Predicting freeway non-recurring congestion via a spatio-temporal deep learning approach
Notice bibliographique
Résumé
Freeway unexpected events, such as car crashes, result in non-recurring congestion, which does not follow repetitive patterns in space and/or time and increases the challenge of freeway management. Existing prediction approaches of Freeway Non-recurring Congestion (FNC) are either qualitative with information loss or single-step quantitative for a short period. To address these limitations, this paper develops a quantitative, interpretability-enhanced, and spatial-temporal approach using a 2-Encoder-Decoder Model with an Attention Layer (Att-2ED) for FNC prediction. The model leverages Long Short-Term Memory (LSTM) and Multilayer Perceptron (MLP) as two encoders to process time-series speed profiles and static crash features independently. It also employs an LSTM-based decoder to generate a spatio-temporal sequence output and an attention mechanism to prioritise the weights of input sequences at each time step. The model has been trained and tested using real-world freeway data. The proposed model demonstrates superior performance in predicting traffic conditions across both spatial and temporal dimensions compared to existing benchmarks, achieving a Mean Absolute Error (MAE) of 3.74 for 15-minute-ahead predictions. Its effectiveness is further underscored through a comparative analysis of prediction accuracy across various congestion levels and crash severities. For instance, the MAE ranges from 2.77 to 7.00 for severe crashes and from 2.68 to 6.47 for peak-hour crashes, with prediction horizons spanning from 5 min to 60 min ahead. Moreover, the attention mechanisms incorporated in the model provide interpretability-enhanced predictions, highlighting the significance of the last 10-min input in the prediction.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| 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 | 0,001 |
| 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 ».