Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU

要約

交通量をリアルタイムで予測することで、交通の流れと交通安全の両方を改善できます。
正確な交通量予測は、優先ルートに沿った交通の流れをドライバーに警告し、潜在的なデッドロック状況を防ぐのに役立ちます。
既存のパラメトリック モデルでは、動的で複雑な交通状況において交通量を確実に予測することはできません。
そのため、特定の時間ステップごとのトラフィック量をリアルタイムで評価および予測するために、非線形メモリベースのディープ ニューラル ネットワーク モデルを開発します。
Metro Interstate Traffic Volume データセットで実行された大規模な実験は、非常に動的で異種の交通環境における交通量の予測における提案されたモデルの有効性を示しています。

要約(オリジナル)

Predicting traffic volume in real-time can improve both traffic flow and road safety. A precise traffic volume forecast helps alert drivers to the flow of traffic along their preferred routes, preventing potential deadlock situations. Existing parametric models cannot reliably forecast traffic volume in dynamic and complex traffic conditions. Therefore, in order to evaluate and forecast the traffic volume for every given time step in a real-time manner, we develop non-linear memory-based deep neural network models. Our extensive experiments run on the Metro Interstate Traffic Volume dataset demonstrate the effectiveness of the proposed models in predicting traffic volume in highly dynamic and heterogeneous traffic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google