.png){kind=icon}
返回
Probabilistic Deep Learning for Traffic Density Prediction
.png){kind=icon}
PRE
AI
DOI：10.1177/03611981251393234.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实时、准确地预测周期性和非周期性交通拥堵对于优化交通系统并确保用户顺畅体验至关重要。传统模型通常侧重于长期点估计，这限制了其在需要短期预测或概率评估的场景中的应用（例如交通信号优化、动态收费和应急响应）。本研究探索概率深度学习（DL）用于实时交通密度分布预测。研究结果表明，一种改进的多分位数循环神经网络（MQRNN），命名为MQRNN-monotonic，在处理非周期性干扰方面优于传统时间序列方法。引入了一种新的损失函数以解决分位数交叉问题，确保预测分布的有效性。在两个高速公路数据集上的实验表明，用于交通密度预测的概率DL能够生成校准良好且动态尖锐的交通拥堵分布。本研究为实时交通密度预测提供了一种有前景的新方法，为交通系统更快、更智能地响应道路变化铺平了道路，使交通对每个人来说更顺畅、更可持续、更具可预测性。
Keyword:
probabilistic deep learning
traffic density
non-recurrent congestion
time-series forecasting
期刊
T
IF:
1.8
论文数:
876
被引数:
3.4W
机构
引用论文
.png){kind=icon}
分享收藏Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏A new curb lane monitoring and illegal parking impact estimation approach based on queueing theory and computer vision for cameras with low resolution and low frame rate基于排队论和计算机视觉的低分辨率低帧率摄像头路缘车道监控及违章停车影响估计新方法
PREAI
分享收藏Decomposition of the continuous ranked probability score for ensemble prediction systems集合预测系统连续排序概率得分的分解
OAAI
OAAI分享收藏
查看更多内容