Wyszukiwarka
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
-
7
CrossRef
-
0
Web of Science
-
7
Scopus
Cytuj jako
Pełna treść
- 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
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 -Vol. 13, (2023), s.14523-
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1038/s41598-023-41902-y
- Źródła finansowania:
-
- publikacja za 140 pkt. finansowana ze środków centralnych PG
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 79 razy
Publikacje, które mogą cię zainteresować
An Intelligent Approach to Short-Term Wind Power Prediction Using Deep Neural Networks
- T. Niksa-Rynkiewicz,
- P. Stomma,
- A. Witkowska
- + 5 autorów