Real-Time Travel Time Prediction Based on Evolving Fuzzy Participatory Learning Model
Notice bibliographique
Résumé
Urban expressways take on rapid and external transport in the city due to their fast, safe, and large capacity. Implementing intelligent and active traffic control can effectively improve the performance of urban traffic and mitigate the urban traffic congestion problem. Real-time traffic guidance is one critical way of intelligent active traffic control, and travel time is the most important input for real-time traffic guidance. We employed and improved a machine learning method called the evolving fuzzy participatory learning (ePL) model to predict the freeway travel time online in this paper. The ePL model has a promising nonlinear mapping potential, which is well suitable for the traffic prediction. We used generalized recursive least square (GRLS) to improve the estimation accuracy of the model’s parameters. This model is a fuzzy control model. Its output is the forecasting result which is also the fuzzy reasoning result. We tested this model by comparing it to other travel time prediction approaches, with the freeway data from the Caltrans Performance Measurement System. The results from the improved ePL model showed mean absolute error of 5.941 seconds, mean absolute percentage error of 1.316%, and root mean square error of 10.923 s. The performances are better than those of the baseline models including ARIMA and BPN. This model can be used to predict the travel time in the field to be used for active traffic control and traffic guidance.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».