Predictive Modelling of Traffic Flow with Deep Learning Techniques
Notice bibliographique
Résumé
This project delves into predictive modeling for traffic flow using deep learning techniques, focusing on the Metro Interstate dataset. Traffic Flow Prediction (TFP) is crucial for Intelligent Transport Systems (ITS), optimizing vehicle movement, reducing congestion, and improving route efficiency. Leveraging advancements in Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL), and Big Data, our study explores various techniques and models for TFP. We highlight DL models' advantages over traditional ML methods, propelled by the wealth of real-time traffic data fostered by smart cities, presenting opportunities to craft robust predictive models. The core of our project revolves around developing a multi-step Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM) architecture. Our model forecasts traffic volume between Minneapolis and St. Paul, Minnesota, predicting volume two hours into the future based on a six-hour historical window. We explore DL algorithms' efficacy, including LSTM and Gated Recurrent Unit (GRU), in mitigating challenges like the vanishing gradient problem common in RNNs. Our analysis compares various NN models, emphasizing the importance of data availability for training and fine-tuning ML/DL models, with the Metro Interstate dataset serving as a crucial asset for comprehensive traffic flow analysis and model development.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 ».