Key points are not available for this paper at this time.
ركزت الأبحاث المتعلقة بأنظمة معلومات المسافرين المتقدمة (ATIS) على الطرق الحضرية. ومع ذلك، هناك حاجة إلى الأبحاث لتوقع حركة المرور على المدى القصير لجميع فئات الطرق السريعة، حيث تتوقع وكالات الطرق السريعة تنفيذ أنظمة النقل الذكية عبر نطاقاتها. في هذه الدراسة، تم استخدام الخوارزميات الجينية لتصميم نماذج الشبكات العصبية ذات التأخير الزمني (TDNN) بالإضافة إلى نماذج الانحدار المثقلة محليًا لتوقع حركة المرور على المدى القصير لستة طرق ريفية من ألبرتا، كندا. هذه الطرق تنتمي إلى مجموعات مختلفة من أنماط الرحلات والفئات الوظيفية. يمكن لنماذج TDNN المنقحة التي تم تطويرها في هذه الدراسة تقليل معظم الأخطاء المتوسطة إلى أقل من 10٪ لجميع طرق الدراسة. تظهر نماذج الانحدار المنقحة دقة أعلى أيضًا. إذ أن متوسط الأخطاء لنماذج الانحدار المنقحة أقل من 2٪ للطرق التي تحتوي على أنماط مستقرة. حتى بالنسبة للطرق ذات الأنماط غير المستقرة، فإن متوسط الأخطاء أقل من 4٪، وأخطاء المئين 95 أقل من 7٪. يُعتقد أن هذه التوقعات الدقيقة ستكون مفيدة لوكالات الطرق السريعة لتنفيذ أنظمة معلومات المسافرين على مستوى الولاية.
درس زونغ وآخرون (الخميس) هذا السؤال.