Szacowanie natężenia ruchu drogowego z wykorzystaniem sieci neuronowych

• Autorzy: Sekuła Przemysław

Warianty tytułu

EN

Traffic volume estimation with the use of neural networks

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia metodę szacowania godzinnego natężenia ruchu drogowego opartą o sztuczne sieci neuronowe i dane z systemów GPS. Metoda ta została opracowana przez Centrum Zaawansowanych Technologii Transportowych Uniwersytetu Maryland (University of Maryland, Center for Advanced Transportation Technology) w ramach prac badawczych finansowanych przez stanowe agencje drogowe. Przedstawiona metoda umożliwia szacowanie natężenia ruchu w całej sieci drogowej z wartością błędu nie przekraczającą zazwyczaj 7%. W artykule zaprezentowano też modyfikacje, które pozwalają na wykorzystanie istniejących stacji pomiaru natężenia ruchu drogowego dla podniesienia dokładności szacowania w całej sieci drogowej oraz zaproponowano taki sposób rozmieszczania tych stacji, który maksymalizuje uzyskane wyniki. Ostatnim z przedstawionych rozwiązań jest analiza możliwości wykorzystania dużych zbiorów danych z innych obszarów oraz analiza możliwości wykorzystania modeli służących do szacowania natężenia ruchu w innych miejscach i okresach. Opisane w tej części artykułu rozwiązania pozwalają na znaczące obniżenie kosztów proponowanej metody.

EN

This paper presents the method of estimating hourly traffic volumes based on artificial neural networks and GPS data. This method was developed by the University of Maryland, Center for Advanced Transportation technologies in research founded by State Highway Agencies. The presented method allows for estimating traffic volume in the entire road network with an EMFR error that is usually smaller than 7%. Additionally, the modifications of the presented method that enables leveraging existing continuous count stations in order to increase the accuracy of the model, as well as the optimal way of deploying such stations, are also discussed. Finally, we discussed ways of reducing the cost of the presented solution by utilizing large data sets and models gathered or trained in different places and time periods.

Słowa kluczowe

PL

ruch drogowy; natężenie ruchu; sieci neuronowe

EN

traffic; traffic volume; neural networks

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Transport Miejski i Regionalny
• Rocznik: 2022
• Tom: nr 10
• Strony: 16--21
• Opis fizyczny: Bibliogr. 22 poz., rys., wykr.

Twórcy

autor

Sekuła Przemysław

• Wydział Inżynierii Lądowej i Środowiska, Uniwersytet Maryland (Department of Civil and Environmental Engineering, University of Maryland), College Park, USA

Bibliografia

• 1. Gaca S., Suchorzewski W., Tracz M., Inżynieria ruchu drogowego: teoria i praktyka, Wydawnictwa Komunikacji i Łączności, 2009.
• 2. Krizhevsky A., Sutskever I., Hinton G.E., ImageNet classification with deep convolutional neural networks, 25th International Conference on Neural Information Processing Systems, 2012.
• 3. Slimani N., Slimani I., Sbiti N., Amghar M., Traffic forecasting in Morocco using artificial neural networks, „Procedia Computer Science”, 2019, vol. 151.
• 4. Shang P., Li X., Kamae S., Chaotic analysis of traffic time series, “Chaos, Solitons & Fractals”, vol. 25, no. 1.
• 5. Islam S., Estimation of annual average daily traffic (AADT), Clemson, SC, USA: rozprawa doktorska, 2016.
• 6. Zhang Y., Liu Y., Traffic forecasting using least squares support vector machines, “Transportmetrica”, 2009, vol. 5, no. 3.
• 7. Xu Y., Kong Q., Liu Y., Short-term traffic volume prediction using classification and regression trees, IEEE Intelligent Vehicles Symposium, 2013.
• 8. Alajali W., Zhou W., Wen S., Wang Y., Intersection traffic prediction using decision tree models, “Symmetry”, 2018, vol. 10, no. 9.
• 9. Sun S., Zhang C., Yu G., A bayesian network approach to traffic flow forecasting, „IEEE Transactions on Intelligent Transportation Systems”, 2006, vol. 7, no. 1.
• 10. Abdulhai B., Porwal H., Recker W., Short-term traffic flow prediction using neuro-genetic algorithms,“Intelligent Transportation Systems Journal”, 2002, vol. 7, no. 1.
• 11. Wu Y., Tan H., Qin L., Ran B., Jiang Z., A hybrid deep learning based traffic flow prediction method and its understanding,“Transportation Research Part C: Emerging Technologies”, 2018, vol. 90.
• 12. L. Li, X. Qu, J. Zhang, Y. Wang and B. Ran, “Traffic speed prediction for intelligent transportation system based on a deep feature fusion model”, Journal of Intelligent Transportation Systems, vol. 23, no. 6, 2019.
• 13. Sharma S., Lingras P., Xu F., Liu G., Neural networks as alternative to traditional factor approach of annual average daily traffic estimation from traffic counts, “Transportation Research Record: Journal of the Transportation Research Board”, 1999, vol. 1660, no. 1.
• 14. Karlaftis M., Vlahogianni E., Statistical methods versus neural networks in transportation research: differences, similarities and some insights,“Transportation Research Part C: Emerging Technologies”, 2011, vol. 19, no. 3.
• 15. Gastaldi M., Gecchele G., Rossi R., Estimation of annual average daily traffic from one-week traffic counts. a combined ann-fuzzy approach,“Transportation Research Part C: Emerging Technologies”, 2014, vol. 47, no. 1.
• 16. Khan Z., Khan S., Dey K., Chowdhury M., Development and evaluation of recurrent neural network-based models for hourly traffic volume and annual average daily traffic prediction,”Transportation Research Record: Journal of the Transportation Research Board”, 2019, vol. 2673, no. 7.
• 17. Noekhan A., Zahedian S., Hagani A., A deep learning model for off-ramp hourly traffic volume estimation, „Transportation Research Record”, 2021, vol. 2675, no. 7.
• 18. Sekuła P., Marković N., Vander Laan Z., Farokhi Sadabadi K., Estimating Historical Hourly Traffic Volumes via Machine Learning and Vehicle Probe Data: A Maryland Case Study, “Transportation Research Part C: Emerging Technologies”, 2018, vol. 97.
• 19. Zahedian S., Sekuła P., Noekhan A., Vander Laan Z., Estimating Hourly Traffic Volumes using Artificial Neural Network with Additional Inputs from Automatic Traffic Recorders, “Transportation Research Record”, 2020, vol. 2674, no. 3.
• 20. Sekuła P., Vander Laan Z., Farokhi Sadabadi K., Kania K., Zahedian S., Transferability of a machine learning-based model of hourly traffic volume estimation – Florida and New Hampshire case study, “Journal of Advanced Transportation”, 2021.
• 21. Tan C., Sun F., Kong T., Zhang W., Yang C. and Liu C., A survey on deep transfer learning, 2018, https://arxiv.org/abs/1808.01974, 2018.
• 22. Zahedian S., Introducing a Graph-Based Neural Network for Networkwide Traffic Volume Estimation, College Park: rozprawa doktorska, 2021.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).