An Ensemble Convolutional Recursive Neural Network Based on Deep Reinforcement Learning for Traffic Volume Forecasting
Notice bibliographique
Résumé
Intelligent transportation systems are of great significance to urban sustainable development and management. As a crucial element of an intelligent transportation system, traffic volume prediction plays a vital role in providing technical guidance for decision-making and scheduling. This paper introduces an ensemble convolutional recursive neural network, leveraging deep reinforcement learning to enhance traffic volume forecasting. Firstly, variational mode decomposition is utilized to decompose the raw traffic volume series into multiple subseries, which can deal with the non-stationary data and improve prediction accuracy. Then, convolutional gated recurrent units and convolutional long and short-term memory networks are taken as base predictors, enabling the accurate prediction of regular and irregular components separately. Additionally, the deep Q-network (DQN) method is employed to integrate the prediction results of each subseries, which has the ability to dynamically model the changing condition of traffic volume. Comparative experiments on four distinct traffic volume series are conducted and it is evident that the DQN-based ensemble learning approach surpasses traditional reinforcement learning and heuristic algorithms in integrating subseries results. For instance, compared with the genetic algorithm, particle swarm optimization, and Q-learning, the mean absolute error value of DQN decreases by 2.418, 5.0, and 8.114 respectively. Furthermore, the proposed model exhibits markedly enhanced accuracy and stability compared to eighteen baseline models. Based on the experimental results, it can be found that the proposed model can provide valuable technical reference for intelligent transportation systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».