Traffic flow modelling of vehicles on a six lane freeway: Comparative analysis of improved group method of data handling and artificial neural network model
Notice bibliographique
Résumé
In recent decades, traffic flow modelling has become increasingly significant for improving road transportation systems and mitigating congestion on freeways. This research presents a comparative analysis of two machine learning methodologies—Improved Group Method of Data Handling (GMDH) and Artificial Neural Network (ANN)—for modelling vehicular traffic flow on a six-lane freeway. The primary objective of this study was to evaluate the predictive accuracy and efficacy of both models in replicating complex traffic patterns and to provide insights into their suitability for real-time traffic flow applications. Traffic flow data were obtained from a six-lane freeway during off-peak and on-peak hours using South African road transportation systems as a case study. Traffic flow variables, such as vehicle density, speed, time, and traffic volume, were considered as both inputs and outputs. The models were trained and validated using this dataset, and the GMDH and ANN were assessed according to their regression efficacy R2and MSE. The results indicate that both models can effectively capture the nonlinear relationships present in the traffic flow of vehicles on a six-lane freeway. However, GMDH outperformed ANN in terms of accuracy and computational efficiency. The optimal regression values for GMDH and ANN were 0.99372 and 0.9167, respectively, demonstrating that GMDH provided a substantially superior fit to the observed data. The exceptional efficacy of the GMDH is attributed to its self-organising architecture and capacity to autonomously identify the most pertinent inputs, thereby reducing model complexity and enhancing generalisation. Artificial Neural Networks, while efficient, require comprehensive tuning and may experience overfitting in high-dimensional datasets. This study suggests that GMDH is a more reliable and effective model for modelling traffic flow on a six-lane freeway, presenting opportunities for real-time traffic prediction and traffic flow management applications.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».