Vorhersagemodell für den Straßenverkehr unter Verwendung von Extreme Learning Machine: Eine Fallstudie in Tanger, Marokko

Ein effizienter und glaubwürdiger Ansatz zur Straßenverkehrsmanagement und -vorhersage ist ein entscheidender Aspekt der Intelligenten Verkehrssysteme (ITS). Er kann die Entwicklung von Straßenstrukturen und -projekten erheblich beeinflussen. Ebenso ist er für die Routenplanung und Verkehrsvorschriften von entscheidender Bedeutung. In diesem Papier schlagen wir ein Hybridmodell vor, das Extreme Learning Machine (ELM) und ensemblebasierte Techniken kombiniert, um den zukünftigen stündlichen Verkehr eines Straßenabschnitts in Tanger, einer Stadt im Norden von Marokko, vorherzusagen. Das Modell wurde auf einen realen historischen Datensatz angewendet, der über einen Zeitraum von 5 Jahren von festen Sensoren extrahiert wurde. Unser Ansatz basiert auf einer Art von Single Hidden Layer Feed-forward Neural Network (SLFN), das für seinen schnellen Lernalgorithmus bekannt ist. Das Modell wurde dann mit anderen bekannten Algorithmen in der Vorhersageliteratur verglichen. Experimentelle Ergebnisse zeigten, dass unser Modell in Bezug auf die Vorhersagegenauigkeit besser abschneidet, basierend auf den am häufigsten verwendeten Kriterien zur Fehlerbewertung (RMSE, MAE und MAPE). Die Verwendung der Akaike-Informationskriteriumstechnik (AIC) hat ebenfalls gezeigt, dass das vorgeschlagene Modell eine höhere Leistung aufweist.