A comparative evaluation of established and contemporary deep learning traffic prediction methods
Notice bibliographique
Résumé
Traffic prediction is an essential component in intelligent transportation systems. Various methods have been developed to solve this challenging problem over the years, including time series models, regression models, and, more recently, deep learning models. This chapter provides an unbiased comparison of these methods under a variety of settings and also addresses the critical question of whether deep learning approaches can offer significant improvements over classical machine learning methods. A traffic simulation model of the Greater Toronto Area was used to generate traffic data for a stretch of highway as well as an urban region. Using these datasets, the methods were compared under five scenarios with different prediction horizons, the presence of missing data, and the presence of traffic events unseen in the training data. Experimental results showed that deep learning methods of traffic prediction, including graph convolutional neural networks, are effective for traffic prediction. Graph neural networks with shared parameters were compact, resistant to overfitting, and performed well in all of the experiments. However, ensemble methods such as random forest regression can generate more accurate predictions at the cost of higher resource consumption during training, which may become a challenge in large transportation networks. Overall, deep learning architectures should be carefully designed by restricting the input to features with known influences on the predictions, which can guide parameter learning and improve performance.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».