PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Predykcja natężenia ruchu na skrzyżowaniu z wykorzystaniem metody różnicowania i sieci neuronowej

Autorzy
Identyfikatory
Warianty tytułu
EN
The traffic flow forecast in the intersection using differentiation method and Neural Networks
Języki publikacji
PL
Abstrakty
PL
Artykuł zawiera wyniki krótkoterminowej predykcji natężenia ruchu z wykorzystaniem metody różnicowania i sieci neuronowej. Metoda ta polega na tym, że na sieć podawane są różnice natężeń między średnią dla danego okresu pomiarowego w ciągu doby, a wartościami natężenia ruchu z tych samych okresów dla danych historycznych. W związku z tym w predykcji brane są pod uwagę dane bieżące – z sześciu poprzednich okresów pomiarowych i dane historyczne. Na wyjściu sieci uzyskujemy też różnicę, więc wartość natężenia to suma wartości średniej i wartości otrzymanej z wyjścia sieci. Uzyskane wyniki porównano ze standardowym sposobem predykcji z wykorzystaniem sieci neuronowej, w którym podczas uczenia na sieć podawane są bezpośrednio wartości natężeń dla danych historycznych.
EN
The paper presents the results of short-term prediction of traffic flows using a modified method based on NN and flow differences. The essence of the modification lies in the use of flow differences as variables. The NN is trained using the differences between the average traffic flow, in the measurement periods, and corresponding historical traffic flow values. When working the input consists of six consecutive previous values subtracted from corresponding historical average data. The output of the NN provides predicted differences so the appropriate traffic flow values are derived by summing the difference with the corresponding average. The prediction results are compared with standard NN which uses traffic flows as variables.
Czasopismo
Rocznik
Tom
Strony
3721--3727, CD 1
Opis fizyczny
Bibliogr. 9 poz., rys.
Twórcy
autor
  • Wydział Transportu, Politechnika Śląska, Krasińskiego 8, 40-019 Katowice
Bibliografia
  • 1. Awad W.H.: “Estimating traffic capacity for weaving segments using neural networks technique”, Applied Soft Computing 4 (2004), pp.395–404.
  • 2. Gaca S., Tracz M., Suchorzewski W.: Inżynieria ruchu drogowego, WKiŁ Warszawa 2008
  • 3. F.-Y. Wang, Parallel Control and Management for Intelligent Transportation System: Concepts, Architectures, and Applications, IEEE Transactions on Intelligent Transportation Systems, September, 2010, vol.11, no.3, pp.630-638.
  • 4. Karlaftis, M.G., Vlahogianni E.J., Staistical methods versus neural networks in transportation research: differences, similiarities and some insights. Transp. Research, Part C, 387-399, 2011.
  • 5. Pamuła T.: Classification and Prediction of Traffic Flow Based on Real Data Using Neural Networks, Archives of Transport 4/2012, pp. 519-529.
  • 6. Srinivasan, M. C. Choy, and 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
  • 7. Wusheng HU, Yuanlin LIU, Li LI,Shujie XIN, The Short-Term Traffic Flow Prediction Based on Neural Network , 2010 2nd International Conference on Future Computer and Communication
  • 8. Zhiheng Li,Yuebiao Li, Li Li: A Comparison of Detrending Models and Multi-Regime Models for Traffic Flow, IEEE Intelligent transportation systems, 2014
  • 9. Xiaoying Li: “Prediction of Traffic Flow Base on Neural Network”, Intelligent Computation Technology and Automation, 2009. ICICTA '09, 2009, pp: 374 – 377.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-196484ae-d6fe-4c2b-a906-d36a6a3789e7
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.