DOI: https://doi.org/10.32515/2664-262X.2023.8(39).1.183-195
Дослідження математичної моделі стійкості транспортного потоку на ділянках дорожньої мережі міста
Об авторах
О.М. Горяїнов, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: goryainov@ukr.net, ORCID ID: 0000-0002-5967-2835
А.С. Козенок, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: anna13kozenok@gmail.comm, ORCID ID: 0000-0002-3152-2253
Н.Г. Бережна, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0001-8740-3387
І.І. Сисенко, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: goryainov@ukr.net, ORCID ID: 0000-0002-5967-2835
І.А. Бабич, старший викладач, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0003-0005-7640
О.В. Войтов, аспірант, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0001-8716-2667
Анотація
У роботі наведено результати дослідження математичної моделі стійкості транспортного потоку на ділянках вулично-дорожньої мережі міста при зміні зовнішніх факторів. На підставі результатів моделювання запропоновано всі фактори, що впливають на стійкість транспортного потоку, розділити на три групи. Перша група факторів характеризує конструкцію транспортного засобу. Другу групу факторів названо факторами часу, які враховують: час реакції водія на зміну дорожньої ситуації; час на маневр, який може використовувати автомобіль у разі зміни дорожньої ситуації; сумарний час затримок під час руху за маршрутом. Третя група факторів враховує особливості побудови інфраструктури дорожнього середовища. На підставі результатів моделювання представлено рейтинг факторів, що впливають на величину запасу стійкості транспортного потоку.
Ключові слова
транспортний потік, моделювання, динамічна модель, градієнт щільності, градієнт швидкості, коефіцієнт підсилення, постійна часу, критерій стійкості, критерій робастності транспортного потоку
Повний текст:
PDF
Посилання
1. Vojtov, V.A., Kravtsov, A.H., Karnaukh, M.V., Horyayinov, O.M., Kozenok, A.S. & Babych, I.A. (2023). Otsinka erhonomichnoyi stiykosti transportnoho potoku na dilʹnytsyakh dorozhnʹoyi merezhi. Identyfikatsiya matematychnoyi modeli. [Assessment of ergonomic sustainability of traffic flow at road network sections. Identification of a mathematical model], Tsentralʹnoukrayinsʹkyy naukovyy visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, Vol. 7(38), 236-245. https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245 [in Ukrainian].
2. Kravtsov A.H., Larina T.F., Horyayinov O.M., Kozenok A.S., Horodetsʹka T.E., Babych I.A. (2023) Obhruntuvannya kryteriyu stiykosti transportnoho potoku na dilʹnytsyakh dorozhnʹoyi merezhi. [Justification of the traffic flow stability criterion at the sections of the road network], Tsentralʹnoukrayinsʹkyy naukovyy visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, Vol. 7(38), 222-239 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230 [in Ukrainian].
3. Dorokhin, S., Artemov, A., Likhachev, D., Novikov, A., & Starkov, E. (2020, September). Traffic simulation: an analytical review. In IOP Conference Series: Materials Science and Engineering (Vol. 918, No. 1, p. 012058). IOP Publishing. DOI 10.1088/1757-899X/918/1/012058
4. Nagatani, T. (2023). Macroscopic traffic flow in multiple-loop networks. Physica A: Statistical Mechanics and its Applications, 609, 128324. https://doi.org/10.1016/j.physa.2022.128324
5. Herty, M., & Kolbe, N. (2022). Data-Driven Models for Traffic Flow at Junctions. arXiv preprint arXiv:2212.08912. https://doi.org/10.48550/arXiv.2212.08912
6. Karafyllis, I., Theodosis, D., & Papageorgiou, M. (2022). Stability analysis of nonlinear inviscid microscopic and macroscopic traffic flow models of bidirectional cruise-controlled vehicles. IMA Journal of Mathematical Control and Information, 39(2), 609-642. https://doi.org/10.1093/imamci/dnac003
