Lane-based short-term urban traffic parameters forecasting using multivariate artificial neural network and locally weighted regression models: A genetic approach
Notice bibliographique
Résumé
Short-term prediction of traffic conditions on urban arterials has recently become increasingly important because of its vital role in the basic traffic management functions and trip decision-making processes. Such information is useful for optimal infrastructure operation, routing, and trip scheduling. However, forecasting models offering a high accuracy at a fine temporal resolution (e.g., 1 or 5 min) and, especially, lane-based are still rare and need special attention. Given the dynamic and stochastic nature of traffic, this study proposes a genetically optimized artificial neural network (GA-ANN) and locally weighted regression (GA-LWR) multivariate models, for short-term traffic prediction using a combination of multiple traffic variables such as volume, occupancy, and speed, during peak and off-peak periods. The proposed 5-min GA-ANN and GA-LWR disaggregate multivariate models show lower average and 95th percentile (P95) errors, when compared to those reported in the literature. In particular, for peak and off-peak time prediction, the GA-ANN disaggregate multivariate models result in most of the average errors being from 2% to 5% and the 95th percentile errors being from 9% to 10%. On the other hand, for peak and off-peak time traffic prediction, the GA-LWR disaggregate multivariate models show that most of the average errors are lower than 5% and the 95th percentile errors are lower than 10%. Meanwhile, for peak and off-peak time prediction, both GA-ANN and GA-LWR disaggregates models show lower MSE of 0.11–1.84. Hence, such techniques are believed useful for developing a robust urban traffic forecasting system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».