基于 VANET 的城市拥堵分布式分类
机器学习
2020-12-07 v2 机器学习
摘要
车载自组织网络(VANET)可高效检测交通拥堵,但仅检测是不够的,因为拥堵可进一步分类为常发性与非复发性拥堵(NRC)。特别地,城市网络中的 NRC 主要由事件、施工区、特殊活动和恶劣天气引起。我们提出一种利用 VANET 在异构城市道路网上实时将拥堵分布式分类为其组成类型的框架。我们基于时空因果度量的理解建立模型,并在源自科隆真实案例研究的合成数据上训练。我们的性能评估显示,确定性分类树(CT)的预测准确率为 87.63%,朴素贝叶斯分类器(NB)为 88.83%,随机森林(RF)为 89.51%,提升技术为 89.17%。该框架可通过制定有效的拥堵缓解策略(知晓拥堵根本原因)来协助交通机构减少城市拥堵。
引用
@article{arxiv.1904.12685,
title = {Distributed Classification of Urban Congestion Using VANET},
author = {Al Mallah Ranwa and Farooq Bilal and Quintero Alejandro},
journal= {arXiv preprint arXiv:1904.12685},
year = {2020}
}
备注
8 pages, transactions, 7 figures