Model predykcji natężenia ruchu pojazdów z użyciem sztucznych sieci neuronowych

• Autorzy: Pamuła T.

Warianty tytułu

EN

The traffic flow forecasting model using neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule zaproponowano wykorzystanie zbioru sieci neuronowych do predykcji wartości natężeń ruchu. Predykcja natężenia ruchu wykorzystywana w systemach sterowania ruchem pozwala zwiększyć płynność ruchu i poprawić jego bezpieczeństwo. Opracowany model predykcji wykorzystuje klasyfikację danych ze względu na charakter ruchu (w zależności od typu dnia, np. dni robocze, święta). Wyznaczanie nowych wartości natężeń dla każdej z klas określane jest z użyciem odrębnej sieci neuronowej. Dokonano walidacji modelu z użyciem historycznych danych otrzymanych z Centrum Sterowania Ruchem w Gliwicach. Baza danych obejmuje dane o natężeniu ruchu z 10 miesięcznego okresu rejestracji w 2013 roku. Natężenia rejestrowane były w odstępach 5 minutowych. Uzyskane wyniki predykcji porównano z wynikami uzyskanymi z użyciem modelu opartego na regresji wielokrotnej.

EN

The paper presents the properties of a proposed neural network for prediction of values of road traffic flow. Prediction of traffic flow is used in traffic control systems for streamlining the flow and enhancing the safety of traffic. The proposed prediction model uses traffic flow data divided into classes based on the character of the traffic flow (related to day type eg. work days, holidays). The flows are predicted within each of the classes with separate neural networks. The model was validated with real traffic data acquired from the Road Traffic Control Centre in Gliwice. The data base encompasses values of road traffic flow registered during 10 months of 2013. The values of traffic flow were registered every 5 minutes. The prediction results are compared to prediction values obtained from a traffic model based on multiple regression.

Słowa kluczowe

PL

natężenie ruchu; model predykcji; sztuczne sieci neuronowe; detektory

EN

traffic flow; prediction model; artificial neural networks; detectors

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 4946--4952
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr., pełen tekst na CD

Twórcy

autor

Pamuła T.

• Wydział Transportu, Politechnika Śląska, Krasińskiego 8, 40-019 Katowice

Bibliografia

• 1. Cai, C., Wong, C.K., Heydecker, B.G. Adaptive traffic signal control using approximate dynamic programming, Transportation Research Part C, 17(5), pp. 456-474, 2009.
• 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. 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.
• 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. Karlaftis, M.G., Vlahogianni, E.I.,: Statistical methods versus neural networks in transportation research: differences, similarities and some insights. Transportation Research, Part C. Emerging Technologies 19 (3), pp. 387–399, 2011.
• 6. Pamuła T.: Road traffic parameters prediction in urban traffic management systems using neural networks, Transport Problems, Vol. 6, Issue 3, Wyd. Pol. Śląskiej, pp. 123-129, 2011.
• 7. Pamuła T.: Prognozowanie natężenia ruchu pojazdów na skrzyżowaniu za pomocą sieci neuronowej. Zeszyty Naukowe PŚl. nr 1862 Transp. z. 74, s. 67-74, 2012.
• 8. 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.
• 9. 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.
• 10. Quek C., Pasquier M., Boon B., Lim S.: POP-TRAFFIC A Novel Fuzzy Neural Approach to Road Traffic Analysis and Prediction IEEE Transactions On Intelligent Transportation Systems, Vol. 7, No. 2, pp. 133-146, 2006.
• 11. 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.
• 12. 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.