[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Prévision du flux de trafic routier basée sur des algorithmes d'intelligence artificielle utilisant les données de trafic de Californie

Created by
  • Haebom

Auteur

Junseong Lee, Jaegwan Cho, Yoonju Cho, Seoyoon Choi, Yejin Shin

Contour

Cette étude présente un modèle de prévision du volume de trafic basé sur des algorithmes de régression linéaire multiple (MLR) et de forêt aléatoire (RF) utilisant des données de trafic à intervalles de 30 secondes de juillet à novembre 2022 pendant cinq mois sur la California Highway 78 (un tronçon de 7,24 km entre Melrose Dr et El-Camino Real à San Diego). Les performances du modèle ont été évaluées à l'aide des indices R^2, MAE et RMSE en faisant varier l'intervalle de collecte des données de 30 secondes à 15 minutes. Les modèles MLR et RF ont tous deux affiché les meilleures performances à des intervalles de 10 minutes.

Takeaways, Limitations

Takeaways: En démontrant que les modèles MLR et RF utilisant des données d'intervalle de 10 minutes sont efficaces pour prédire les volumes de trafic sur la California Highway 78, ils peuvent contribuer à réduire les embouteillages et à concevoir des plans de gestion du trafic efficaces à l'avenir.
Limitations: L'étude s'est basée sur des données provenant d'une région spécifique (un tronçon de la California Highway 78) et sur une période limitée (5 mois). Il est donc difficile de généraliser à d'autres régions ou périodes. De plus, les algorithmes envisagés se limitaient aux MLR et aux RF, et des algorithmes plus diversifiés et plus sophistiqués devraient être appliqués pour comparer et analyser leurs performances. Les résultats concernant l'optimisation de l'intervalle de collecte de données peuvent être limités à une région spécifique, et d'autres régions ou conditions peuvent avoir des intervalles optimaux différents.
👍