TOWARDS AN EFFICIENT TRAFFIC CONGESTION PREDICTION METHOD BASED ON NEURAL NETWORKS AND BIG GPS DATA نحو طريقة فعالة للتنبؤ بازدحام المرور تعتمد على الشبكات العصبية وبيانات نظام تحديد المواقع العالمي الكبيرة TOWARDS AN EFFICIENT TRAFFIC CONGESTION PREDICTION METHOD BASED ON NEURAL NETWORKS AND BIG GPS DATA TOWARDS AN EFFICIENT TRAFFIC CONGESTION PREDICTION METHOD BASED ON NEURAL NETWORKS AND BIG GPS DATA TOWARDS AN EFFICIENT TRAFFIC CONGESTION PREDICTION METHOD BASED ON NEURAL NETWORKS AND BIG GPS DATA

ABSTRACT: The prediction of accurate traffic information such as speed, travel time, and congestion state is a very important task in many Intelligent Transportations Systems (ITS) applications. However, the dynamic changes in traffic conditions make this task harder. In fact, the type of road, such as the freeways and the highways in urban regions, can influence the driving speeds and the congestion state of the corresponding road. In this paper, we present a NNs-based model to predict the congestion state in roads. Our model handles new inputs and distinguishes the dynamic traffic patterns in two different types of roads: highways and freeways. The model has been tested using a big GPS database gathered from vehicles circulating in Tunisia. The NNs-based model has shown their capabilities of detecting the nonlinearity of dynamic changes and different patterns of roads compared to other nonparametric techniques from the literature. ABSTRAK: Ramalan maklumat trafik yang tepat seperti kelajuan, masa perjalanan dan keadaan kesesakan adalah tugas yang sangat penting dalam banyak aplikasi Sistem Pengangkutan Pintar (ITS). Walau bagaimanapun, perubahan keadaan lalu lintas yang dinamik menjadikan tugas ini menjadi lebih sukar. Malah, jenis jalan raya, seperti jalan raya dan lebuh raya di kawasan bandar, boleh mempengaruhi kelajuan memandu dan keadaan kesesakan jalan yang sama. Dalam makalah ini, kami membentangkan model berasaskan NN untuk meramalkan keadaan kesesakan di jalan raya. Model kami mengendalikan input baru dan membezakan corak trafik dinamik dalam dua jenis jalan raya yang lebuh raya dan jalan raya. Model ini telah diuji menggunakan pangkalan data GPS yang besar yang dikumpulkan dari kenderaan yang beredar di Tunisia. Model berasaskan NNs telah menunjukkan keupayaan mereka untuk mengesan ketiadaan perubahan dinamik dan pola jalan yang berbeza berbanding dengan teknik nonparametrik yang lain dari kesusasteraan. الملخص: يعد التنبؤ بمعلومات حركة المرور الدقيقة مثل السرعة ووقت السفر وحالة الازدحام مهمة مهمة للغاية في العديد من تطبيقات أنظمة النقل الذكية (ITS). ومع ذلك، فإن التغيرات الديناميكية في ظروف حركة المرور تجعل هذه المهمة أكثر صعوبة. في الواقع، يمكن أن يؤثر نوع الطريق، مثل الطرق السريعة والطرق السريعة في المناطق الحضرية، على سرعات القيادة وحالة الازدحام في الطريق المقابل. في هذه الورقة، نقدم نموذجًا قائمًا على NNs للتنبؤ بحالة الازدحام في الطرق. يتعامل نموذجنا مع المدخلات الجديدة ويميز أنماط حركة المرور الديناميكية في نوعين مختلفين من الطرق: الطرق السريعة والطرق السريعة. تم اختبار النموذج باستخدام قاعدة بيانات كبيرة لنظام تحديد المواقع العالمي (GPS) تم جمعها من المركبات المتداولة في تونس. أظهر النموذج القائم على NNs قدراتهم على اكتشاف اللاخطية للتغيرات الديناميكية والأنماط المختلفة للطرق مقارنة بالتقنيات غير البارامترية الأخرى من الأدبيات. ABSTRAK: Ramalan maklumat trafik yang tepat seperti kelajuan، masa perjalanan dan keadaan kesesakan adalah tugas yangat penting dalam banyak aplikasi Sistem Pengangkutan Pintar (ITS). والوا باغيمانابون، بيروبهان كيدان لالو لينتاس يانغ ديناميك منجاديكان توغاس إيني منجادي ليبيه سوكار. مالاه، وجينيس جالان رايا، وسبيرتي جالان رايا دان ليبوه رايا دي كاواسان بندر، وبوليه ميمبينجاروهي كيلاجوان ميماندو دان كيدان كيسيساكان جالان يانغ سما. Dalam makalah ini, kami membentangkan model berasaskan NN untuk meramalkan keadaan kesesakan di jalan raya. نموذج كامي مينجينداليكان مدخل بارو دان ميمبيزاكان كوراك ترافيك ديناميك دالام دوا جينيس جالان رايا يانغ ليبوه رايا دان جالان رايا. نموذج إيني تيلا ديوجي منغوناكان بانغكالان البيانات غس يانغ بيسار يانغ ديكومبولكان داري كيندراان يانغ بيردار دي تونس. نموذج berasaskan NNs Telah menunjukkan keupayaan mereka untuk mengesan ketiadaan perubahan dinamik dan pola jalan yang berbeza berbanding dengan teknik non - parametrik yang lain dari kesusasteraan. ABSTRACT: The prediction of accurate traffic information such as speed, travel time, and congestion state is a very important task in many Intelligent Transportation Systems (ITS) applications. However, the dynamic changes in traffic conditions make this task harder. In fact, the type of road, such as the freeways and the highways in urban regions, can influence the driving speeds and the congestion state of the corresponding road. In this paper, we present an NNs-based model to predict the congestion state in roads. Our model handles new inputs and distinguishes the dynamic traffic patterns in two different types of roads: highways and freeways. The model has been tested using a big GPS database gathered from vehicles circulating in Tunisia. The NNs-based model has shown their capabilities of detecting the nonlinearity