7. Li, L., Ji, X., Gan, J., Qu, X., & Ran, B. (2021). A macroscopic model of heterogeneous traffic flow based on the safety potential field theory. IEEE Access, 9, 7460-7470. https://doi.org/10.1109/ACCESS.2021.3049393
8. Imran, W., Khan, Z. H., Gulliver, T. A., Khattak, K. S., & Nasir, H. (2020). A macroscopic traffic model for heterogeneous flow. Chinese Journal of Physics, 63, 419-435. https://doi.org/10.1016/j.cjph.2019.12.005
9. Yuan, C., Li, Y., Huang, H., Wang, S., Sun, Z., & Li, Y. (2022). Using traffic flow characteristics to predict real-time conflict risk: A novel method for trajectory data analysis. Analytic methods in accident research, 35, 100217. https://doi.org/10.1016/j.amar.2022.100217
10. Das, A., & Ahmed, M.M. (2022). Adjustment of key lane change parameters to develop microsimulation models for representative assessment of safety and operational impacts of adverse weather using SHRP2 naturalistic driving data. Journal of safety research, 81, 9-20. https://doi.org/10.1016/j.jsr.2022.01.002
11. Lazar H. (2019). Comparison of microscopic car following models. In 2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS) (pp. 1-6). IEEE. DOI:10.1109/SysCoBIoTS48768.2019.9028040
12. Feng, T., Liu, K., & Liang, C. (2023). An Improved Cellular Automata Traffic Flow Model Considering Driving Styles. Sustainability, 15(2), 952. https://doi.org/10.3390/su15020952
13. Kušić, K., Schumann, R., & Ivanjko, E. (2023). A digital twin in transportation: Real-time synergy of traffic data streams and simulation for virtualizing motorway dynamics. Advanced Engineering Informatics, 55, 101858. https://doi.org/10.3390/su15032050
14. Shang, X. C., Liu, F., Li, X. G., Janssens, D., & Wets, G. (2023). The Impact of Three Specific Collaborative Merging Strategies on Traffic Flow. Journal of Advanced Transportation, 2023. https://doi.org/10.1155/2023/1375867
15. Wen, J., Hong, L., Dai, M., Xiao, X., & Wu, C. (2023). A stochastic model for stop-and-go phenomenon in traffic oscillation: On the prospective of macro and micro traffic flow. Applied Mathematics and Computation, 440, 127637. https://doi.org/10.1016/j.amc.2022.127637
16. Mittal, U., Chawla, P., & Tiwari, R. (2023). EnsembleNet: A hybrid approach for vehicle detection and estimation of traffic density based on faster R-CNN and YOLO models. Neural Computing and Applications, 35(6), 4755-4774. https://doi.org/10.1007/s00521-022-07940-9
17. Djenouri, Y., Belhadi, A., Srivastava, G., & Lin, J. C. W. (2023). Hybrid graph convolution neural network and branch-and-bound optimization for traffic flow forecasting. Future Generation Computer Systems, 139, 100-108. https://doi.org/10.1016/j.future.2022.09.018
18. Xu, X., Jin, X., Xiao, D., Ma, C., & Wong, S. C. (2023). A hybrid autoregressive fractionally integrated moving average and nonlinear autoregressive neural network model for short-term traffic flow prediction. Journal of Intelligent Transportation Systems, 27(1), 1-18. https://doi.org/10.1080/15472450.2021.1977639
19. Zhu, Y., Wu, Q. & Xiao, N. (2022). Research on highway traffic flow prediction model and decision-making method. Sci Rep 12, 19919. https://doi.org/10.1038/s41598-022-24469-y
Пристатейна бібліографія ГОСТ
- Войтов В.А., Кравцов А.Г., Карнаух М.В., Горяїнов О.М., Козенок А.С., Бабич І.А. Оцінка ергономічної стійкості транспортного потоку на дільницях дорожньої мережі. Ідентифікація математичної моделі. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38). С. 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245
