Context-based prediction for road traffic state using trajectory pattern mining and recurrent convolutional neural networks

با پذیرش وسیع دستگاههای دارای سیستم موقعیت یابی جهانی، مقدار زیادی اطلاعات مسیریابی هر روز تولید می شود که منجر به الگوهای ترافیکی معنی دار می شود. این مطالعه با هدف پیش بینی وضعیت آینده ترافیک جاده به جای نشان دادن شرایط ترافیکی فعلی تنها نشان داده است. اول، ما از روش خوشه ای برای دسته بندی مسیرهای مشابه یک دوره خاص با هم به یک خوشه برای هر جاده استفاده می کنیم. دوم، برای هر خوشه، طول و زوایای کل مسیرها در گروه را به عنوان مسیریابی نمایشی که به عنوان الگوی جاده درنظر گرفته می شود، به طور میانگین محاسبه می کنیم. سوم، ما یک بردار ویژگی برای هر جاده بر اساس شرایط ترافیکی تاریخی و الگوهای جادهای همسایه ایجاد می کنیم. در نهایت، ما یک شبکه عصبی کانولوشه ای مجدد برای مدل سازی رابطه غیرخطی پیچیده بین ویژگی ها برای پیش بینی شرایط ترافیکی جاده ای طراحی می کنیم. نتایج تجربی نشان می دهد که رویکرد ما در مقایسه با چندین یادگیری ماشین آلات سنتی و الگوریتم های پیشرفته تر، بسیار مناسب تر است.