Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Przeglądasz jako GOŚĆ
Tytuł pozycji:

Analyzing the Impact of Traffic Congestion Mitigation: From an Explainable Neural Network Learning Framework to Marginal Effect Analyses

Tytuł :
Analyzing the Impact of Traffic Congestion Mitigation: From an Explainable Neural Network Learning Framework to Marginal Effect Analyses
Autorzy :
Jianping Sun
Jifu Guo
Xin Wu
Qian Zhu
Danting Wu
Kai Xian
Xuesong Zhou
Pokaż więcej
Temat :
computational graph
traffic demand estimation
congestion mitigation
marginal analyses
TensorFlow
Chemical technology
TP1-1185
Źródło :
Sensors, Vol 19, Iss 10, p 2254 (2019)
Wydawca :
MDPI AG, 2019.
Rok publikacji :
2019
Kolekcja :
LCC:Chemical technology
Typ dokumentu :
article
Opis pliku :
electronic resource
Język :
English
ISSN :
1424-8220
Relacje :
https://www.mdpi.com/1424-8220/19/10/2254; https://doaj.org/toc/1424-8220
DOI :
10.3390/s19102254
Dostęp URL :
https://doaj.org/article/8025d06fe1f941fa8afa3f98c9cd4506
Numer akcesji :
edsdoj.8025d06fe1f941fa8afa3f98c9cd4506
Czasopismo naukowe
Computational graphs (CGs) have been widely utilized in numerical analysis and deep learning to represent directed forward networks of data flows between operations. This paper aims to develop an explainable learning framework that can fully integrate three major steps of decision support: Synthesis of diverse traffic data, multilayered traffic demand estimation, and marginal effect analyses for transport policies. Following the big data-driven transportation computational graph (BTCG) framework, which is an emerging framework for explainable neural networks, we map different external traffic measurements collected from household survey data, mobile phone data, floating car data, and sensor networks to multilayered demand variables in a CG. Furthermore, we extend the CG-based framework by mapping different congestion mitigation strategies to CG layers individually or in combination, allowing the marginal effects and potential migration magnitudes of the strategies to be reliably quantified. Using the TensorFlow architecture, we evaluate our framework on the Sioux Falls network and present a large-scale case study based on a subnetwork of Beijing using a data set from the metropolitan planning organization.
Zaloguj się, aby uzyskać dostęp do pełnego tekstu.

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies