.png){kind=icon}
返回
Optimized predictive modelling for highway traffic flow using real world data
.png){kind=icon}
OA
AI
DOI：10.1016/j.sciaf.2026.e03330.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通拥堵削弱了快速城市化地区的流动性、经济生产力和安全性，但基于南非实际高速公路数据的实证小时交通流量预测研究仍然有限。本研究通过开发并严格基准测试用于N3德班-皮特马里茨堡走廊国家高速公路小时交通量预测的机器学习模型，以连续计数站观测数据为基础，填补了这一空白。实施了一个统一的建模流程，包括预处理、标准化、80:20保留分割和10折交叉验证的超参数优化（使用GridSearchCV）。训练并使用R²、RMSE和MAE评估了四种算法，即k-最近邻、决策树、支持向量回归（SVR）和多层感知器（MLP）。SVR取得了最佳整体性能，R²=0.9952，RMSE=36.25，MAE=36.11，MLP紧随其后（R²=0.9952）。关键进展是在相同验证和调整条件下，对非洲欠研究的高速公路背景下的多个机器学习模型进行了可重复的、一对一的比较评估，提供了实证性能排名和小时预测模型选择的实用指导。这些发现支持基于数据的运营规划和战略走廊的智能交通干预，并为类似新兴经济体高速公路网络提供了一个可转移的基准测试框架。
Keyword:
Artificial intelligence modeling
Machine learning prediction
Machine learning techniques
Traffic prediction
Traffic volume prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.3
论文数:
1.1K
被引数:
6.7K
机构
暂无机构信息
引用论文
A Hybrid Model Integrating Local and Global Spatial Correlation for Traffic Prediction.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Risk analysis of traffic congestion due to problem in heavy vehicles: a concept重型车辆问题导致的交通拥堵风险评估：一个概念
PREAI
分享收藏Machine Learning-Based Models for Real-time Traffic Flow Prediction in Vehicular NetworksIEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏
查看更多内容