Classification of the Traffic Status Subcategory with ETC Gantry Data: An Improved Support Tensor Machine Approach
Notice bibliographique
Résumé
Accurate and reliable traffic state identification is the prerequisite for developing intelligent traffic programs. With the improvement of intelligent traffic control measures, the traffic state of some highways has gradually stabilized. The current research on traffic state identification needs to fully meet the highly informative intelligent traffic system and traffic state subcategory analysis. To fill the gap above, we propose an improved support tensor machine (STM) method based on self-training and multiclassification for traffic state subcategory identification (ISTM) with ETC gantry data. This paper takes the excellent application of the support vector machine (SVM) in traffic state identification as the starting point of method design and extends to the STM. The ETC gantry data are represented as a third-order tensor model. This paper utilizes the similarity among tensor samples to construct the kernel function and recognize the traffic states. We simplify STM calculation with a one-against-one model and a self-training idea. An optimal fit of the characteristics is supplied by maximizing inter-subcategory tensor block distances and minimizing intra-subcategory tensor block distances throughout a joint utilization of the STM and multiscale training theories. The experiment in this paper uses ETC gantry data from the Jingtai highway in Shandong Province, and the findings reveal that the ISTM has optimum values of 0.2578 and 0.3254 for the SumD and 0.1718 and 0.1901 for the DBI as compared to K-mean clustering and the SVM. The ISTM trains the traffic state subcategory classifiers with high accuracy and strong generalization ability.
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 | 0,001 |
| 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 ».