Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Sekuła Przemysław

1 2022

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Szacowanie natężenia ruchu drogowego z wykorzystaniem sieci neuronowych

Sekuła Przemysław

Transport Miejski i Regionalny

2022

nr 10

16--21

Artykuł przedstawia metodę szacowania godzinnego natężenia ruchu drogowego opartą o sztuczne sieci neuronowe i dane z systemów GPS. Metoda ta została opracowana przez Centrum Zaawansowanych Technologii Transportowych Uniwersytetu Maryland (University of Maryland, Center for Advanced Transportation Technology) w ramach prac badawczych finansowanych przez stanowe agencje drogowe. Przedstawiona metoda umożliwia szacowanie natężenia ruchu w całej sieci drogowej z wartością błędu nie przekraczającą zazwyczaj 7%. W artykule zaprezentowano też modyfikacje, które pozwalają na wykorzystanie istniejących stacji pomiaru natężenia ruchu drogowego dla podniesienia dokładności szacowania w całej sieci drogowej oraz zaproponowano taki sposób rozmieszczania tych stacji, który maksymalizuje uzyskane wyniki. Ostatnim z przedstawionych rozwiązań jest analiza możliwości wykorzystania dużych zbiorów danych z innych obszarów oraz analiza możliwości wykorzystania modeli służących do szacowania natężenia ruchu w innych miejscach i okresach. Opisane w tej części artykułu rozwiązania pozwalają na znaczące obniżenie kosztów proponowanej metody.

This paper presents the method of estimating hourly traffic volumes based on artificial neural networks and GPS data. This method was developed by the University of Maryland, Center for Advanced Transportation technologies in research founded by State Highway Agencies. The presented method allows for estimating traffic volume in the entire road network with an EMFR error that is usually smaller than 7%. Additionally, the modifications of the presented method that enables leveraging existing continuous count stations in order to increase the accuracy of the model, as well as the optimal way of deploying such stations, are also discussed. Finally, we discussed ways of reducing the cost of the presented solution by utilizing large data sets and models gathered or trained in different places and time periods.