A learning-based comprehensive evaluation model for traffic data quality in intelligent transportation systems
A learning-based comprehensive evaluation model for traffic data quality in intelligent transportation systems
复制标题
基于学习的智能交通系统交通数据质量综合评价模型
DOI：
10.1007/s11042-015-2676-4
复制
发表时间：
2016-10
影响因子：
3.6
通讯作者：
Yidong Li
中科院分区：
文献类型：
--
作者：
Yidong Li
随着信息技术的发展，人体运动建模在各个工业领域受到越来越多的关注。以前的研究集中在捕捉，动画，理解和模拟人类的手势或身体活动。然而，在许多应用中，如智能交通系统（ITS），交通数据质量（TDQ）正在成为一个关键问题，可以有很大的影响建模的效率。在本文中，我们专注于评估交通数据质量（TDQ）从大量的检测器和交通流数据在智能交通系统（ITS）的建模。本文首先引入了占用速度模型和占用流量模型的四个误差指标作为模型评价指标，引入了两个专家评价指标作为非模型评价指标。然后，我们提出了一个综合评价模型（CEM）的TDQ。此外，我们开发了两种算法的基础上最小二乘法（LSM）和自适应网络模糊推理系统（ANFIS）的CEM的参数训练。我们比较了所提出的算法与现实世界的交通流数据已收集到的北京环路和连接线。实验结果表明，基于自适应神经模糊推理系统的学习方法在大多数场景下都能取得较好的效果，并保证评价误差小于10%，可显著提高低数据质量交通流检测器的识别效率。
Human motion modelling has attracted more and more attentions in various industrial fields with the event of information technology. Previous studies focus on capturing, animating, understanding and modelling human gestures or physical activities. However, in many applications such as Intelligent Transportation Systems (ITS), the traffic data quality (TDQ) is becoming a critical issue which can has great influence on the efficiency of the modelling. In this paper, we focus on evaluating the traffic data quality (TDQ) from the large amount of detectors and traffic flow data in the modelling of Intelligent Transportation Systems (ITS). We first introduce four error indices of an occupancy speed model and an occupancy flow model as model evaluation indices, and two indices from experts as non-model evaluation indices. Then, we propose a comprehensive evaluation model (CEM) for TDQ. Furthermore, we develop two algorithms for training the parameters in CEM based on the least square method (LSM) and the adaptive network based fuzzy inference system (ANFIS). We compare the proposed algorithms with the real-world traffic flow data which has been collected on Beijing ring-roads and connected lines. The experimental results show that the ANFIS-based learning method outperforms in most scenarios and ensures the evaluation error less than 10 %, which can significantly improve the efficiency of identifying traffic flow detectors with low data quality.
登录
查看更多内容
DOI：
--
发表时间：
2009
期刊：
--
影响因子：
--
作者：
Elsevier Sdol
通讯作者：
Elsevier Sdol
DOI：
--
发表时间：
1989
期刊：
--
影响因子：
--
作者：
A. DeTore;V. President
通讯作者：
A. DeTore;V. President
DOI：
10.1016/j.asoc.2013.04.020
发表时间：
2013-09
期刊：
Appl. Soft Comput.
影响因子：
--
作者：
Dewang Chen;Long Chen;Jing Liu
通讯作者：
Dewang Chen;Long Chen;Jing Liu
DOI：
10.1016/j.ijinfomgt.2011.11.003
发表时间：
2012-06
期刊：
Int. J. Inf. Manag.
影响因子：
--
作者：
Dilruba Ozmen-Ertekin;Kaan Özbay
通讯作者：
Dilruba Ozmen-Ertekin;Kaan Özbay
DOI：
10.1016/j.aap.2013.04.040
发表时间：
2013-11
期刊：
Accident; analysis and prevention
影响因子：
--
作者：
E. Papadimitriou;G. Yannis;F. Bijleveld;J. Cardoso
通讯作者：
E. Papadimitriou;G. Yannis;F. Bijleveld;J. Cardoso