Hybrid short-term freeway speed prediction methods based on periodic analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Short-term traffic speed forecasting is an important issue for developing Intelligent Transportation Systems applications. So far, a number of short-term speed prediction approaches have been developed. Recently, some multivariate approaches have been proposed to consider the spatial and temporal correlation of traffic data. However, as traffic data often demonstrates periodic patterns, the existing methodologies often fail to take into account spatial and temporal information as well as the periodic features of traffic data simultaneously in the multi-step prediction. This paper comprehensively evaluated the multi-step prediction performance of space time (ST) model, vector autoregression (VAR), and autoregressive integrated moving average (ARIMA) models using the 5 minute freeway speed data collected from five loop detectors located on an eastbound segment of Interstate 394 freeway, in Minnesota. To further consider the cyclical characteristics of freeway speed data, hybrid prediction approaches were proposed to decompose speed into two different components: a periodic trend and a residual part. A trigonometric regression function is introduced to capture the periodic component and the residual part is modeled by the ST, VAR, and ARIMA models. The prediction results suggest that for multi-step freeway speed prediction, as the time step increases, the ST model demonstrates advantages over the VAR and ARIMA models. Comparisons among the ST, VAR, ARIMA, and hybrid models demonstrated that modeling the periodicity and the residual part separately can better interpret the underlining structure of the speed data. The proposed hybrid prediction approach can accommodate the periodic trends and provide more accurate prediction results when the forecasting horizon is greater than 30 min.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle