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

• Autorzy: Pamuła, T.

Warianty tytułu

EN

Assesment of traffic flow forecasts based on k-nearest neighbour method (kNN) and neural network

• Języki publikacji: PL

Abstrakty

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.

Słowa kluczowe

PL

natężenie ruchu; predykcja; algorytm kNN; sieć neuronowa

EN

neural network; traffic flow; k-nearest neighbour method

• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 8313--8320
• Opis fizyczny: Bibliogr. 16 poz., tab., wykr., pełny tekst na CD3

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. G. E. P. Box, G. M. Jenkins, and G. C. Reinsel, Time Series Analysis: Forecasting and Control, 3rd edition ed. Englewood Cliffs, NJ: Prentice Hall, (1994).
• 7. I. Okutani and Y. Stephanedes, "Dynamic prediction of traffic volume through Kalman filtering theory," Transportation Research Part B: Methodological, 18,pp. 1-11, (1984).
• 8. M. Dougherty, "A review of neural networks applied to transport," Transportation Research Part C: Emerging Technologies, 3, pp. 247-260, (1995).
• 9. Smith, B. L., Williams, B. M., Oswald, K. R.: Comparison of parametric and nonparametric models for traffic flow forecasting. Transportation Research Part C: Emerging Technologies, 2002, 10, (4), pp. 303-321.
• 10. Li, S., Shen, Z., Wang, F.-Y.: A weighted pattern recognition algorithm for short-term traffic flow forecasting. In: 9th IEEE International Conference on Networking, Sensing and Control ICNSC 2012, pp. 1-6.
• 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. Guo, F., Krishnan, R., Polak, J. W.: Short-Term Traffic Prediction Under Normal and Abnormal Traffic Conditions on Urban Roads. In: Transportation Research Board 91st Annual Meeting, 2012, Paper #12-1627, pp. 1-17.
• 13. Chang, H., Lee, Y., Yoon, B., Baek, S.: Dynamic near-term traffic flow prediction system oriented approach based on past experiences. IET Intelligent Transport Systems, 2012, 6, (3), pp. 292-305.
• 14. Kim, T., Kim, H., Lovell, D. J.: Traffic flow forecasting: overcoming memory less property in nearest neighbor non-parametric regression. In: Intelligent Transportation Systems 2005, Proceedings, pp. 965-969.
• 15. Pamuła T.: Model predykcji natężenia ruchu pojazdów z użyciem sztucznych sieci neuronowych. Logistyka 2014 nr 3, dysk optyczny (CD-ROM) s. 4946-4952, bibliogr. 12 poz.
• 16. 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.