Predykcja natężenia ruchu na sąsiednich skrzyżowaniach z użyciem sieci neuronowych

• Autorzy: Pamuła T.

Warianty tytułu

EN

Traffic flow prediction in adjacent junctions using neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule zaproponowano wykorzystanie jednej sieci neuronowej do krótkoterminowej predykcji wartości natężeń ruchu dla wlotów dwóch kolejnych dużych 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 wlocie tego skrzyżowania w przypadku braku danych rejestrowanych na tym skrzyżowaniu w przypadku awarii detektora. Opracowany model został weryfikowany za pomocą zestawu danych pomiarów natężenia ruchu zawierającego prawie 20 tysięcy pomiarów zebranych w ciągu ponad sześciu miesięcy. Wyniki dowodzą, że zaproponowany model może zostać włączony jako składnik modułu predykcji w Inteligentnych Systemach Transportowych.

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 elaborated design is validated using a data set of traffic flow measurements comprising nearly 20 thousand measurements collected in a period of over six months. Results prove that the design may be incorporated as a component of a prediction module in Intelligent Transport Systems.

Słowa kluczowe

PL

natężenie ruchu; predykcja natężenia ruchu; sieci neuronowe; szeregi czasowe

EN

traffic flow forecast; traffic flow prediction; neural networks; time series

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2016
• Tom: z. 113
• Strony: 369--379
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Pamuła T.

• Politechnika Śląska, Wydział Transportu

Bibliografia

• 1. Bernaś M., Płaczek B., Porwik P., Pamuła T.: Segmentation of vehicle detector data for improved k-nearest neighbours-based traffic flow prediction, IET Intelligent Transport System 2015, s. 1-11.
• 2. Centiner, B. G., Sari, M., & Borat, O. (2010). A neural network based traffic-flow prediction model. Mathematical and Computational Applications, 15, 269-278.
• 3. 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 C47, 2014, p.139-154.
• 4. Karlaftis, M.G., Vlahogianni E.J., Statistical methods versus neural networks in transportation research: differences, similiarities and some insights. Transp. Research, Part C, 387-399, 2011.
• 5. Kranti Kumar, M. Parida, V.K. Katiyar, Short Term Traffic Flow Prediction for a Non Urban Highway Using Artificial Neural Network, Procedia - Social and Behavioral Sciences, Vol. 104, (2013), 755-764
• 6. Pamuła T.: Classification and Prediction of Traffic Flow Based on Real Data Using Neural Networks, Archives of Transport 4/2012, pp. 519-529.
• 7. Pamuła T.: Short-term traffic flow forecasting method based on the data from video detectors using a neural network, Communications in Computer and Information Science, Springer, 2013, s. 147-154, vol. 395, 1865-0929.
• 8. 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.
• 9. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydaw. RM, Warszawa 1993.
• 10. Vlahogianni E .I., Karlaftis M. G., Golias J. C.: Optimized and meta-optimized neural networks for shortterm traffic flow prediction:agenetic approach, Transportation Research Part C, vol. 13, pp. 211-234, 2005.