Przestrzenno-czasowy model predykcji natężenia ruchu z użyciem sieci neuronowych

• Autorzy: Pamuła T.

Warianty tytułu

EN

Spatiotemporal road traffic flow prediction model using neural networks

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono przestrzenno-czasowy model predykcji natężenia ruchu i dokonano oceny własności predykcyjnych implementacji tego modelu z użyciem sieci neuronowej MLP (Multilayer Perceptron) oraz sieci typu DLN (Deep Learning Network) bazującej na autoenkoderach. Danymi wejściowymi jest zbiór sekwencji wartości natężeń ruchu z urządzeń pomiarowych umieszczonych w sieci skrzyżowań. Predykcja wykonywana jest jednocześnie dla wszystkich węzłów sieci. Takie podejście uwzględnia zależności przestrzenno-czasowe między danymi z punktów pomiarowych. Walidację modelu wykonano z użyciem danych z piętnastu punktów pomiarowych rozmieszczonych na siedmiu skrzyżowaniach. Wykorzystano 15 minutowe natężenia ruchu drogowego dla dni roboczych zarejestrowane przez detektory z Centrum Sterowania Ruchem w Gliwicach.

EN

The paper presents a spatiotemporal model for predicting road traffic flow values. The prediction capabilities of implementations done using MLP (Multilayer Perceptron) and DLN (Deep Learning Network) with autoencoders, neural networks are evaluated. Input data are the set of sequences of traffic flow values collected at measuring sites in the road network. Prediction is carried out simultaneously for all nodes of the road network. This approach takes into account spatiotemporal relations between data from the measuring sites. Validation of the model is done using data from 15 measuring sites located at seven road junctions.

Słowa kluczowe

PL

predykcja natężenia ruchu; sieci neuronowe

EN

traffic flow forecast; neural networks; deep learning

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2017
• Tom: z. 117
• Strony: 259--269
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Pamuła T.

• Politechnika Śląska, Wydział Transportu

Bibliografia

• 1. Asif M.T., Dauwels J., Goh C.Y., Oran A., Fathi E., Xu M., Dhanya M.M., Mitrovic N., Jaillet P.: Spatiotemporal Patterns in Large-Scale Traffic Speed Prediction, IEEE Transactions On Intelligent Transportation Systems, Vol. 15, No. 2, 2014, pp. 794-804.
• 2. Fusco G., Colombaroni C., Isaenko N.: Comparative analysis of implicit models for real-time short-term traffic predictions, IET Intell. Transp. Syst., Vol. 10, Iss. 4, 2016, pp. 270–278
• 3. Haworth J., Cheng T.: Non-parametric regression for space–time forecasting under missing data, Computers, Environment and Urban Systems 36, 2012, pp. 538–550.
• 4. Jia Zheng Zhu, Jin Xin Cao, Yuan Zhu: Traffic volume forecasting based on radial basis function neural network with the consideration of traffic flows at the adjacent intersections, Transportation Research Part C 47, 2014, p. 139-154.
• 5. Karlaftis M.G., Vlahogianni E. I.: Statistical methods versus neural networks in transportation research: Differences, similarities and some insights, Transportation Research Part C 19, 2011, pp. 387–399.
• 6. Pamuła T.: Neural networks in transportation research - recent applications. Transport Problems, 2016, vol. 11, iss. 2, s. 27-36.
• 7. Pamuła T.: Classification and prediction of traffic flow based on real data using neural networks, Archives of Transport, 2012 vol. 24 no. 4, s. 512-522.
• 8. Smith B. L., Williams B.M., Oswald R. K.: Comparison of parametric and nonparametric models for traffic flow forecasting, Transportation Research Part C 10, 2002, pp. 303–321.
• 9. Yang H.-F., Dillon T. S., Chen Y-P. P.: Optimized Structure of the Traffic Flow Forecasting Model With a Deep Learning Approach, IEEE Transactions on Neural Networks and Learning Systems, early access 2016, DOI: 10.1109/TNNLS.2016.2574840
• 10. Yisheng Lv, Yanjie Duan, Wenwen Kang, Zhengxi Li, and Fei-Yue Wang, Traffic Flow Prediction With Big Data: A Deep Learning Approach, IEEE Transactions on Intelligent Transportation Systems, Vol. 16, No. 2, 2015, pp. 865–873

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).