Enhancing Traffic Speed Prediction Accuracy: The Multialgorithmic Ensemble Model With Spatiotemporal Feature Engineering
Notice bibliographique
Résumé
Accurate traffic speed prediction is crucial for efficient traffic management and planning in urban areas. Traditional traffic prediction models often fall short due to their inability to capture the complex and dynamic nature of traffic flow. There is a need for more advanced models that can effectively handle dynamic traffic conditions. This study introduces the multialgorithmic ensemble model (MAEM), a novel framework designed to improve traffic speed prediction accuracy by integrating graph neural networks (GNNs), bidirectional gated recurrent units (Bi‐GRUs), and long short‐term memory (LSTM) networks, to effectively analyze the spatiotemporal characteristics of the traffic network. The methodology involves constructing a virtual graph based on road segment correlations and applying a combination of spatial and temporal feature extraction techniques. The model is further enhanced with an attention mechanism to focus on critical time intervals. The dataset used for this study consists of one‐year aggregated probe vehicle traffic data of 4788 road segments in the City of Hamilton, Ontario. The results demonstrate significant performance, achieving the mean absolute percentage error (MAPE) of 3.5% and root‐mean‐square error (RMSE) of 2.4 km/h, indicating the potential of the proposed framework to significantly enhance traffic speed prediction accuracy and provide a reliable tool for urban traffic management and planning.
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 ».