.png){kind=icon}
返回
A congestion prediction method based on trajectory mining algorithm
.png){kind=icon}
OA
AI
DOI：10.1007/s43762-025-00163-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，私人汽车数量正迅速增加。交通拥堵已成为城市地区的一个严重问题。如果能预测交通拥堵的发生，将有助于改善交通状况。因此，已提出许多交通拥堵预测方法。几乎所有这些方法都基于交通流预测算法。在这些方法中，进行预测时使用了历史交通流数据。显然，近期发生的突发事故信息，如交通事故、道路损坏和恶劣天气，可能未包含在历史交通流数据中。但这些因素会影响交通流预测算法的性能。在这种情况下，基于交通流预测结果的交通拥堵预测方法的性能也会受到影响。为解决此问题，本文提出了一种基于轨迹挖掘算法的新型交通拥堵预测方法。在该方法中，交通管理者可以根据道路的当前状况为每条道路设置一个阈值。该阈值表示对应道路在短时间内能够承载的车辆数量。此外，对于每条道路，所提出的方法尝试通过基于车辆轨迹预测其下一位置，来统计下一时间步将通过特定道路的车辆数量。如果一条道路的车辆数量超过该道路的阈值，则预测为拥堵道路；否则，预测为非拥堵道路。
Keyword:
Intelligent transportation system
Congestion prediction
Traffic congestion
Trajectory mining, Next location prediction
期刊
IF:
3.2
论文数:
149
被引数:
417
机构
引用论文
Ensemble of ARIMA: combining parametric and bootstrapping technique for traffic flow prediction
PREAI
分享收藏T-LSTM: A Long Short-Term Memory Neural Network Enhanced by Temporal Information for Traffic Flow Prediction.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Short-term traffic flow rate forecasting based on identifying similar traffic patterns基于相似交通模式识别的短时交通流量预测
PREAI
分享收藏OpenTagProceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容