of dynamic changes and different patterns of roads compared to other nonparametric techniques from the literature. ABSTRAK: Ramalan maklumat trafik yang tepat seperti kelajuan, masa perjalanan dan keadaan kesesakan adalah tugas yang sangat penting dalam banyak aplikasi Sistem Pengangkutan Pintar (ITS). Walau bagaimanapun, perubahan keadaan lalu lintas yang dinamik menjadikan tugas ini menjadi lebih sukar. Malah, jenis jalan raya, seperti jalan raya dan lebuh raya di kawasan bandar, boleh mempengaruhi kelajuan memandu dan keadaan kesesakan jalan yang sama. Dalam makalah ini, kami membentangkan model berasaskan NN untuk meramalkan keadaan kesesakan di jalan raya. Model kami mengendalikan input baru dan membezakan corak trafik dinamik dalam dua jenis jalan raya yang lebuh raya dan jalan raya. Model ini telah diuji menggunakan pangkalan data GPS yang besar yang dikumpulkan dari kenderaan yang beredar di Tunisia. Model berasaskan NNs telah menunjukkan keupayaan mereka untuk mengesan ketiadaan perubahan dinamik dan pola jalan yang berbeza berbanding dengan teknik nonparametrik yang lain dari kesusasteraan. RÉSUMÉ : La prévision des informations de trafic exactes en fonction de la vitesse, du temps de déplacement et de l'état de congestion est une tâche très importante dans de nombreuses applications des systèmes de transport intelligents (ITS). However, the dynamic changes in traffic conditions make this task harder. In fact, the type of road, such as the freeways and the highways in urban regions, can influence the driving speeds and the congestion state of the corresponding road. Dans ce document, nous présentons un modèle basé sur NNs pour prédire l'état de congestion dans les routes. Our model handles new inputs and distinguishes the dynamic traffic patterns in two different types of roads : highways and freeways. The model has been tested using a big GPS database gathered from vehicles circulating in Tunisia. Le modèle basé sur les NNs présente leurs capacités de détection de la non linéarité des changements dynamiques et des motifs différents des routes comparés à d'autres techniques non paramétriques de la littérature. ABSTRAK : Ramalan maklumat trafik yang tepat seperti kelajuan, masa perjalanan dan keadaan kesesakan adalah tugas yang sangat penting dalam banyak aplikasi Sistem Pengangkutan Pintar (ITS). Walau bagaimanapun, perubahan keadaan lalu lintas yang dinamik menjadikan tugas ini menjadi lebih sukar. Malah, jenis jalan raya, seperti jalan raya dan lebuh raya di kawasan bandar, boleh mempengaruhi kelajuan memandu dan keadaan kesesakan jalan yang sama. Dalam makalah ini, kami membentangkan model berasaskan NN untuk meramalkan keadaan kesakan di jalan raya. Modèle kami mengendalikan input baru dan membezakan corak trafik dinamik dalam dua jenis jalan raya yang lebuh raya dan jalan raya. Modèle ini telah diuji menggunakan pangkalan data GPS yang besar yang dikumpulkan dari kenderaan yang beredar di Tunisia. Modèle berasaskan NNs telah menunjukkan keupayaan mereka untuk mengesan ketiadaan perubahan dinamik dan pola jalan yang berbeza berbanding dengan teknik nonparametrik yang lain dari kesusasteraan. ABSTRACT: The prediction of accurate traffic information such as speed, travel time, and congestion state is a very important task in many Intelligent Transportations Systems (ITS) applications. However, the dynamic changes in traffic conditions make this task harder. In fact, the type of road, such as the freeways and the highways in urban regions, can influence the driving speeds and the congestion state of the corresponding road. In this paper, we present a NNs-based model to predict the congestion state in roads. Our model handles new inputs and distinguishes the dynamic traffic patterns in two different types of roads: highways and freeways. The model has been tested using a big GPS database gathered from vehicles circulating in Tunisia. The NNs-based model has shown their capabilities of detecting the nonlinearity of dynamic changes and different patterns of roads compared to other nonparametric techniques from the literature. ABSTRAK: Ramalan maklumat trafik yang tepat seperti kelajuan, masa perjalanan dan keadaan kesesakan adalah tugas yang sangat penting dalam banyak aplikasi Sistem Pengangkutan Pintar (ITS). Walau bagaimanapun, perubahan keadaan lalu lintas yang dinamik menjadikan tugas ini menjadi lebih sukar. Malah, jenis jalan raya, seperti jalan raya dan lebuh raya di kawasan bandar, boleh mempengaruhi kelajuan memandu dan keadaan kesesakan jalan yang sama. Dalam makalah ini, kami membentangkan model berasaskan NN untuk meramalkan keadaan kesesakan di jalan raya. Modelo kami mengendalikan input baru dan membezakan corak trafik dinamik dalam dua jenis jalan raya yang lebuh raya dan jalan raya. Modelo ini telah diuji menggunakan pangkalan data GPS yang besar yang dicumpulkan dari kenderaan yang beredar di Tunisia. Modelo berasaskan NNs telah menunjukkan keupayaan mereka untuk mengesan ketiadaan perubahan dinamik dan pola jalan yang berbeza berbanding dengan teknik nonparametrik yang lain dari kesusasteraan.