Metaheuristic enabled modified hidden Markov model for traffic flow prediction

Raskar, Charushila; Nema, Shikha

doi:10.1016/j.comnet.2022.108780

Cited by 17 publications

(9 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A Tabela 1 apresenta a listagem com um resumo comparativo dos trabalhos coletados com o trabalho atual. A avaliac ¸ão dos modelos dos trabalhos relacionados na Tabela 1 levou em conta diversas métricas, as principais foram MRT [Junior et al 2017, Li et al 2017, taxa de transferência [Li et al 2017, Shah and Mustari 2017, Zhou et al 2020, tamanho da fila [Li et al 2017, Raskar andNema 2022]. Outras métricas observadas foram bastante específicas para os modelos e problemas abordados, como número de unidades VCTS [Verma et al 2021] e taxa de veículos maliciosos [Zhou et al 2020].…”

Section: Trabalhos Relacionadosunclassified

“…As métricas do presente trabalho coincidem com a escolha de métricas de outros trabalhos dada a relevância para a avaliac ¸ão do modelo proposto. Modelos de Markov Chain foram utilizados em [Li et al 2017] e [Shah and Mustari 2017] para avaliar o desempenho do protocolo IEEE 802.11p (WAVE); [Raskar and Nema 2022] aplicou modelo Modified Hidden Markov Model para realizar previsão aprimorada do fluxo de tráfego no contexto de VANETs. [Hussain et al 2018] apresenta a modelagem baseada em Colored Petri Net para avaliac ¸ão de algoritmo para selec ¸ão de nó mestre (RSU); em [Verma et al 2021] é aplicado Stochastic Colored Petri Net para representar trocas de informac ¸ões necessárias para realizar operac ¸ão de acoplamento virtual de trens.…”

Section: Trabalhos Relacionadosunclassified

“…As principais métricas abordadas foram MRT [Junior et al 2017, Li et al 2017, taxa de transferência [Li et al 2017, Shah and Mustari 2017, Zhou et al 2020, tamanho da fila [Li et al 2017, Raskar andNema 2022], dentre outras como número de unidades VCTS [Verma et al 2021] e taxa de veículos maliciosos [Zhou et al 2020]. [Li et al 2017] e [Shah and Mustari 2017] utilizaram modelos Markov Chain para avaliar o desempenho do protocolo IEEE 802.11p (WAVE).…”

Section: Introduc ¸ãOunclassified

“…[Li et al 2017] e [Shah and Mustari 2017] utilizaram modelos Markov Chain para avaliar o desempenho do protocolo IEEE 802.11p (WAVE). [Raskar and Nema 2022] usaram um modelo Modified Hidden Markov Model na previsão do fluxo de tráfego. [Hussain et al 2018] apresentam a modelagem baseada em Colored Petri Net para avaliac ¸ão de algoritmo para selec ¸ão de nó mestre (RSU).…”

Section: Introduc ¸ãOunclassified

“…[Raskar and Nema 2022] Modified Hidden Markov Model × Tempo computacional, tamanho da fila, tempo de espera. [Zhou et al 2020] Stochastic Petri Net × Taxa de veículos maliciosos, taxa de detecc ¸ão para diferentes meios de ataque.…”

unclassified

See 4 more Smart Citations

Modelagem e Análise da Comunicação em VANETs com uso de RSUs

Macêdo¹,

Carvalho²,

Andrade³

et al. 2022

Anais Do XXI Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance 2022)

View full text Add to dashboard Cite

Escalabilidade e processamento paralelo são características inerentes às redes veiculares ou VANETs (Vehicular Ad hoc NETworks). A implementação de VANETs pode envolver elevado custo e por serem sistemas críticos, possuem requisitos específicos que exigem configurações heterogêneas. O crescimento da rede aumenta a complexidade e fica propenso a erros, tais como disseminação de dados, perda de pacotes e atraso. Dado o custo de implementação de VANETs, as ferramentas de simulação surgem como alternativa para avaliar configurações apropriadas. Simuladores permitem verificar interações complexas em diversas configurações, compreender o comportamento do sistema e propor otimizações. A análise prévia permite dimensionar corretamente o sistema e minimizar o custo envolvido, seja na ampliação, seja na redução da quantidade de dispositivos. Este trabalho apresenta um modelo Stochastic Petri Net voltado para VANETs com Road Side Units (RSU), onde foram avaliadas as métricas tempo médio de resposta (MRT), probabilidade de descarte de mensagens, taxa de utilização da camada network WIFI e taxa de utilização da camada Edge RSU. A bateria de testes foi executada com variações na taxa chegada de requisições. A partir do estudo realizado foi possível verificar que a alta performance na camada Wifi deixa subutilizada a camada Edge RSU.

show abstract

Section: Trabalhos Relacionadosunclassified

Section: Introduc ¸ãOunclassified

unclassified

See 3 more Smart Citations

Modelagem e Análise da Comunicação em VANETs com uso de RSUs

Macêdo¹,

Carvalho²,

Andrade³

et al. 2022

Anais Do XXI Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance 2022)

View full text Add to dashboard Cite

show abstract

Traffic flow prediction: A 3D adaptive multi‐module joint modeling approach integrating spatial‐temporal patterns to capture global features

Ul Abideen,

Sun,

Sun

2024

Journal of Forecasting

View full text Add to dashboard Cite

The challenges in citywide traffic flow are intricate, encompassing various factors like temporal and spatial dependencies, holidays, and weather. Despite the complexity, there are still research gaps in effectively incorporating these spatio‐temporal relations through deep learning. Addressing these gaps is crucial for tackling issues such as traffic congestion, public safety, and efficient traffic management within cities. This paper underscores notable research gaps, including the development of models capable of handling both local and global traffic flow patterns, integrating multi‐modal data sources, and effectively managing spatio‐temporal dependencies. In this paper, we proposed a novel model named 3D spatial–temporal‐based adaptive modeling graph convolutional network (3D(STAMGCN)) that addresses for traffic flow data in better periodicity modeling. In contrast to earlier studies, 3D(STAMGCN) approaches the task of traffic flow prediction as a periodic residual learning problem. This is achieved by capturing the input variation between historical time segments and the anticipated output for future time segments. Forecasting traffic flow, as opposed to a direct approach, is significantly simpler when focusing on learning more stationary deviations. This, in turn, aids in the training of the model. Nevertheless, the networks enable residual generation at each time interval through learned variations between future conditions and their corresponding weekly observations. Consequently, this significantly contributes to achieving more accurate forecasts for multiple steps ahead. We executed extensive experiments on two real‐world datasets and compared the performance of our model to state‐of‐the‐art (SOTA) techniques.

show abstract

An Expressway Short-Term Traffic Flow Prediction Model Based on Attention Mechanism

Liu,

2024

Lecture Notes in Civil Engineering

View full text Add to dashboard Cite

Metaheuristic enabled modified hidden Markov model for traffic flow prediction

Cited by 17 publications

References 25 publications

Modelagem e Análise da Comunicação em VANETs com uso de RSUs

Modelagem e Análise da Comunicação em VANETs com uso de RSUs

Traffic flow prediction: A 3D adaptive multi‐module joint modeling approach integrating spatial‐temporal patterns to capture global features

An Expressway Short-Term Traffic Flow Prediction Model Based on Attention Mechanism

Contact Info

Product

Resources

About