An Implementation of the AI-based Traffic Flow Prediction in The Resilience Control Scheme
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
Today, often a reliable and dynamic sensor system is found to be necessary to control intelligent transportation systems. While these dynamical sensor systems are often found to be useful for the ordinary situations, the resilience-control-related issues are not yet fully addressed in the literature. The traffic flow is an important resource, which if found to be disturbed by a malicious threat it may cause further insecurities, e.g. if the sensor data is not accessible due to a malicious sabotage of the on-the-road sensors. Furthermore, often centers for the data gathering and prediction are suffering from data-loss because of imperfections of the data gathering itself. To overcome the resulting difficulties, a prediction engine is required to estimate the traffic flow, with the ability to compensate for the lost sensors. In this paper, a traffic flow prediction engine is proposed in which the artificial-intelligence-based methods are used to perform the optimization task. This method is implemented for the test in the real-world situation and its efficiency in traffic estimation is proved to be reliable. The Adaptive Neuro-Fuzzy Inference System (ANFIS) is trained with the particle swarm optimization (PSO) algorithm and the Artificial Neural Network model (ANN) is used to predict the flow. In addition, The Principal Components Analysis (PCA) method is adopted to reduce the dimension of the features. The results show the method's efficiency in predicting the traffic flow. This prediction engine can be practically implemented and used as a replacement for the sensors to predict the traffic flow.
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 | 0,000 | 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