Identyfikacja wzorców w ruchu drogowym metodą częstych sekwencji

• Autorzy: Koźlak J. , Zygmunt A.

Warianty tytułu

EN

Identification of patterns in road traffic

• Języki publikacji: PL

Abstrakty

PL

Artykuł dotyczy analizy wzorców danych dotyczących stanu ruchu pojazdów. W szczególności skupiono się na analizie częstych sekwencji. Analizowane dane zostały pozyskane w oparciu o wieloagentowy symulator do modelowania i optymalizacji ruchu drogowego.

EN

The paper concerns the analysis of data about road traffic. We are focusing our analysis on the frequent sequences. The analysed data was obtained using multi-agent simulator for modelling and optimisation of road traffic.

Słowa kluczowe

PL

ruch drogowy; wzorce; częste sekwencje

EN

road traffic; patterns; frequent sequences

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2011
• Tom: T. 15, z. 2
• Strony: 263--270
• Opis fizyczny: Bibliogr. 15 poz., rys., wykr.

Twórcy

autor

Koźlak J.

• AGH Akademia Górniczo-Hutnicza, Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki, Katedra Informatyki

autor

Zygmunt A.

• AGH Akademia Górniczo-Hutnicza, Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki, Katedra Informatyki

Bibliografia

• [1] Agrawal R., Srikant R., Mining seąuentialpatterns. ICDE'95. 1995.
• [2] Bajwa S., Chung E., Kuwahara M., Performance evaluation ofan adaptive travel timeprediction model. Intelligent Transportation Systems, 2005. Proceedings. 2005 IEEE, vol., no., pp. 1000-1005, 13-15 Sept. 2005.
• [3] Bazzan A.L.C., Kliigl F., Multi-agent systems for traffic and transportation engineering. Information Science Reference, 2009.
• [4] Chung E., Chung, E., Classification oj trafficpattern. lOth World Congress on Intelligent Transport Systems, Madrid, Spain, 2003.
• [5] De Fabritiis, C, Ragona, R., Valenti G., Traffic Estimation And Prediction Based On Real Time Floating Car Data. 2008 llth International IEEE Conference on Intelligent Transportation Systems, 2008, 197-203.
• [6] Han J., Pei J., Mortazavil-Asl B., Chen Q., Dayal U., Hsu M.-C, FreeSpan: Freąuent Pattern-Projected Seąuential Pattern Mining. KDD'0), Boston, MA, August 2000.
• [7] Han J., Kamber M., Data Minining. Concepts and Techniąues. Morgan Kaufmann Publishers, 2006.
• [8] Koźlak J., Dobrowolski G., Kisiel-Dorohinicki M., Nawarecki E., Anticrisis management of city traffic using agent-based approach. Journal of Universal Computer Science, 2008, vol. 14, iss. 14, 2359-2380.
• [9] Mark C.D., Sadek, A.W., Rizzo, D., Predicting experienced travel time with neural networks: a PARAMICS simulation study. Intelligent Transportation Systems, 2004. Proceedings. The 7th International IEEE Conference on , vol, no., pp. 906-911, 3-6 Oct. 2004.
• [10] Srikant R., Agrawal R., Mining seąuential patterns: Generalizations and performance improvements. EDBT'96, 1996. [GSP]
• [11] Theodoridis S., Koutroumbas K., Pattern Recognition. Fourth Edition. Elsevier, 2009.
• [12] Pei J., Han J, Pinto H., ChenQ., Dayal U., Hsu M.-C, PrefixSpan: Mining Seąuential Patterns Efficiently by Prefix-Projected Pattern Growth. ICDE'01, Heidelberg, 2001.
• [13] Wei-Hsun L., Shian-Shyong T., Sheng-Han T., A knowledge based real-time travel time prediction system for urban network. Expert Systems with Applications, vol. 36, iss. 3, Part 1, April 2009, 4239^247.
• [14] Yan X., Han J., Afshar R., CloSpan: Mining Closed Seąuential Patterns in Large Datasets. SDM'03, 2003.
• [15] Zaki M., SPADE: An Effident Algorithm for Mining Freąuent Seąuences. Machine Learning, 2001.