Wyniki wyszukiwania - BazTech

1

Non-parametric machine learning methods for evaluating the effects of traffic accident duration on freeways

Lee Y., Wei C.-H., Chao K.-C.

Archives of Transport

|

2017

|

Vol. 43, iss. 3

91--104

EN

Traffic accidents usually cause congestion and increase travel-times. The cost of extra travel time and fuel consumption due to congestion is huge. Traffic operators and drivers expect an accurately forecasted accident duration to reduce uncertainty and to enable the implementation of appropriate strategies. This study demonstrates two non-parametric machine learning methods, namely the k-nearest neighbour method and artificial neural network method, to construct accident duration prediction models. The factors influencing the occurrence of accidents are numerous and complex. To capture this phenomenon and improve the performance of accident duration prediction, the models incorporated various data including accident characteristics, traffic data, illumination, weather conditions, and road geometry characteristics. All raw data are collected from two public agencies and were integrated and cross-checked. Before model development, a correlation analysis was performed to reduce the scale of interrelated features or variables. Based on the performance comparison results, an artificial neural network model can provide good and reasonable prediction for accident duration with mean absolute percentage error values less than 30%, which are better than the prediction results of a k-nearest neighbour model. Based on comparison results for circumstances, the Model which incorporated significant variables and employed the ANN method can provide a more accurate prediction of accident duration when the circumstances involved the day time or drunk driving than those that involved night time and did not involve drunk driving. Empirical evaluation results reveal that significant variables possess a major influence on accident duration prediction.

2

Ocena predykcji natężenia ruchu pojazdów z użyciem algorytmu kNN-najbliższych sąsiadów i sieci neuronowych

Pamuła T.

Logistyka

|

2014

|

nr 6

8313--8320

PL

Artykuł zawiera wyniki oceny predykcji natężenia ruchu z wykorzystaniem algorytmu kNN oraz sieci neuronowych. Przeprowadzona ocena predykcji wykorzystuje klasyfikację danych ze względu na charakter ruchu (odniesiony do dnia tygodnia np.: dni robocze, niedziele). Baza danych obejmuje dane z 10 miesięcznego okresu rejestracji w latach 2011/2012. Natężenia rejestrowane były w odstępach 5 minutowych. Przeprowadzono analizę uzyskanych wyników. Obie metody dają zbliżone wyniki tj błąd predykcji wynosi 6%. Siec neuronowa zaniża wyniki, gdy kNN daje większe wartości predykcji. Korzystne dla uzyskania lepszej dokładności predykcji jest pominięcie wartości natężeń ruchu rejestrowanych w godzinach nocnych w obliczeniach.

EN

The paper presents an assessment of traffic prediction using kNN algorithm and neural networks. The carried out assessment uses traffic flow data divided into classes based on the character of the traffic flow (related to day type eg. work days, holidays). The data base encompasses values of road traffic flow registered during 10 months of 2011 and 2012. The values of traffic flow were registered every 5 minutes. The results of prediction with both tools were analyzed. Both methods give similar results that is the prediction error is 6%. The neural network prediction understates prediction, while kNN gives larger prediction values. It is advisable do omit traffic flow values registered during night hours of the day when performing calculations.

3

Wykorzystanie danych lotniczego skaningu laserowego i zdjęć lotniczych do klasyfikacji pokrycia terenu

Borkowski A., Tymków P.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2007

|

Vol. 17a

93--103

PL

Informacja bezpośrednia i pośrednia dotycząca powierzchni terenu i jego pokrycia zawarta w danych skaningu laserowego może być wykorzystana do klasyfikacji form pokrycia terenu. W artykule podjęto próbę oceny przydatności tego typu danych jako źródła informacji uzupełniających wektor cech, zbudowany na podstawie obrazów lotniczych, w procesie klasyfikacji pokrycia terenu. Wykorzystano dane skanowania laserowego pozyskane za pomocą systemu ScaLARS. Przeprowadzono szereg eksperymentów numerycznych polegających na klasyfikacji fragmentu obszaru doliny rzeki Widawy za pomocą różnych algorytmów klasyfikacji oraz przy różnych kombinacjach wektora cech branych pod uwagę. W testach wykorzystano jednokierunkowe sztuczne sieci neuronowe, metodę największej wiarygodności, oraz metodę k-najbliższych sąsiadów. Porównano jakość klasyfikacji opartej o następujące cechy: wartości kanałów RGB, parametry charakteryzujące teksturę, informacje o wysokości form pokrycia terenu estymowane na podstawie numerycznego modelu terenu oraz numerycznego modelu pokrycia terenu, model charakteryzujący rozrzut wartości wysokości danych skaningu zarejestrowanych na jednostce powierzchni oraz intensywność promienia laserowego. Ilościowa ocenę dokładności oparto o macierz niezgodności, obliczana na podstawie porównania otrzymanego wyniku klasyfikacji dla wektora testowego do wzorca wykonanego manualnie metoda digitalizacji. Najlepsze wyniki klasyfikacji otrzymano za pomocą klasyfikatora neuronowego. Stwierdzono ponadto, że zastąpienie modelu numerycznego pokrycia terenu wariancja wysokości surowych danych lotniczego skaningu laserowego daje poprawne rezultaty klasyfikacji przy znacznej redukcji obliczeń.

EN

The direct and indirect information about terrain surface and land use contained in laser scanning data sets allow to provide the automatic classification of land cover. An attempt of using scanning data as a supplementary source for such classification based on aerial photos was performed in this article. A continuous-wave (CW) ScaLARS laser system was used to receive scanning data. Numerous experiments consisting in the classification of a part of Widawa River valley were carried out in order to find the best combination of data set and classification method. Three classification methods were used: multilayer neural networks, maximum likelihood classifier and k-nearest neighbour method. The classification was made and evaluated using: aerial images (RGB model), texture features, differential model of height of land cover, based on digital surface model (DSM), and digital terrain model (DTM), model of height dispersion represented by variance of measured points height in a regular grid and intensity image. In order to quantify the quality of the results, a confusion matrix was created for each testing pattern based on manual digitalized reference data. The best results are obtained by artificial neural network classifier. The use of variance of height, instead of differential model, gives satisfactory results, and the obtaining of this feature is easy and fast in comparison to DTM and DSM building process.