- Обгрунтування критерію стійкості транспортного потоку на дільницях дорожньої мережі. / А.Г. Кравцов та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38). С. 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230
- Dorokhin S., Artemov A., Likhachev D., Novikov A., Starkov E. Traffic simulation: an analytical review. In IOP Conference Series: Materials Science and Engineering. 2020. Vol. 918. No. 1, p. 012058. IOP Publishing. DOI 10.1088/1757-899X/918/1/012058
- Nagatani T. Macroscopic traffic flow in multiple-loop networks. Physica A: Statistical Mechanics and its Applications. 2023. P. 609. 128324. https://doi.org/10.1016/j.physa.2022.128324
- Herty M., Kolbe N. Data-Driven Models for Traffic Flow at Junctions. arXiv preprint arXiv: 2022, 2212.08912. https://doi.org/10.48550/arXiv.2212.08912
- Karafyllis I., Theodosis D., Papageorgiou M. Stability analysis of nonlinear inviscid microscopic and macroscopic traffic flow models of bidirectional cruise-controlled vehicles. IMA Journal of Mathematical Control and Information. 2022. 39(2). P.609-642. https://doi.org/10.1093/imamci/dnac003
- Li L., Ji X., Gan J., Qu X., Ran B. A macroscopic model of heterogeneous traffic flow based on the safety potential field theory. IEEE Access. 2021. 9. P. 7460-7470. https://doi.org/10.1109/ACCESS.2021.3049393
- Imran W., Khan Z. H., Gulliver T. A., Khattak K. S., Nasir H. A macroscopic traffic model for heterogeneous flow. Chinese Journal of Physics, 2020. 63. P.419-435. https://doi.org/10.1016/j.cjph.2019.12.005
- Yuan C., Li Y., Huang H., Wang S., Sun Z., Li Y. Using traffic flow characteristics to predict real-time conflict risk: A novel method for trajectory data analysis. Analytic methods in accident research. 2022. 35. 100217. https://doi.org/10.1016/j.amar.2022.100217
- Das A., Ahmed M. M. Adjustment of key lane change parameters to develop microsimulation models for representative assessment of safety and operational impacts of adverse weather using SHRP2 naturalistic driving data. Journal of safety research. 2022. 8. Pp. 9-20. https://doi.org/10.1016/j.jsr.2022.01.002
- Lazar H. Comparison of microscopic car following models. In 2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS). 2019. pp. 1-6. IEEE. DOI:10.1109/SysCoBIoTS48768.2019.9028040
- Feng T., Liu K., Liang C. An Improved Cellular Automata Traffic Flow Model Considering Driving Styles. Sustainability. 2023. 15(2). P. 952. https://doi.org/10.3390/su15020952
- Kušić K., Schumann R., Ivanjko E. A digital twin in transportation: Real-time synergy of traffic data streams and simulation for virtualizing motorway dynamics. Advanced Engineering Informatics. 2023. 55. 101858. https://doi.org/10.3390/su15032050
- Shang X. C., Liu F., Li X. G., Janssens D., Wets G. The Impact of Three Specific Collaborative Merging Strategies on Traffic Flow. Journal of Advanced Transportation. 2023. https://doi.org/10.1155/2023/1375867
- Wen J., Hong L., Dai M., Xiao X., Wu C. A stochastic model for stop-and-go phenomenon in traffic oscillation: On the prospective of macro and micro traffic flow. Applied Mathematics and Computation. 2023. 440. 127637. https://doi.org/10.1016/j.amc.2022.127637
- Mittal U., Chawla P., Tiwari R. EnsembleNet: A hybrid approach for vehicle detection and estimation of traffic density based on faster R-CNN and YOLO models. Neural Computing and Applications. 2023. 35(6). 4755-4774. https://doi.org/10.1007/s00521-022-07940-9
- Djenouri Y., Belhadi A., Srivastava G., Lin J. C. W. Hybrid graph convolution neural network and branch-and-bound optimization for traffic flow forecasting. Future Generation Computer Systems. 2023. 139. Pp. 100-108. https://doi.org/10.1016/j.future.2022.09.018
