Vehicle Traffic Estimation 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
For commuters, vehicular traffic is an important planning concern. People have access to the weather forecast and the current traffic situation, but there is no application available to estimate traffic congestion and flow in the near future. Thus, we design and develop a machine learning approach which can predict vehicular traffic density and flowrate up to two days in the future based on the weather, calendar and special events data.First, Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM) networks are utilized to predict the number of new vehicles and the total number of vehicles in images captured by a Nova Scotia Webcams (NS Webcams) video camera. The best models provide a Mean Absolute Percentage Error (MAPE) of 20.38% for the number of new vehicles and 18.56% for the total number of vehicles. These values are used to estimate traffic flowrate and density for hourly records over a three-month period.The hourly traffic data is combined with observed and forecasted weather data, and special event data to create a time series data. A Multiple Task Learning (MTL) - LSTM model is trained and tested using these data and a K-fold cross-validation approach. The Mean Absolute Error (MAE) and MAPE are used to evaluate the model performance. The MTL-LSTM model achieves a MAPE of 19.35% and 27.50% for flowrate and density using observed weather data, respectively. In the case of forecasted weather data, the MAPE for flowrate and density increases to 20.51% and 31.10%, respectively.
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 | 0,001 | 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