基于机器学习与车辆探针数据估算历史小时交通量:马里兰案例研究
机器学习
2018-10-19 v2 计算机与社会
摘要
本文关注于在稀疏布设的交通传感器之间估算历史交通量的问题,交通机构需要借此准确计算全州绩效指标。为此,本文考察了车辆探针数据、自动交通记录仪计数与神经网络模型在估算马里兰公路网小时交通量中的应用,并提出了一种将神经网络与现有轮廓方法相结合的新型方法。平均而言,所提方法比交通量轮廓的估算精度高出 24%,而后者目前被美国各交通机构用于计算全州绩效指标。本文还量化了在估算小时交通量中使用车辆探针数据的价值,为有意获取此类数据的交通机构提供了重要的管理启示。例如,结果显示在平均观测探针数为 30 至 47 辆/小时的位置,交通量可以约 21% 的平均绝对百分比误差被估算,这为评估不同供应商的探针车辆数据价值提供了有用指南。
引用
@article{arxiv.1711.00721,
title = {Estimating Historical Hourly Traffic Volumes via Machine Learning and Vehicle Probe Data: A Maryland Case Study},
author = {Przemysław Sekuła and Nikola Marković and Zachary Vander Laan and Kaveh Farokhi Sadabadi},
journal= {arXiv preprint arXiv:1711.00721},
year = {2018}
}