Pedestrian Traffic Prediction using Deep Learning
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
Pedestrian traffic information offers useful insights when developing or maintaining a business.This research combines image processing and machine learning methods to predictpedestrian traffic flowrate and density for up to two days into the future, based on weatherdata, calendar data, and special events. To obtain the traffic flowrate and density, we firstdeveloped a neural network model to predict the number of new people and the total numberof people in each sequence of images captured by a Nova Scotia Webcams camera. Thesecounts of people are used to calculate the pedestrian traffic flowrate and density labels forhourly intervals. These labels are then combined with hourly weather data, calendar data,and special event data from the same period to train a recurrent neural network to predictthe traffic flowrate and density for up to two days in advance.We try two different approaches, CNN-LSTM and dual input CNN to predict the numberof new people and the total number of people from the images and compare how well eachapproach performs. The results show that the dual image input CNN models are moreeffective at predicting the number of new people and the total number of people than the CNN- LSTM models. Tested on independent test sets of images using K-fold cross-validation, theMTL CNN model achieved a test accuracy of 72% for the number of new people and 78%accuracy for the total number of people.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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