Traffic counts are key data generat

Traffic counts are key data generated by traffic surveillance systems.
In predicting traffic flows, it is commonplace to assume that traffic at a given location repeats itself from day to day and the change in traffic happens gradually rather than abruptly.
Consequently, many existing models for short-term traffic flow forecasting use historical traffic information, real-time traffic counts, or both.
This paper proposes a new model based on the Gaussian maximum likelihood method, which explicitly makes use of both historical information and real-time information in an integrated way.
The model considers flows and flow increments jointly and treats them as two random variables represented by two normal distribution functions.
Each assumption made in the model is verified against the field data. The physical structure of the model is easy to interpret.
Computationally, the model is simple to implement and little effort is required for model calibration.
The performance of the proposed model is compared with four other models using field data.
The proposed model consistently yields predictions with the smallest absolute deviance and the smallest mean square error.

ผลลัพธ์ (ไทย) 1:

จราจรนับเป็นข้อมูลสำคัญที่สร้างขึ้น โดยระบบเฝ้าระวังการจราจรในการทำนายกระแสจราจร ก็ดาด ๆ ธรรมดาคิดว่า จราจรที่กำหนดตำแหน่งซ้ำเองวันต่อวัน และการเปลี่ยนแปลงในการจราจรที่เกิดขึ้นค่อย ๆ แทนที่ทันทีดังนั้น หลายรุ่นที่มีอยู่สำหรับระยะสั้นจราจรกระแสการคาดการณ์ใช้ข้อมูลจราจรประวัติศาสตร์ การจราจรแบบเรียลไทม์นับ หรือทั้งสองกระดาษนี้เสนอรูปแบบใหม่ที่ยึดตามวิธีความเป็นไปได้สูงสุด Gaussian อย่างชัดเจนทำให้ใช้วิธีการรวมข้อมูลทางประวัติศาสตร์และข้อมูลในเวลาจริงแบบพิจารณากระแสและกระแสเพิ่มขึ้นร่วมกัน และปฏิบัติต่อพวกเขาเป็นตัวแปรสุ่มทั้งสองแสดง ด้วยฟังก์ชันการแจกแจงปกติสองอัสสัมชัญแต่ละทำในรูปแบบถูกตรวจสอบกับข้อมูลของเขตข้อมูล โครงสร้างทางกายภาพของแบบจำลองได้อย่างง่าย ๆ แปลComputationally แบบเป็นง่ายต่อการใช้ และความพยายามน้อยจะต้องเทียบรุ่นประสิทธิภาพของรูปแบบนำเสนอเปรียบเทียบกับรุ่นอื่น ๆ โดยใช้ฟิลด์ข้อมูล 4รูปแบบนำเสนออย่างต่อเนื่องทำให้คาดคะเน deviance แน่นอนน้อยที่สุดและข้อผิดพลาดของค่าเฉลี่ยกำลังสองน้อยที่สุด

ผลลัพธ์ (ไทย) 2:

นับการจราจรเป็นข้อมูลที่สำคัญที่เกิดจากระบบการเฝ้าระวังการเข้าชม.
ในการทำนายการจราจรก็เป็นเรื่องธรรมดาที่จะสรุปว่าการจราจรในสถานที่ที่กำหนดซ้ำตัวเองไปวัน ๆ และการเปลี่ยนแปลงในการจราจรที่เกิดขึ้นค่อยๆมากกว่าทันที.
ดังนั้นรูปแบบที่มีอยู่จำนวนมากสำหรับ การจราจรในระยะสั้นคาดการณ์การไหลใช้ข้อมูลการจราจรทางประวัติศาสตร์แบบ real-time นับการจราจรหรือทั้งสอง.
กระดาษนี้นำเสนอรูปแบบใหม่ขึ้นอยู่กับวิธีการที่ควรจะเป็นสูงสุด Gaussian ซึ่งอย่างชัดเจนทำให้การใช้ข้อมูลทางประวัติศาสตร์และข้อมูลเรียลไทม์ในแบบบูรณาการ วิธี.
รูปแบบการพิจารณากระแสและเพิ่มทีละไหลร่วมกันและปฏิบัติต่อพวกเขาเป็นสองตัวแปรสุ่มตัวแทนจากทั้งสองฟังก์ชั่นการกระจายปกติ.
สมมติฐานแต่ละทำในรูปแบบที่มีการยืนยันกับข้อมูลภาคสนาม โครงสร้างทางกายภาพของรูปแบบเป็นเรื่องง่ายที่จะตีความ.
คอมพิวเตอร์รูปแบบที่ง่ายต่อการใช้และความพยายามน้อยเป็นสิ่งจำเป็นสำหรับการสอบเทียบแบบ.
ประสิทธิภาพการทำงานของรูปแบบที่นำเสนอนี้เมื่อเทียบกับสี่รุ่นอื่น ๆ ที่ใช้ข้อมูลภาคสนาม.
การนำเสนอรูปแบบการคาดการณ์อัตราผลตอบแทนอย่างสม่ำเสมอ กับอันซ์แน่นอนขนาดเล็กและมีขนาดเล็กที่สุดคลาดเคลื่อนกำลังสอง

ผลลัพธ์ (ไทย) 3:

นับการจราจร คีย์ข้อมูลที่สร้างขึ้นโดยระบบการเฝ้าระวังการจราจร .
ทำนายกระแสการจราจรก็เป็นธรรมดาที่จะถือว่าการจราจรที่ได้รับตำแหน่งจะซ้ำรอยอีกครั้ง จากวันต่อวันและการเปลี่ยนแปลงในการจราจรเกิดขึ้นเรื่อย ๆแทนที่จะทันที .
ดังนั้นหลายแบบสำหรับการพยากรณ์การไหลของการจราจรระยะสั้นที่มีอยู่ในประวัติศาสตร์การใช้จราจรข้อมูลจราจรแบบเรียลไทม์ . ,หรือทั้งสองอย่าง
บทความนี้เสนอรูปแบบใหม่บนพื้นฐานของความเป็นไปได้สูงสุด ) วิธีที่ชัดเจนทำให้ใช้ทั้งข้อมูลทางประวัติศาสตร์และข้อมูลเรียลไทม์ในลักษณะผสมผสาน .
แบบพิจารณา และเพิ่มการไหลของกระแสร่วมกัน และถือว่าพวกเขาเป็นสองตัวแปรสุ่มแสดงโดยสองฟังก์ชันการแจกแจงปกติ
แต่ละสมมติฐานในรูปแบบการตรวจสอบกับข้อมูลภาคสนาม โครงสร้างทางกายภาพของรูปแบบง่ายต่อการแปลความหมาย .
computationally , รูปแบบเป็นเรื่องง่ายที่จะใช้และความพยายามเล็ก ๆน้อย ๆเป็นสิ่งจำเป็นสำหรับการสอบเทียบแบบจำลอง .
ประสิทธิภาพของแบบจำลองเปรียบเทียบกับรุ่นอื่น ๆที่ใช้ข้อมูลภาคสนาม 4 .
แบบจำลองการคาดการณ์ผลผลิตอย่างต่อเนื่องกับที่เบี่ยงเบนสัมบูรณ์และเล็กที่สุดหมายถึงตารางข้อผิดพลาด