Efficient implementation of a wavelet neural network model for short-term traffic flow prediction: Sensitivity analysis
Notice bibliographique
Résumé
The concept of a smart city has emerged to address significant challenges arising from rapid urbanization, economic growth, and climate change. Innovative technology solutions can be used as a means to promote sustainable and inclusive urban development. Effective strategies such as the deployment of the internet of things (IoT), artificial intelligence (AI), energy management, and smart transportation. In the smart city, intelligent transportation systems (ITS) are playing a vital role in efficient traffic management. This paper explores the use of hybrid artificial intelligence techniques for predicting short-term traffic flow data from M25 motorways in the UK. Since volume traffic flow data are non-stationary, wavelet transform (WT) as a powerful signal analyzer is applied for signal decomposition for the elimination of redundant data from input matrices. The feature selection method based on Gram-Schmidt (GS) is used for the selection of more valuable features. The elimination of redundant data can speed up the learning process and improve the generalisation capability of the prediction models. After a pre-processing stage, a wavelet neural network (WNN) with a simple structure is applied as a powerful prediction tool. Two separate structures are considered for the prediction of weekday and weekend traffic volume data. The experiments explore that the debauchies-4 (db4) wavelet function with 7 decomposition levels leads to the best detection accuracy. Moreover, the range of forecasting, the type of the day, the level of decomposition, and other factors all have an impact on prediction stability. Compared with existing prediction methods, the proposed approach produces lower values of root mean square error (RMSE) and mean absolute percentage error (MAPE) for all step-horizons analyzed. These findings provide valuable implications and insights into the development of an efficient and reliable road condition monitoring system for delivering secure and sustainable transportation services.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».