Travel Time Prediction Using Hybridized Deep Feature Space and Machine Learning Based Heterogeneous Ensemble
Notice bibliographique
Résumé
Travel Time Prediction (TTP) has become an essential service that people use in daily commutes. With the precise TTP, individuals, logistic companies, and transport authorities can better manage their activities and operations. This paper presents a novel Hybridized Deep Feature Space (HDFS) based TTP ensemble model (HDFS-TTP) for accurate travel time prediction. In the first step, extensive endogenous and exogenous data sources are augmented with traffic data obtained using sensors. Next, we used Principal Component Analysis (PCA) and Deep Stacked Auto-Encoder (DSAE) for feature reduction. We generated feature spaces of deep learning models, namely Convolutional Neural Network (CNN), Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), and fed them to a model based on Support Vector Regressor (SVR) for predicting travel times. Two best-performing models are selected, and their feature spaces are hybridized to boost feature space. On this boosted feature space, we employed SVR for final prediction. Our proposed HDFS-TTP ensemble can learn complex non-linearities in traffic data with the varying architectural design. The performance of our proposed HDFS-TTP ensemble using hybridized and boosted feature spaces showed significant improvement in test data in terms of Root Mean Square Error (62.27 ± 1.58), Mean Absolute Error (13.38 ± 1.09), Maximum Absolute Error (104.66 ± 2.77), Mean Absolute Percentage Error (2.50 ± 0.03), and Coefficient of determination (0.99714 ± 0.00044).
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 ».