- Xu X., Jin X., Xiao D., Ma C., Wong S. C. A hybrid autoregressive fractionally integrated moving average and nonlinear autoregressive neural network model for short-term traffic flow prediction. Journal of Intelligent Transportation Systems. 2023. 27(1). 1-18. https://doi.org/10.1080/15472450.2021.1977639
- Zhu Y., Wu Q., Xiao N. Research on highway traffic flow prediction model and decision-making method. Sci Rep. 2022. 12. 19919. https://doi.org/10.1038/s41598-022-24469-y
Copyright (c) 2023 О.М. Горяїнов, А.С. Козенок, Н.Г. Бережна, І.І. Сисенко, І.А. Бабич, О.В. Войтов
Дослідження математичної моделі стійкості транспортного потоку на ділянках дорожньої мережі міста
Об авторах
О.М. Горяїнов, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: goryainov@ukr.net, ORCID ID: 0000-0002-5967-2835
А.С. Козенок, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: anna13kozenok@gmail.comm, ORCID ID: 0000-0002-3152-2253
Н.Г. Бережна, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0001-8740-3387
І.І. Сисенко, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: goryainov@ukr.net, ORCID ID: 0000-0002-5967-2835
І.А. Бабич, старший викладач, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0003-0005-7640
О.В. Войтов, аспірант, Державний біотехнологічний університет, м. Харків, Україна, ORCID ID: 0000-0001-8716-2667
Анотація
Ключові слова
Повний текст:
PDFПосилання
1. Vojtov, V.A., Kravtsov, A.H., Karnaukh, M.V., Horyayinov, O.M., Kozenok, A.S. & Babych, I.A. (2023). Otsinka erhonomichnoyi stiykosti transportnoho potoku na dilʹnytsyakh dorozhnʹoyi merezhi. Identyfikatsiya matematychnoyi modeli. [Assessment of ergonomic sustainability of traffic flow at road network sections. Identification of a mathematical model], Tsentralʹnoukrayinsʹkyy naukovyy visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, Vol. 7(38), 236-245. https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245 [in Ukrainian].
2. Kravtsov A.H., Larina T.F., Horyayinov O.M., Kozenok A.S., Horodetsʹka T.E., Babych I.A. (2023) Obhruntuvannya kryteriyu stiykosti transportnoho potoku na dilʹnytsyakh dorozhnʹoyi merezhi. [Justification of the traffic flow stability criterion at the sections of the road network], Tsentralʹnoukrayinsʹkyy naukovyy visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, Vol. 7(38), 222-239 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230 [in Ukrainian].
3. Dorokhin, S., Artemov, A., Likhachev, D., Novikov, A., & Starkov, E. (2020, September). Traffic simulation: an analytical review. In IOP Conference Series: Materials Science and Engineering (Vol. 918, No. 1, p. 012058). IOP Publishing. DOI 10.1088/1757-899X/918/1/012058
4. Nagatani, T. (2023). Macroscopic traffic flow in multiple-loop networks. Physica A: Statistical Mechanics and its Applications, 609, 128324. https://doi.org/10.1016/j.physa.2022.128324
5. Herty, M., & Kolbe, N. (2022). Data-Driven Models for Traffic Flow at Junctions. arXiv preprint arXiv:2212.08912. https://doi.org/10.48550/arXiv.2212.08912
6. Karafyllis, I., Theodosis, D., & Papageorgiou, M. (2022). Stability analysis of nonlinear inviscid microscopic and macroscopic traffic flow models of bidirectional cruise-controlled vehicles. IMA Journal of Mathematical Control and Information, 39(2), 609-642. https://doi.org/10.1093/imamci/dnac003
7. Li, L., Ji, X., Gan, J., Qu, X., & Ran, B. (2021). A macroscopic model of heterogeneous traffic flow based on the safety potential field theory. IEEE Access, 9, 7460-7470. https://doi.org/10.1109/ACCESS.2021.3049393
8. Imran, W., Khan, Z. H., Gulliver, T. A., Khattak, K. S., & Nasir, H. (2020). A macroscopic traffic model for heterogeneous flow. Chinese Journal of Physics, 63, 419-435. https://doi.org/10.1016/j.cjph.2019.12.005
