Forecasting the Short-Term Traffic Flow in the Intelligent Transportation System Based on an Inertia Nonhomogenous Discrete Gray Model
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
The traffic-flow system has basic dynamic characteristics. This feature provides a theoretical basis for constructing a reasonable and effective model for the traffic-flow system. The research on short-term traffic-flow forecasting is of wide interest. Its results can be applied directly to advanced traffic information systems and traffic management, providing real-time and effective traffic information. According to the dynamic characteristics of traffic-flow data, this paper extends the mechanical properties, such as distance, acceleration, force combination, and decomposition, to the traffic-flow data vector. According to the mechanical properties of the data, this paper proposes four new models of structural parameters and component parameters, inertia nonhomogenous discrete gray models (referred to as INDGM), and analyzes the important properties of the model. This model examines the construction of the inertia nonhomogenous discrete gray model from the mechanical properties of the data, explaining the classic NDGM modeling mechanism in the meantime. Finally, this paper analyzes the traffic-flow data of Whitemud Drive in Canada and studies the relationship between the inertia model and the traffic-flow state according to the data analysis of the traffic-flow state. A simulation accuracy and prediction accuracy of up to 0.0248 and 0.0273, respectively, are obtained.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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