Predykcja natężenia ruchu w ciągu skrzyżowań z wykorzystaniem sieci neuronowych

• Autorzy: Pamuła T.

Warianty tytułu

EN

The traffic flow prediction in the intersections using neural networks

• Języki publikacji: PL

Abstrakty

PL

W artykule zaproponowano wykorzystanie jednej sieci neuronowej do krótkoterminowej predykcji wartości natężeń ruchu dla wylotów dwóch kolejnych skrzyżowań tej samej ulicy. Predykcja natężenia ruchu na drugim skrzyżowaniu została wykonana na podstawie danych historycznych dla skrzyżowania pierwszego. Pozwala to na określenie przyszłego natężenia ruchu na wylocie tego skrzyżowania w przypadku braku danych rejestrowanych na tym skrzyżowaniu. Dokonano walidacji modelu z użyciem historycznych danych otrzymanych z Centrum Sterowania Ruchem w Gliwicach. Baza danych obejmuje dane o natężeniu ruchu z 6 miesięcznego okresu rejestracji w 2014 roku (luty-lipiec). W badaniach wykorzystano wartości natężenia ruchu rejestrowane w odstępach 15 minutowych.

EN

The paper presents a proposal of using one neural network for short time prediction of traffic flow on two adjacent junctions of a traffic route. The traffic flow on the second junction is predicted on the basis of historic data registered at the first junction. This allows to forecast the flow on the second junction in the case of failure of its flow measuring devices. The proposed NN is validated using data acquired from the Road Traffic Control Centre in Gliwice. The database consists of traffic flow measurements collected over 6 months in 2014 (February - July). The flow was registered in 15 min intervals.

Słowa kluczowe

PL

sieć neuronowa; predykcja; natężenie ruchu

EN

neuron network; prediction; traffic

• Wydawca: Instytut Naukowo-Wydawniczy "TTS" Sp. z o.o
• Czasopismo: TTS Technika Transportu Szynowego
• Rocznik: 2015
• Tom: R. 22, nr 12
• Strony: 1180--1185, CD
• Opis fizyczny: Bibliogr. 10 poz., tab., rys.

Twórcy

autor

Pamuła T.

• Politechnika Śląska, Wydział Transportu

Bibliografia

• 1. Chen H., Grant-Muller S., Mussone L., Montgomery F.: A study of hybrid neural network approaches and the effects of missing data on traffic forecasting, Neural Computing and Applications vol. 10, pp. 277–286, 2001.
• 2. 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.
• 3. Guilherme B. Castro, José Sidnei C. Martini, André R. Hirakawa, Biologically-Inspired Neural Network for Traffic Signal Control, 2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC) October 8-11, 2014. Qingdao, China
• 4. Man-Chun Tan, S. C. Wong, Jian-Min Xu, Zhan-Rong Guan, Peng Zhang: An Aggregation Approach to Short-Term Traffic Flow Prediction, IEEE Transactions on Intelligent Transportation Systems, vol. 10, pp. 60-69, 2009.
• 5. Pamuła T.: Traffic flow analysis based on the real data using neural networks. Telematics in the transport environment. Selected papers. Ed. Jerzy Mikulski. Berlin : Springer, s. 364-371, 2012.
• 6. Pamuła T.: Classification and prediction of traffic flow based on real data using neural networks, Archive of Transport, vol. 24 no. 4, s. 519-522, 2012.
• 7. Srinivasan D., Choy M. C., and Cheu R. L.: Neural networks for real-time traffic signal control, IEEE Trans. Intelligent Transportation Systems, vol. 7, no. 3, pp.261-271, Sep. 2006.
• 8. Tadeusiewicz R. Sieci neuronowe. Akademicka Oficyna Wydaw. RM, Warszawa 1993.
• 9. Vlahogianni E.I., Karlaftis M.G., Golias J.C.: Optimized and meta-optimized neural networks for short-term traffic flow prediction:agenetic approach, Transportation Research Part C vol.13, pp.211–234, 2005.
• 10. Ziwen Leng, Junwei Gao, Yong Qin, Xin Liu,Jing Yin, Short-term Forecasting Model of Traffic Flow Based on GRNN, 25th Chinese Control and Decision Conference (CCDC)2013Nowak J., Bezpieczeństwo samochodów i ruchu drogowego. WKiŁ, Warszawa 2004.