able to make predictions with an average error of 0.001 and also improve the route planning efficiency by at least 50% for most users when compared to state-of-the-art solutions. Resumo. Muitos fatores podem impactar em uma decisão de planejamento de rota, como tempo de viagem, consumo de combustível, cenário, e até mesmo segurança. Além disso, muitos desses fatores possuem um correlação espaço-temporal, ou seja, suas dinâmicas podem variar de acordo com dia e hora para diferentes regiões. Contudo, as soluções da literatura não consideram a dinâmica urbana futura no planejamento de rotas, o que potencialmente degrada a eficiência do sistema. Entretanto, os avanços da computação de borda juntamente com as técnicas de deep learning podem fornecer um conhecimento futuro robusto e preciso, assim, permitindo tomadas de decisões mais eficientes. Sendo assim, esse trabalho apresenta VTq um sistema para planejamento de rota que é capaz de predizer a dinâmica futura dos fatores urbanos e considerar tal dinâmica durante o planejamento de rota para planejar rotas mais seguras e eficientes. Os resultados mostraram que o VTq é capaz de realizar predições com um MSE de 0.001 e melhorar a eficiência do planejamento de rota em pelo menos 50% para a maioria dos usuários quando comparado com soluções do estado da arte da literatura.

Vem Tranquilo: Rotas Eficientes baseado na Dinâmica Urbana Futura com Deep Learning e Computação de Borda