TCPModel: A Short-Term Traffic Congestion Prediction Model Based on Deep Learning

Xu, Xiujuan; Gao, Xiaobo; Xu, Zhenzhen; Zhao, Xiaowei; Pang, Wei; Zhou, Haibin

doi:10.1007/978-981-32-9298-7_6

Cited by 2 publications

(1 citation statement)

References 6 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Five parameters are typically evaluated when monitoring and forecasting congestion: traffic volume, traffic volume, occupancy, congestion rate, and travel time. Depending on the type of data collected, different AI approaches are used to evaluate the overload parameters [7][8][9].…”

Section: Introductionmentioning

confidence: 99%

Optimizing Traffic Flow in Smart Cities: Soft GRU-Based Recurrent Neural Networks for Enhanced Congestion Prediction Using Deep Learning

Abdullah

Periyasamy²,

Kamaludeen

et al. 2023

Sustainability

View full text Add to dashboard Cite

Recently, different techniques have been applied to detect, predict, and reduce traffic congestion to improve the quality of transportation system services. Deep learning (DL) is becoming increasingly valuable for solving critiques. DL applications in transportation have been collected in several recently published surveys over the last few years. The existing research has discussed the cloud environment, which does not provide timely traffic forecasts, which is the cause of frequent traffic accidents. Thus, a solid understanding of the difficulties in predicting congestion is required because the transportation system varies widely between non-congested and congested states. This research develops a bi-directional recurrent neural network (BRNN) using Gated Recurrent Units (GRUs) to extract and classify traffic into congested and non-congested. This research uses a bidirectional recurrent neural network to simulate and forecast traffic congestion in smart cities (BRNN). Urban regions worldwide struggle with traffic congestion, and conventional traffic control techniques have failed miserably. This research suggests a data-driven approach employing BRNN for traffic management in smart cities, which uses real-time data from sensors and linked devices to control traffic more efficiently. The primary measures include predicting traffic metrics such as speed, weather, current, and accident probability. Congestion prediction performance has also been improved by extracting more features such as traffic, road, and weather conditions. The proposed model achieved better measures than the existing state-of-the-art methods. This research also explores an overview and analysis of several early initiatives that have shown promising results; moreover, it explores two potential future research approaches to increase the accuracy and efficiency of large-scale motion prediction.

show abstract

Section: Introductionmentioning

confidence: 99%

Optimizing Traffic Flow in Smart Cities: Soft GRU-Based Recurrent Neural Networks for Enhanced Congestion Prediction Using Deep Learning

Abdullah

Periyasamy²,

Kamaludeen

et al. 2023

Sustainability

View full text Add to dashboard Cite

show abstract

Разработка Системы Анализа Качества Улично-Дорожных Сетей На Основе Комбинированных Признаков

Селиверстов¹,

Seliverstov

Seliverstov³

2021

Транспорт: Наука, Техника, Управление

View full text Add to dashboard Cite

Работа посвящена исследованию возможности использования мобильных приложений для контроля качества городских улично-дорожных сетей и транспортного обслуживания населения. Производится анализ предметной области и дается обзор зарубежных и российских технических решений. На основе проведенного интернет опроса в среде Google Forms определяется степень востребованности приложения пользователями и определяется предпочтительный набор функций. Для разработки мобильного приложения на платформе iOS используется архитектура Clean Swift. В качестве базы данных выбирается облачный сервис Firebase Realtime DataBase. Разрабатывается графическая библиотека маркеров-критериев для оценки качества городских улично-дорожных сетей. В качестве модели жизненного цикла используется модель Scrum. Осуществляется разработка и тестирование приложения в среде Xсode на Swift 4.0. Приложение позволяет пользователю наносить на карту маркеры, отражающие соответствующие события, связанные с качеством улично-дорожной сети с учетом различных способов передвижения, городской среды, настроения и состояния здоровья окружающих людей и задавать бальную оценку событиям. Модуль для анализа данных написан на языках Python 3.6 и JavaScript с использованием библиотек flask, leaflet.js, pandas, geopy, folium. Модуль для анализа данных осуществляет обработку данных с Firebase Realtime DataBase с формированием детализированного отчета по всем событиям за анализируемый период. Также в процессе анализа данных осуществляется расчет критерия качества рассматриваемой области, адресная идентификация отмеченного события путем перевода gps-координат этого события в конкретный адрес, маркерной визуализацией всех событий за анализируемый период на карте с помощью библиотеки leaflet.js, а также оценкой качества уличнодорожной сети с использованием тепловых карт. Производится тестирование приложения в среде дистрибуции TestFlight и апробируется работоспособность системы на примере оценки качества городской улично-дорожной сети Санкт-Петербурга. Обозначаются ориентиры дальнейшего развития разработанного инструментария в составе интеллектуальных транспортных систем и Smart City.

show abstract

TCPModel: A Short-Term Traffic Congestion Prediction Model Based on Deep Learning

Cited by 2 publications

References 6 publications

Optimizing Traffic Flow in Smart Cities: Soft GRU-Based Recurrent Neural Networks for Enhanced Congestion Prediction Using Deep Learning

Optimizing Traffic Flow in Smart Cities: Soft GRU-Based Recurrent Neural Networks for Enhanced Congestion Prediction Using Deep Learning

Разработка Системы Анализа Качества Улично-Дорожных Сетей На Основе Комбинированных Признаков

Contact Info

Product

Resources

About