预测、期望和惊喜:一个已部署的交通预测服务的方法、设计和研究
该研究提出了一种基于人工智能的手机应用程序,利用交通密度数据,通过 LSTM、Transformer 和 XGBoost 等时间序列方法预测伊斯坦布尔的交通拥堵情况,并根据 MAPE、MAE 和 RMSE 等性能指标分析模拟结果,发现 Transformer 模型具有最准确的交通预测能力。该研究为未来定制适合市民日常使用的手机应用程序奠定了基础。
Dec, 2022
本文探讨了不同的不确定性评估技术和指标在交通预测模型中的适用性,并利用马德里(西班牙)收集的实际交通数据进行了实证研究,以提高交通管理实践中的行动性、可行性和可信度。
Oct, 2022
本文报道了一种新的方法,该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性,从而提高了移动蜂窝流量预测的准确性,这可以应用于边缘或中心化学习,可用于预测短期未来一段高速公路覆盖区域的负载。
May, 2023
本文提出了一种基于贝叶斯网络的可解释框架,用于交通事故预测,从而解决了现有的基于机器学习的交通事故分析方法缺乏可解释性的问题。通过构建数据集的流程,将交通数据导入该框架,同时保留了关键的交通数据信息。通过一个具体的案例研究,我们的框架可以从数据集中导出一个贝叶斯网络,基于天气和交通事件之间的因果关系,同时预测交通事故并在不同条件下改变这些事件的概率,从而展示交通和天气事件之间的透明关系。此外,网络的可视化简化了不同变量之间关系的分析,揭示了交通事故的主要原因,最终为减少交通事故提供了有价值的参考。
Oct, 2023
该研究论文主要介绍了交通预测的重要性和如何通过应用新兴技术以及人工智能等方法来改善交通预测。同时,该论文还着重总结了多元交通时间序列建模的数据预处理方法以及未来研究的主要挑战。
May, 2023
利用时间序列分析为动态分配移动网络流量预测模型的新框架,通过选择性地使用学习行为相对于当前研究具有超过 50%的性能改进,并在无需对单个细胞具有先验知识的情况下超过传统方法;该框架通过无监督聚类识别独特趋势和季节模式,然后在每个聚类中应用监督学习进行流量量预测,使得不受空间和时间变化的惩罚,并且通过分析细胞的实时测量结果,智能选择最适合该细胞的聚类,使聚类分配根据时空波动的动态调整。
Nov, 2023
本研究旨在探讨用于摩洛哥高速公路交通预测的不同方法,包括统计分析和机器学习,该研究采用多种算法,如随机森林、人工神经网络和长短时记忆神经网络等,并开展了数据整理和深入理解交通行为的贝塔模型。
Nov, 2017
通过商用车辆行程记录数据集,该研究旨在开发预测模型,用于美国主要城市交叉口的交通拥堵,包括正交坐标、街道名称、时间和交通指标等特征,并结合其他特征如降雨 / 降雪百分比、距离市中心和市郊的距离以及道路类型,通过数据探索、特征转换和处理缺失值的方法,提出的模型有助于帮助城市规划者和政府预测交通热点,优化运营,识别基础设施问题。
Apr, 2024
本文设计和实现了一个基于贝叶斯深度学习的预测模型,利用真实数据预测空集装箱停车场集卡的工作量和交通量,验证了该模型的实用性,为构建一个高效的流量和工作量计划系统提供了基础。
Nov, 2022
本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型,能够利用公交车的位置信息和空间特征预测其到站时间,针对有交叉口和无交叉口两种空间情境下的公交路线进行预测,结果表明该模型比其他模型表现更优,可在以及其他交通基础设施有限的类似城市中推广。
Oct, 2022