Travel Time Probability Prediction Based on Constrained LSTM Quantile Regression
Notice bibliographique
Résumé
Travel time reliability assessment has been widely used in recent years to evaluate the performance of transportation networks and measure the operation level of transportation systems. Weather, as one of the important factors influencing travel time reliability, affects the relationship between the supply and requirement of urban road networks. Considering the traffic characteristics under different traffic conditions, a study on the influence of weather on travel time reliability under different conditions is proposed to predict the probability of travelers completing their trips within the expected time under different weather conditions. Based on the urban road network data and cab trajectory data of Harbin city, this paper correlates the floating vehicle location with the road network information through a hidden Markov model to reduce the influence of vehicle trajectory errors on the calculation results of path travel time. To analyze the entire distribution of extreme travel time and its impact on the reliability of travel time under various traffic situations, it captures the tail features of the travel time distribution based on extreme value theory. Then, to increase the predictability of each quantile, it combines a deep-learning LSTM model and a quantile regression model to create a probabilistic travel time prediction model utilizing combined layers. The proposed model is compared with the linear quantile regression and neural network quantile regression models, and the model is evaluated in terms of point prediction results and probabilistic prediction results, respectively, to ensure the accuracy of predictions from the model. As a result, the prediction accuracy of the model in this paper is greatly improved, and the degree of violating quantile constraints is greatly reduced.
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 ».