9. Yuan, C., Li, Y., Huang, H., Wang, S., Sun, Z., & Li, Y. (2022). Using traffic flow characteristics to predict real-time conflict risk: A novel method for trajectory data analysis. Analytic methods in accident research, 35, 100217. https://doi.org/10.1016/j.amar.2022.100217
10. Das, A., & Ahmed, M.M. (2022). Adjustment of key lane change parameters to develop microsimulation models for representative assessment of safety and operational impacts of adverse weather using SHRP2 naturalistic driving data. Journal of safety research, 81, 9-20. https://doi.org/10.1016/j.jsr.2022.01.002
11. Lazar H. (2019). Comparison of microscopic car following models. In 2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS) (pp. 1-6). IEEE. DOI:10.1109/SysCoBIoTS48768.2019.9028040
12. Feng, T., Liu, K., & Liang, C. (2023). An Improved Cellular Automata Traffic Flow Model Considering Driving Styles. Sustainability, 15(2), 952. https://doi.org/10.3390/su15020952
13. Kušić, K., Schumann, R., & Ivanjko, E. (2023). A digital twin in transportation: Real-time synergy of traffic data streams and simulation for virtualizing motorway dynamics. Advanced Engineering Informatics, 55, 101858. https://doi.org/10.3390/su15032050
14. Shang, X. C., Liu, F., Li, X. G., Janssens, D., & Wets, G. (2023). The Impact of Three Specific Collaborative Merging Strategies on Traffic Flow. Journal of Advanced Transportation, 2023. https://doi.org/10.1155/2023/1375867
15. Wen, J., Hong, L., Dai, M., Xiao, X., & Wu, C. (2023). A stochastic model for stop-and-go phenomenon in traffic oscillation: On the prospective of macro and micro traffic flow. Applied Mathematics and Computation, 440, 127637. https://doi.org/10.1016/j.amc.2022.127637
16. Mittal, U., Chawla, P., & Tiwari, R. (2023). EnsembleNet: A hybrid approach for vehicle detection and estimation of traffic density based on faster R-CNN and YOLO models. Neural Computing and Applications, 35(6), 4755-4774. https://doi.org/10.1007/s00521-022-07940-9
17. Djenouri, Y., Belhadi, A., Srivastava, G., & Lin, J. C. W. (2023). Hybrid graph convolution neural network and branch-and-bound optimization for traffic flow forecasting. Future Generation Computer Systems, 139, 100-108. https://doi.org/10.1016/j.future.2022.09.018
18. Xu, X., Jin, X., Xiao, D., Ma, C., & Wong, S. C. (2023). A hybrid autoregressive fractionally integrated moving average and nonlinear autoregressive neural network model for short-term traffic flow prediction. Journal of Intelligent Transportation Systems, 27(1), 1-18. https://doi.org/10.1080/15472450.2021.1977639
19. Zhu, Y., Wu, Q. & Xiao, N. (2022). Research on highway traffic flow prediction model and decision-making method. Sci Rep 12, 19919. https://doi.org/10.1038/s41598-022-24469-y
Пристатейна бібліографія ГОСТ
- Войтов В.А., Кравцов А.Г., Карнаух М.В., Горяїнов О.М., Козенок А.С., Бабич І.А. Оцінка ергономічної стійкості транспортного потоку на дільницях дорожньої мережі. Ідентифікація математичної моделі. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38). С. 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245
- Обгрунтування критерію стійкості транспортного потоку на дільницях дорожньої мережі. / А.Г. Кравцов та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38). С. 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230
- Dorokhin S., Artemov A., Likhachev D., Novikov A., Starkov E. Traffic simulation: an analytical review. In IOP Conference Series: Materials Science and Engineering. 2020. Vol. 918. No. 1, p. 012058. IOP Publishing. DOI 10.1088/1757-899X/918/1/012058
- Nagatani T. Macroscopic traffic flow in multiple-loop networks. Physica A: Statistical Mechanics and its Applications. 2023. P. 609. 128324. https://doi.org/10.1016/j.physa.2022.128324
