Using Deep Neural Networks and Big Data to Predict Microscopic Travel Time in Work Zones
Notice bibliographique
Résumé
Traffic management in work zones is a challenging task that requires a balance between creating a safe environment for workers and minimizing traffic delays. Accurately predicting travel times through work zones is essential for dynamic traffic management and reducing congestion. However, complex interrupted traffic patterns in work zones (also known as construction zones) make this challenging compared with regular traffic congestion and free-flow conditions. To address this complexity, the paper develops a data-driven deep feed-forward artificial neural network to forecast under-construction travel times in work zones using an integrated data set of almost half a million observations. The variables considered in the neural network include the work zone characteristics, road design features, weather information, and traffic flow information. The raw data set comprised approximately 15 million travel time observations collected at 674 work zones. After cleaning and preprocessing the data and applying feature engineering techniques, the raw data set was reduced to 81 work zones spread along a 700 km corridor between the western borders of Alberta and Vancouver, British Columbia. The data were split into training and test data using a 90:10 ratio. Training data were used to develop a 27-input neural network with four hidden layers. After validating the test data, the neural network achieved a root mean squared error of 0.150 min and an R-squared score of 0.945, indicating a high accuracy level in estimating the under-construction travel time.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».