Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

How does the Performance of the Data-driven Traffic Flow Forecasting Models deteriorate with Increasing Forecasting Horizon? An Extensive Approach Considering Statistical, Machine Learning and Deep Learning Models

Created by
  • Haebom
Category
Empty

저자

Amanta Sherfenaz, Nazmul Haque, Protiva Sadhukhan Prova, Md Asif Raihan, Md. Hadiuzzaman

개요

본 연구는 급증하는 도시화로 인한 교통 혼잡 문제를 해결하기 위해 지능형 교통 시스템(ITS)의 핵심 기능인 교통 예측 모델의 성능을 평가한다. 캘리포니아 Harbor Freeway의 실제 데이터를 사용하여 통계적 모델, 머신 러닝(ML) 모델, 딥 러닝(DL) 모델의 교통 속도 및 흐름 예측 성능을 비교 분석했다. ANFIS-GP는 단기 예측에, Bi-LSTM은 중장기 예측에 강점을 보였으며, 하이브리드 모델의 가능성을 제시했다.

시사점, 한계점

•
ANFIS-GP는 초기 예측 성능이 우수하나, 예측 기간이 길어질수록 성능 저하가 큼.
•
Bi-LSTM은 장기적인 의존성을 모델링하여 중장기 예측에 더 강건한 성능을 보임.
•
모델 성능 저하를 로그 변환을 통해 정량적으로 분석하고, 기울기를 사용하여 강건성을 평가함.
•
Bi-LSTM이 DL 모델 중 가장 낮은 기울기를 보이며 강건성이 우수함을 확인.
•
하이브리드 모델이 향후 연구 방향으로 제시됨.
•
연구는 특정 고속도로 데이터를 기반으로 하므로, 다른 지역 또는 교통 환경에 일반화하기 어려울 수 있음.
•
모델의 최적화 및 하이퍼파라미터 설정에 대한 자세한 정보가 부족할 수 있음.
•
실제 교통 상황의 복잡성을 완전히 반영하지 못할 수 있음.
👍
Made with Slashpage