Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
International Journal of Intelligent Transportation Systems Research
Erschienen in: International Journal of Intelligent Transportation Systems Research 3/2022

Open Access 06.10.2022

Comparative Validation of Spatial Interpolation Methods for Traffic Density for Data-driven Travel-time Prediction

verfasst von: Hiroki Katayama, Shohei Yasuda, Takashi Fuse

Erschienen in: International Journal of Intelligent Transportation Systems Research | Ausgabe 3/2022

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In data-driven travel-time prediction, previous studies have mainly used speed as the input. However, from a traffic engineering perspective, given that speed varies little in the free-flow regime, traffic density, which can accurately represent traffic conditions from the free-flow regime to the congested-flow regime, is preferable as an input. In this study, we compared the accuracy of traffic densities spatially interpolated using spatial statistical and machine learning methods, and validated their effectiveness as inputs for travel-time prediction. The results show that even traffic density interpolated by simple spatial interpolation contributes to the accuracy of travel-time prediction and is superior to speed for early detection of traffic congestion.
Vorheriger Artikel Queue Length as Measure of Effectiveness for Evaluating Level of Service at Signalized Intersections under Non-Lane based Traffic Conditions
Nächster Artikel Correction to: Comparative Validation of Spatial Interpolation Methods for Traffic Density for Data‑driven Travel‑time Prediction

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

ATZelectronics worldwide

ATZlectronics worldwide is up-to-speed on new trends and developments in automotive electronics on a scientific level with a high depth of information. 

Order your 30-days-trial for free and without any commitment.

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
T. Ministry of Land, Infrastructure T. of Japan: White paper on national capital region development (2017)
2.
Ryo, N, Shohei, Y., Takamasa, I., Asakura, Y.: Evaluation of traffic control management for incident on expressway by using traffic simulation with actual data. J. Jpn. Soc. Civ. Eng. Ser. D3 (Infrastructure Planning and Management) 70(5), I_971 (2014)
3.
4.
Daganzo, C.F.: Urban gridlock: Macroscopic modeling and mitigation approaches. Transp. Res. Part B: Methodol. 41(1), 49 (2007)CrossRef
5.
Oh, S., Byon, Y.J., Jang, K., Yeo, H.: Short-term travel-time prediction on highway: a review of the data-driven approach. Transp. Rev. 35(1), 4 (2015)CrossRef
6.
Abdi, A., Amrit, C.: A review of travel and arrival-time prediction methods on road networks: classification, challenges and opportunities. PeerJ Comput. Sci. 7, e689 (2021)CrossRef
7.
Selby, B., Kockelman, K.M.: Spatial prediction of traffic levels in unmeasured locations: applications of universal kriging and geographically weighted regression. J. Transp. Geogr. 29, 24 (2013)CrossRef
8.
Krige, D.G.: A statistical approach to some basic mine valuation problems on the Witwatersrand. J. South. Afr. Inst. Mining Metall. 52(6), 119 (1951)
9.
Chen, T., Guestrin, C.: Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp 785–794 (2016)
10.
Tobler, W.R.: A computer movie simulating urban growth in the Detroit region. Econ. Geogr. 46(sup1), 234 (1970)CrossRef
11.
Hajime, S., Morito, T.: Spatial Statics (in Japanese). Asakura Publishing Co., Ltd, Tokyo (2014)
12.
Zamani Joharestani, M., Cao, C., Ni, X., Bashir, B., Talebiesfandarani, S.: PM2. 5 prediction based on random forest, XGBoost, and deep learning using multisource remote sensing data. Atmosphere 10 (7), 373 (2019)CrossRef
13.
Zhao, Y., Chetty, G., Tran, D.: Deep learning with XGBoost for real estate appraisal. In: 2019 IEEE Symposium Series on Computational Intelligence (SSCI), pp 1396–1401. IEEE (2019)
14.
15.
LeBlanc, L.J., Morlok, E.K., Pierskalla, W.P.: An efficient approach to solving the road network equilibrium traffic assignment problem. Transp. Res. 9(5), 309 (1975)CrossRef
16.
Li, C., Yue, W., Mao, G., Xu, Z.: Congestion propagation based bottleneck identification in urban road networks. IEEE Trans. Veh. Technol. 69(5), 4827 (2020)CrossRef
17.
Guo, F., Yang, J., Lu, J.: The battery charging station location problem: Impact of users range anxiety and distance convenience. Transp. Res. Part, E: Logist. Transp. Rev. 114, 1 (2018)CrossRef
18.
Stabler, B., Bar-Gera, H., Sall, E.: Transportation networks for research (2018)
19.
Pebesma, E.J.: Multivariable geostatistics in S: the gstat package. Comput. Geosci. 30(7), 683 (2004)CrossRef
20.
Metadaten
Titel
Comparative Validation of Spatial Interpolation Methods for Traffic Density for Data-driven Travel-time Prediction
verfasst von
Hiroki Katayama
Shohei Yasuda
Takashi Fuse
Publikationsdatum
06.10.2022
Verlag
Springer US
Erschienen in
International Journal of Intelligent Transportation Systems Research / Ausgabe 3/2022
Print ISSN: 1348-8503
Elektronische ISSN: 1868-8659
DOI
https://doi.org/10.1007/s13177-022-00326-0

Weitere Artikel der Ausgabe 3/2022

International Journal of Intelligent Transportation Systems Research 3/2022 Zur Ausgabe

OriginalPaper

Performance Improvement of DS-CDMA IVC by Reducing Intersymbol Interference in Urban Environment

OriginalPaper

A Novel Adaptive Traffic Signal Control Based on Cloud/Fog/Edge Computing

OriginalPaper

Experiment on Evacuation Behavior in Full-Scale Tunnel with Different Guiding Pattern

OriginalPaper

Self-Driving Vehicle Localization using Probabilistic Maps and Unscented-Kalman Filters

OriginalPaper

Driving Assistance: Pedestrians and Bicycles Accident Risk Estimation using Onboard Front Camera

OriginalPaper

Semi-Decentralized Traffic-Responsive Urban Control

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise