Robust Truck Transit Time Prediction through GPS Data and Regression Algorithms in Mixed Traffic Scenarios
Notice bibliographique
Résumé
To enhance safety and efficiency in mixed traffic scenarios, it is crucial to predict freight truck traffic flow accurately. Issues arise due to the interactions between freight trucks and passenger vehicles, leading to problems like traffic congestion and accidents. Utilizing data from the Global Positioning System (GPS) is a practical method to enhance comprehension and forecast the movement of truck traffic. This study primarily focuses on predicting truck transit time, which involves accurately estimating the duration it will take for a truck to travel between two locations. Precise forecasting has significant implications for truck scheduling and urban planning, particularly in the context of cross-docking terminals. Regression algorithms are beneficial in this scenario due to the empirical evidence confirming their efficacy. This study aims to achieve accurate travel time predictions for trucks by utilizing GPS data and regression algorithms. This research utilizes a variety of algorithms, including AdaBoost, GradientBoost, XGBoost, ElasticNet, Lasso, KNeighbors, Linear, LinearSVR, and RandomForest. The research provides a comprehensive assessment and discussion of important performance metrics, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and R-squared (R2). Based on our research findings, combining empirical methods, algorithmic knowledge, and performance evaluation helps to enhance truck travel time prediction. This has significant implications for logistical efficiency and transportation dynamics.
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 ».