Deep Learning Algorithms for Traffic Flow Predictions
Notice bibliographique
Résumé
Given the growing complexity of urban transportation systems, precise traffic flow forecasting is essential for reducing not only issues of congestion but also, for boosting road safety and enhancing mobility management. This study integrates Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM), Long Short-Term Memory (LSTM), and Recurrent Neural Networks (RNN) to present a hybrid deep learning framework for traffic prediction. Of these, the CNN-LSTM model is a reliable option for real-time traffic forecasting since it successfully captures both spatial and temporal dependencies, resulting in superior predictive performance. The dataset used to assess the framework includes 48,120 records from a traffic monitoring system that include hourly vehicle counts at several intersections. With an average of 22.79 vehicles per hour, a variance of 430.57, and a standard deviation of 20.75, statistical analysis shows that traffic fluctuates significantly. Based on experimental results, CNN-LSTM achieves a competitive Mean sq\.d Error (MSE) of 0.0095, a precision of 0.73, and a recall of 0.74, outperforming LSTM and RNN in high-traffic situations. This study demonstrates the potential of hybrid models–-in particular, CNN-LSTM–-in striking a balance between computational efficiency and predictive accuracy. Future research should incorporate GPS feeds and real-time data from IoT sensors to improve model adaptability and offer a scalable and clever urban traffic management solution.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».