A Machine Learning Approach to Traffic Congestion Hotspot Identification and Prediction
Notice bibliographique
Résumé
Travel-time delays due to recurring congestion cause productivity loss, increase the likelihood of accidents, and lead to environmental pollution due to greenhouse gas emissions. The National Highway Traffic Safety Administration in the United States has listed several driver assistance technologies that are now common in most newer vehicles. While these technologies can help reduce the likelihood of traffic-related accidents, they do little to reduce recurring congestion in urban areas. Recurring congestion during rush hours is prevalent, for example, along Interstate 95 and Capital Beltway 495 in the Baltimore-Washington area. Such congestion also enhances the likelihood of crashes. Previous approaches to hotspot identification are primarily theoretical, which limits their practical applicability. In this paper, we develop a Machine Learning (ML) approach that integrates geospatial data with artificial neural networks to predict traffic congestion hotspots during rush hour. The approach uses live traffic sensor data. A case study from Maryland is presented. The result shows top hotspot segments across Maryland. Using a snapshot of hotspots at eight different time periods, the likelihood of hotspot locations is predicted using an artificial neural network. The framework is validated using live loop detector data (speed and volume) from Maryland freeways, particularly I-495 and I-95. The research can serve as a valuable tool for traffic congestion hotspot identification and travel-time 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 | 0,000 | 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 ».