- Herty M., Kolbe N. Data-Driven Models for Traffic Flow at Junctions. arXiv preprint arXiv: 2022, 2212.08912. https://doi.org/10.48550/arXiv.2212.08912
- Karafyllis I., Theodosis D., Papageorgiou M. Stability analysis of nonlinear inviscid microscopic and macroscopic traffic flow models of bidirectional cruise-controlled vehicles. IMA Journal of Mathematical Control and Information. 2022. 39(2). P.609-642. https://doi.org/10.1093/imamci/dnac003
- Li L., Ji X., Gan J., Qu X., Ran B. A macroscopic model of heterogeneous traffic flow based on the safety potential field theory. IEEE Access. 2021. 9. P. 7460-7470. https://doi.org/10.1109/ACCESS.2021.3049393
- Imran W., Khan Z. H., Gulliver T. A., Khattak K. S., Nasir H. A macroscopic traffic model for heterogeneous flow. Chinese Journal of Physics, 2020. 63. P.419-435. https://doi.org/10.1016/j.cjph.2019.12.005
- Yuan C., Li Y., Huang H., Wang S., Sun Z., Li Y. Using traffic flow characteristics to predict real-time conflict risk: A novel method for trajectory data analysis. Analytic methods in accident research. 2022. 35. 100217. https://doi.org/10.1016/j.amar.2022.100217
- Das A., Ahmed M. M. Adjustment of key lane change parameters to develop microsimulation models for representative assessment of safety and operational impacts of adverse weather using SHRP2 naturalistic driving data. Journal of safety research. 2022. 8. Pp. 9-20. https://doi.org/10.1016/j.jsr.2022.01.002
- Lazar H. Comparison of microscopic car following models. In 2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS). 2019. pp. 1-6. IEEE. DOI:10.1109/SysCoBIoTS48768.2019.9028040
- Feng T., Liu K., Liang C. An Improved Cellular Automata Traffic Flow Model Considering Driving Styles. Sustainability. 2023. 15(2). P. 952. https://doi.org/10.3390/su15020952
- Kušić K., Schumann R., Ivanjko E. A digital twin in transportation: Real-time synergy of traffic data streams and simulation for virtualizing motorway dynamics. Advanced Engineering Informatics. 2023. 55. 101858. https://doi.org/10.3390/su15032050
- Shang X. C., Liu F., Li X. G., Janssens D., Wets G. The Impact of Three Specific Collaborative Merging Strategies on Traffic Flow. Journal of Advanced Transportation. 2023. https://doi.org/10.1155/2023/1375867
- Wen J., Hong L., Dai M., Xiao X., Wu C. A stochastic model for stop-and-go phenomenon in traffic oscillation: On the prospective of macro and micro traffic flow. Applied Mathematics and Computation. 2023. 440. 127637. https://doi.org/10.1016/j.amc.2022.127637
- Mittal U., Chawla P., Tiwari R. EnsembleNet: A hybrid approach for vehicle detection and estimation of traffic density based on faster R-CNN and YOLO models. Neural Computing and Applications. 2023. 35(6). 4755-4774. https://doi.org/10.1007/s00521-022-07940-9
- Djenouri Y., Belhadi A., Srivastava G., Lin J. C. W. Hybrid graph convolution neural network and branch-and-bound optimization for traffic flow forecasting. Future Generation Computer Systems. 2023. 139. Pp. 100-108. https://doi.org/10.1016/j.future.2022.09.018
- Xu X., Jin X., Xiao D., Ma C., Wong S. C. A hybrid autoregressive fractionally integrated moving average and nonlinear autoregressive neural network model for short-term traffic flow prediction. Journal of Intelligent Transportation Systems. 2023. 27(1). 1-18. https://doi.org/10.1080/15472450.2021.1977639
- Zhu Y., Wu Q., Xiao N. Research on highway traffic flow prediction model and decision-making method. Sci Rep. 2022. 12. 19919. https://doi.org/10.1038/s41598-022-24469-y
Copyright (c) 2023 О.М. Горяїнов, А.С. Козенок, Н.Г. Бережна, І.І. Сисенко, І.А. Бабич, О.В. Войтов