GAID: Genetic Adaptive Incident Detection for Freeways
Notice bibliographique
Résumé
Extensive research on point-detector-based automatic traffic-impeding incident detection indicates the potential superiority of neural networks over conventional approaches. All approaches, however, including neural networks, produce detection algorithms that are location specific—that is, neither transferable nor adaptive. A recently designed and ready-to-implement freeway incident detection algorithm based on genetically optimized probabilistic neural networks (PNN) is presented. The combined use of genetic algorithms and neural networks produces GAID, a genetic adaptive incident detection logic that uses flow and occupancy values from the upstream and downstream loop detector stations to automatically detect an incident between the said stations. As input, GAID uses modified input feature space based on the difference of the present volume and occupancy condition from the average condition for time and location. On the output side, it uses a Bayesian update process and converts isolated binary outputs into a continuous probabilistic measure—that is, updated every time step. GAID implements genetically optimized separate smoothing parameters for its input variables, which in turn increase the overall generalization accuracy of the detector algorithm. The detector was subjected to off-line tests with real incident data from a number of freeways in California. Results and further comparison with the McMaster algorithm indicate that GAID with a PNN core has a better detection rate and a lower false alarm rate than the PNN alone and the well-established McMaster algorithm. Results also indicate that the algorithm is the least location specific, and the automated genetic optimization process makes it adapt to new site conditions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».