基于时空数据的城市交通流动预测与优化方法
机器学习
2024-10-10 v1
摘要
在现代城市中心，有效的交通管理面临着显著挑战，交通拥堵和旅行时间不一致 greatly 影响通勤者和物流运营。本研究引入一种新方法，通过结合机器学习算法和实时交通信息来增强城市交通流动。我们开发了基于纽约市黄色出租车行程数据的旅行时间预测模型和拥堵分析模型。研究采用时空分析框架识别交通趋势，并通过GraphHopper API实现实时路线优化。该系统根据当前条件确定最高效路径，适应交通流变化。该方法利用Spark MLlib进行预测建模，利用Spark Streaming处理实时数据。通过将历史数据分析与当前交通输入相结合，我们的系统在旅行时间预测和路线优化方面实现了显著提升，展示了其在大城市广泛应用的潜力。该研究为通过先进的数据驱动方法减少城市拥堵和提高交通效率的持续努力做出了贡献。
引用
@article{arxiv.2410.05358,
title = {A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data},
author = {Shambhavi Mishra and T. Satyanarayana Murthy},
journal= {arXiv preprint arXiv:2410.05358},
year = {2024}
}