A Deep Learning Algorithm for Travel Time Prediction
Notice bibliographique
Résumé
Accurate prediction of vehicle travel times is crucial for enhancing intelligent transportation systems, optimizing routing solutions, improving ride-sharing services, and managing traffic effectively. There are various methods available for predicting vehicle travel times between two locations, including both model-based and data-driven approaches. Traditional models often fall short because they assume Euclidean distance when predicting travel times between points. In this study, we focus on predicting vehicle travel times for road segments and entire routes using detailed trajectory data that includes latitude, longitude, time of day, time of week, driver habits, and driver ID. Each trajectory consists of a sequence of GPS points that track a vehicle's movements over time. By defining a road segment as the route between three consecutive GPS points, we can break down the trajectory into smaller segments, enabling more accurate travel time estimates. Given the complexity of travel time prediction, which is influenced by traffic flow conditions at different times and locations, we propose a deep learning algorithm. This algorithm utilizes advanced techniques, including Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, and Temporal Convolutional Networks (TCNs). Our approach demonstrates significant improvements over existing methods. Using the Mean Absolute Percent Error (MAPE) metric, we compared our model with established ones, employing large-scale Chengdu taxi datasets. Our results indicate a 2.9% improvement in travel time prediction accuracy, highlighting our model's potential to surpass current solutions and paving the way for future research in travel time estimation.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».