A hybrid method for short-term freeway travel time prediction based on wavelet neural network and Markov chain
Notice bibliographique
Résumé
Short-term travel time prediction is an essential input to intelligent transportation systems. Timely and accurate traffic forecasting is necessary for advanced traffic management systems and advanced traveler information systems. Despite several short-term travel time prediction approaches have been proposed in the past decade, especially for hybrid models that consist of machine learning models and statistical models, few studies focus on the over-fitting problem brought by hybrid models. The over-fitting problem deteriorates the prediction accuracy especially during peak hours. This paper proposes a hybrid model that embraces wavelet neural network (WNN), Markov chain (MAR), and the volatility (VOA) model for short-term travel time prediction in a freeway system. The purpose of this paper is to provide deeper insights into underlining dynamic traffic patterns and to improve the prediction accuracy and robustness. The method takes periodical analysis, error correction, and noise extraction into consideration and improve the forecasting performance in peak hours. The proposed methodology predicts travel time by decomposing travel time data into three components: a periodic trend presented by a modified WNN, a residual part modeled by Markov chain, and the volatility part estimated by the modified generalized autoregressive conditional heteroscedasticity model. Forecasting performance is investigated with freeway travel time data from Houston, Texas and examined by three measures: mean absolute error, mean absolute percentage error, and root mean square error. The results show that the travel times predicted by the WNN-MAR-VOA method are robust and accurate. Meanwhile, the proposed method is able to capture the underlying periodic characteristics and volatility nature of travel time data.
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 | 0,000 | 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 | 0,000 | 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 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 ».