A neural network model for road traffic flow estimation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099059" target="_blank" >RIV/61989100:27240/16:86099059 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27740/16:86099059
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-27400-3_27" target="_blank" >http://dx.doi.org/10.1007/978-3-319-27400-3_27</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-27400-3_27" target="_blank" >10.1007/978-3-319-27400-3_27</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A neural network model for road traffic flow estimation
Popis výsledku v původním jazyce
Real-time road traffic state information can be used for traffic flow monitoring, incident detection and other related traffic management activities. Road traffic state estimation can be done using either data driven or model based or hybrid approaches. The data driven approach is preferable for real-time flow prediction but to get traffic data for performance evaluation, hybrid approach is recommended. In this paper, a neural network model is employed to estimate real-time traffic flow on urban road network. To model the traffic flow, the microscopic model Simulation of Urban Mobility (SUMO) is used. The evaluation of the model using both simulation data and real-world data indicated that the developed estimation model could help to generate reliable traffic state information on urban roads. (C) Springer International Publishing Switzerland 2016.
Název v anglickém jazyce
A neural network model for road traffic flow estimation
Popis výsledku anglicky
Real-time road traffic state information can be used for traffic flow monitoring, incident detection and other related traffic management activities. Road traffic state estimation can be done using either data driven or model based or hybrid approaches. The data driven approach is preferable for real-time flow prediction but to get traffic data for performance evaluation, hybrid approach is recommended. In this paper, a neural network model is employed to estimate real-time traffic flow on urban road network. To model the traffic flow, the microscopic model Simulation of Urban Mobility (SUMO) is used. The evaluation of the model using both simulation data and real-world data indicated that the developed estimation model could help to generate reliable traffic state information on urban roads. (C) Springer International Publishing Switzerland 2016.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Systems and Computing. Volume 419
ISBN
978-3-319-27399-0
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
10
Strana od-do
305-314
Název nakladatele
Springer Verlag
Místo vydání
London
Místo konání akce
Pietermaritzburg
Datum konání akce
1. 12. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—