Classification and prediction of traffic flow based on real data using neural networks

• Autorzy: Pamuła T.

Warianty tytułu

PL

Klasyfikacja i przewidywanie natężenia ruchu na podstawie rzeczywistych danych z wykorzystaniem sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

This paper presents a method of classification of time series of traffic flow, on the section of the main road leading into the city of Gliwice. Video detectors recorded traffic volume data was used, covering the period of one year in 5-minute intervals - from June 2011 to May 2012. In order to classify the data a statistical analysis was performed, which resulted in the proposition of splitting the daily time series into four classes. The series were smoothed to obtain hourly flow rates. The classification was performed using neural networks with different structures and using a variable number of input data. The purpose of classification is the prediction of traffic flow rates in the afternoon basing on the morning traffic and the assessment of daily traffic volumes for a particular day of the week. The results can be utilized by intelligent urban traffic management systems.

PL

W artykule przedstawiono metodę klasyfikacji szeregów czasowych natężenia przepływ u ruchu na odcinku głównej drogi dojazdowej w kierunku miasta Gliwice. Dane o natężeniu ruchu obejmujące okres jednego roku w interwałach godzinnych - od czerwca 2011 do maja 2012 zostały zarejestrowane przez wideodetektory. W celu klasyfikacji przeprowadzono analizę statystyczną danych i zaproponowano podział dobowych szeregów czasowych na cztery klasy. Szeregi zostały wygładzone do natężeń godzinnych. Klasyfikację wykonano z wykorzystaniem sieci neuronowych o różnych strukturach i na podstawie z mieniającej się liczby danych wejściowych. Celem klasyfikacji jest predykcja natężenia ruchu w godzinach popołudniowych na podstawie danych o natężeniu w godzinach porannych a także możliwość oceny dobowego natężenia ruchu w poszczególnych dniach tygodnia. Informacje takie są przydatne do podejmowania decyzji w Inteligentnych Systemach Transportowych (ITS) i zarządzaniu ruchem.

Słowa kluczowe

EN

traffic flow; classification of traffic flow; prediction of traffic flow; traffic management systems

PL

natężenie ruchu; klasyfikacja natężenia ruchu; przewidywanie natężenia ruchu; zarządzanie ruchem

• Wydawca: Warsaw University of Technology, Faculty of Transport
• Czasopismo: Archives of Transport
• Rocznik: 2012
• Tom: Vol. 24, iss. 4
• Strony: 519--529
• Opis fizyczny: Bibliogr. 16 poz., rys., tab., wykr.

Twórcy

autor

Pamuła T.

• Silesian University of Technology, Faculty of Transport, Krasińskiego 8, 40-019 Katowice, Poland

Bibliografia

• 1. Awad W.H.: “Estimating traffic capacity for weaving segments using neural networks technique”, Applied Soft Computing 4 (2004), pp. 395-404.
• 2. Cai C., Wong C.K., Heydecker B.G.: Adaptive traffic signal control using approximate dynamic programming, Transportation Research Part C, 17(5), pp. 456-474, 2009.
• 3. Chrobok R., Kaumann O., Wahle J., Schreckenberg M.: Different methods of traffic forecast based on real data. European Journal of Operational Research 155 (3), pp. 558-568, 2004.
• 4. Gaca S., Tracz M., Suchorzewski W.: „Inżynieria ruchu drogowego”, WKiŁ Warszawa 2008.
• 5. Guo F., Polak J., Krishnan R.: “Comparison of Modelling Approaches for Short Term Traffic Prediction under Normal and Abnormal Conditions” Annual Conference on ITS Madeira Island, Portugal, September 19-22, 2010, pp. 1209-1214.
• 6. Haixiang D., Jingjing T.: “Prediction of Traffic Flow at Intersection Based on Self-Adaptive Neural Network”, Computer Science and Information Technology (ICCSIT), 2010 3rd IEEE International Conference on Vol. 8, 2010, pp. 95-98.
• 7. Karlaftis M.G., Vlahogianni E.I.: Statistical methods versus neural networks in transportation research: differences, similarities and some insights. Transportation Research, Part C. Emerging Technologies 19 (3), pp. 387-399, 2011.
• 8. Ledoux C.: An urban traffic flow model integrating neural networks, Transportation Research C, vol. 5, No 5, pp. 287-300, 1997.
• 9. Osowski S: „Sieci neuronowe w ujęciu algorytmicznym”, Wydawnictwo Naukowo-Techniczne, Warszawa 1996.
• 10. Pamuła T., Król A.: „Model systemu zarządzania ruchem pojazdów w obszarze miejskim z wykorzystaniem sieci neuronowych”, Zeszyty Naukowe P.S., Gliwice 2010, Seria: TRANSPORT z. 67, pp. 91-96.
• 11. Pamuła T.: Road traffic parameters prediction in urban traffic management systems using neutal networks, Transport Problems, Vol. 6, Issue 3, Wyd. Pol. Ślaskiej, pp. 123-129, 2011.
• 12. Pamuła T.: The neural network implementation for traffic junctions volume prediction, Transactions on Transport Systems, Telematics&Safety (Monograph), pp. 57-66, Gliwice 2011.
• 13. Pamuła T.: Traffic flow analysis based on the real data using neural networks, Telematics in the transport environment. Ed. Jerzy Mikulski. s. 364-371, bibliogr. 13 poz. (Communications in Computer and Information Science; vol. 329), Berlin: Springer, 2012.
• 14. Satsangi P.S., Mishra D.S., Gaur S.K., Singh B.K.: “Systems dynamics modelling, simulation and optimization of integrated urban systems”, A soft computing approach, The Emerald Research Journal, Vol. 32 No. 5/6, 2003, pp. 808-817.
• 15. Srinivasan M.C., Choy R.L. Cheu: “Neural networks for real-time traffic signal control,” IEEE Trans. Intelligent Transportation Systems, vol. 7, no. 3, pp. 261-271, Sep. 2006.
• 16. Xiaoying Li: “Prediction of Traffic Flow Base on Neural Network”, Intelligent Computation Technology and Automation, 2009. ICICTA ’09, 2009, pp. 374-377.