Road traffic can be predicted by machine learning equally effectively as by complex microscopic model

Andrzej Sroczyński; Andrzej Czyżewski

doi:10.1038/s41598-023-41902-y

Road traffic can be predicted by machine learning equally effectively as by complex microscopic model

Abstrakt

Since high-quality real data acquired from selected road sections are not always available, a traffic control solution can use data from software traffic simulators working offline. The results show that in contrast to microscopic traffic simulation, the algorithms employing neural networks can work in real-time, so they can be used, among others, to determine the speed displayed on variable message road signs. This paper describes an experiment to develop and test machine learning models, i.e., long short-term memory, gated recurrent unit recurrent networks, and stacked autoencoder networks. It compares their effectiveness with traffic prediction results generated using a widely recognized traffic simulator that analyzes traffic at the level of individual vehicles.

Cytowania

1

CrossRef
0

Web of Science
0

Scopus

Autorzy (2)

Andrzej Sroczyński mgr inż.
- SzDW
Andrzej Czyżewski prof. dr hab. inż.

Cytuj jako

Pełna treść

pobierz publikację

pobrano 6 razy

Wersja publikacji: Accepted albo Published Version
DOI:: Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1038/s41598-023-41902-y
Licencja: otwiera się w nowej karcie

pełna treść artykułu zobacz w serwisie zewnętrznym otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:

Publikacja w czasopiśmie

Typ:

artykuły w czasopismach

Opublikowano w:

Scientific Reports nr 13,
ISSN: 2045-2322

Język:

angielski

Rok wydania:

2023

Opis bibliograficzny:

Sroczyński A., Czyżewski A.: Road traffic can be predicted by machine learning equally effectively as by complex microscopic model// Scientific Reports -,iss. 13, 14523 (2023), s.1-15

DOI: