Improved Vehicular Congestion Classification using Machine Learning for VANETs
Notice bibliographique
Résumé
Vehicular Ad-hoc Networks (VANETs) emerge as an inevitable element for autonomous driving, smart cities and intelligent transportation systems. The vehicular traffic density classification plays a crucial role in making important traffic routing and data transfer decisions between vehicles and surrounding infrastructure. However, vehicular density in a given area vastly varies depending on the environment (urban, rural, highway etc.), the day and the specific time of the day. There can also be unpredictable density variations due to traffic incidents or social events. Therefore, accurate classification of traffic density is essential to properly plan data communication in VANET. This paper studies a number of machine learning (ML) algorithms to accurately classify the traffic condition based on the data collected from intelligent sensors. First, the traffic flow and average speed data is collected for each vehicle. In the second step, vehicular density is estimated using speed and flow relationship in a given area. In the third step, traffic state is classified as "Free-Flow", "Dense", and "Congested" based on the congestion cost report by Victoria Transport Policy Institute. Finally, we utilized a range of ML approaches, including Decision Tree (DT), Na¨ıve Bayes (NB), K-Nearest Neighbor (KNN), Random Forest (RF), Support Vector Classifier (SVC), Logistic Regression (LR), and Multilayer Perceptron (MLP) to categorize instances of traffic congestion. The results are studied based on classification accuracy, recall and precision metrics. The experimental results indicate that RF and subsequently Ensemble Soft Voting classifiers exhibit the best performance among all other classifiers, including the MLP model.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,001 | 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 ».