基于机器学习的开源年平均日交通量估计软件的开发和评估
软件工程
2019-10-24 v1
摘要
传统上，交通部（DOTs）使用基于因子的模型从短期交通计数估计年平均日交通量（AADT）。由永久交通计数站导出的扩展因子被应用于短期计数以估计 AADT。基于因子的方法固有的挑战（即计数站分组、应用恰当的扩展因子）使得估计的 AADT 值存在误差。根据作者进行的一项调查，39 个公共交通机构中有 97% 使用基于因子的 AADT 估计模型，且这些机构在使用基于因子的模型估计 AADT 时面临上述挑战。为了推导更精确的 AADT，本文提出“estimAADTion”软件，这是一个基于称为支持向量回归（SVR）的机器学习方法开发的开源软件，用于利用 24 小时短期计数数据估计 AADT。DOTs 定期在不同地点进行短期计数。该软件被设计用于从在这些地点收集的短期计数估计特定地点的 AADT。为了从短期计数估计 AADT，该软件使用来自永久计数站的数据训练 SVR 模型。使用来自南卡罗来纳州的短期计数数据验证了“estimAADTion”软件的性能。该软件估计的 AADT 的平均绝对百分比误差（MAPE）为 3%，而基于因子的方法产生的 MAPE 值为 6%。
引用
@article{arxiv.1910.10622,
title = {Development and evaluation of an open-source, machine learning-based average annual daily traffic estimation software},
author = {Zadid Khan and Sakib Mahmud Khan and Ph. D. and Mashrur Chowdhury and Ph. D. and P. E. and F. ASCE},
journal= {arXiv preprint arXiv:1910.10622},
year = {2019}
}
备注
16 Pages, 6 Figures, 1 Table