Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A Framework for Traffic Prediction Integrated with Deep Learning
KTH, Skolan för arkitektur och samhällsbyggnad (ABE), Samhällsplanering och miljö, Geoinformatik.ORCID-id: 0000-0001-7218-9082
KTH, Skolan för arkitektur och samhällsbyggnad (ABE), Samhällsplanering och miljö, Geoinformatik.ORCID-id: 0000-0001-5361-6034
KTH, Skolan för arkitektur och samhällsbyggnad (ABE), Samhällsplanering och miljö, Geoinformatik.ORCID-id: 0000-0003-1164-8403
2019 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

City-scale traffic prediction is an important task for public safety, traffic management, and deployment of intelligent transportation systems. Many approaches have been proposed to address traffic prediction task using machine learning techniques. In this paper, we present a framework to help on addressing the task at hand (density-, traffic flow- and origin-destination flow predictions) considering data type, features, deep learning techniques such as Convolutional Neural Networks (CNNs), e.g., Autoencoder, Recurrent Neural Networks (RNNs), e.g., Long Short Term Memory (LSTM), and Graph Convolutional Networks (GCNs). An autoencoder model is designed in this paper to predict traffic density based on historical data. Experiments on real-world taxi order data demonstrate the effectiveness of the model.

Ort, förlag, år, upplaga, sidor
2019.
Nationell ämneskategori
Naturvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-254200OAI: oai:DiVA.org:kth-254200DiVA, id: diva2:1329004
Konferens
The 8th Symposium of the European Association for Research in Transportation
Anmärkning

QC 20190625

Tillgänglig från: 2019-06-24 Skapad: 2019-06-24 Senast uppdaterad: 2019-06-25Bibliografiskt granskad

Open Access i DiVA

Traffic_Prediction_Framework(3660 kB)32 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 3660 kBChecksumma SHA-512
544abf641bf399282a4cdd075d41b37a36dc1918c0426cd1defdaf7778b6dca7a2b68e949d156cc5413e198c7497ee1a4a8bb73ad0c276c7ac094ccaf6e480e4
Typ fulltextMimetyp application/pdf

Övriga länkar

http://heart2019.bme.hu/

Sök vidare i DiVA

Av författaren/redaktören
Cumbane, Silvino PedroYang, CanGidofalvi, Gyözö
Av organisationen
Geoinformatik
Naturvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 32 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 258 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf