Land Use Change Ontology and Traffic Prediction through Recurrent Neural Networks: A Case Study in Calgary, Canada
Notice bibliographique
Résumé
Land use and transportation planning have a significant impact on the performance of cities’ traffic conditions and the quality of people’s lives. The changing characteristics of land use will affect and challenge how a city is able to manage, organize, and plan for new developments and transportation. These challenges can be better addressed with effective methods of monitoring and predicting, which can enable optimal efficiency in how a growing city like Calgary, Canada, can perform. Using ontology in land use planning is a new initiative currently being researched and explored. In this regard, ontology incorporates relationships between the various entities of land use. The aim of this study is to present Land Use Change Ontology (LUCO) with a deep neural network for traffic prediction. We present a Land Use Change Ontology (LUCO) approach, using expressions of how the semantics of land use changes relate to the integration of temporal land use information. This study examines the City of Calgary’s land use data from the years 2001, 2010, and 2015. In applying the LUCO approach to test data, experimental outcomes indicated that from 2001 to 2015 residential land use increased by 30% and open space decreased by 40%. Forecasting traffic is increasingly essential for successful traffic modelling, operations, and management. However, traditional means for predicting traffic flow have largely assumed restrictive model architectures that have not controlled for the amounts of land use change. Inspired by deep learning methods and effective data mining computing capabilities, this paper introduces the deep learning Recurrent Neural Network (RNN) to predict traffic while considering the impact of land use change. The RNN was successful in learning the features of traffic flow under various land use change situations. Experimental results indicated that, with the consideration of LUCO, the deep learning predictors had better accuracy when compared with other existing models. Success of our modeling approach indicates that cities could apply this modeling approach to make land use transportation planning more efficient.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».