Abstract: A. Essien, G. Chukwkelu, C. Giannetti (2019)

Short-term traffic prediction is critical for urban traffic congestion control and management. The past two decades have seen a rapid increase in short-term traffic prediction models. However, the majority of traffic prediction models focus on junction or link traffic parameter prediction, rather than network-wide prediction. For effective urban traffic congestion management and future planning, network-wide traffic parameter prediction becomes critical. This paper, therefore, proposes a scalable deep learning framework that learns traffic flow parameters as images and predicts multi-step traffic flow. The input traffic network time series is converted to a series of recurrence plots. A deep 2-dimensional Convolutional Long Short-Term Memory (ConvLSTM) architecture is applied to perform representation and sequential learning. We evaluated the performance of our proposed model using real-world road traffic network data obtained from sensor-collected data in California, USA. The performance of our predictive approach is benchmarked against state-of-the-art deep learning traffic prediction models. The experimental results highlight the potential of the model in handling large-scale urban traffic data and substantiate the value of the approach when applied to large-scale urban traffic flow prediction.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

A Scalable Deep Convolutional LSTM Neural Network for Large-Scale Urban Traffic Flow Prediction using Recurrence Plots