Centre de documentation
scientifique

Prediction of traffic counts using statistical and neural network models / Abul Kalam Azad in Geomatica, vol 69 n° 3 (september 2015)  

Public [article]  inGeomatica > vol 69 n° 3 (september 2015) . - pp 297 - 311 Titre : Prediction of traffic counts using statistical and neural network models Type de document : Article/Communication Auteurs : Abul Kalam Azad, Auteur Année de publication : 2015 Article en page(s) : pp 297 - 311 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] analyse comparative [Termes IGN] apprentissage dirigé [Termes IGN] Calgary [Termes IGN] intelligence artificielle [Termes IGN] modèle statistique [Termes IGN] prédiction [Termes IGN] réseau neuronal artificiel [Termes IGN] trafic urbain [Termes IGN] utilisation du sol Résumé : (auteur) Cet article compare deux modèles différents de prédiction du trafic basés sur des variables démographiques et d'utilisation des terres de la ville de Calgary. Les caractéristiques démographiques et d'utilisation des terres ont été utilisées comme variables indépendantes au niveau des aires de diffusion (AD — de petites unités géo graphiques avec une population variant entre 400 et 700 habitants) dans la ville de Calgary. On a utilisé les données de trafic routier de la ville de Calgary comme variable dépendante pour développer des modèles statistiques et des modèles de réseaux neuronaux. Des modèles statistiques de comptes binomiaux négatifs (avec carnet de bord en ligne) ont été élaborés puisque les données semblaient sur-dispersées. Les modèles de réseaux neuronaux ont été élaborés selon un concept de rétro-propagation multicouches en aval pour l'apprentissage supervisé. Les résultats indiquent que le modèle en réseau neuronal garantit un moins grand nombre d'erreurs que le modèle statistique. Dans l'ensemble, le modèle avec réseaux neuronaux a produit de meilleurs résultats pour la prédiction du trafic que l'approche de régression binominale négative également à l’étude dans cet article. Le modèle avec réseaux neuronaux convient particulièrement en raison de sa meilleure capacité de prédiction. Cependant, le modèle statistique peut être utilisé pour sa formulation mathématique ou pour élaborer une meilleure compréhension du rôle des variables explicatives dans l'estimation du trafic. Numéro de notice : A2015-667 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.5623/cig2015-304 En ligne : https://doi.org/10.5623/cig2015-304 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=78276 [article]