一种混合支持向量机器和神经网络模型,具有模糊逻辑融合,用于智能城市交通预测
Batool Abbas1, Tahir Alyas1, Qaiser Abbas2
1Department of Computer Science, Lahore Garrison University, Lahore, 54000, Pakistan.
Scientific reports
|October 6, 2025
概括
这项研究介绍了一种使用机器学习的混合模型,用于在不断增长的城市中更好地预测和分类交通. 先进的方法提高了交通管理的效率和准确性,可适应智慧城市应用.
科学领域:
- 智能运输系统 智能运输系统
- 城市规划 城市规划
- 数据科学数据科学数据科学
背景情况:
- 有效的交通管理对于开发可持续和智能城市至关重要.
- 当前的方法在快速城市化地区准确预测和分类交通状况方面面临挑战.
研究的目的:
- 提出一种混合模型,用于增强交通预测和分类.
- 通过智能技术和决策层面的整合,改进交通数据分析.
主要方法:
- 利用机器学习技术,包括支持矢量机器 (SVM) 和人工神经网络 (ANN).
- 实施决策层面的整合和高级功能选择,以增强混合模型.
- 在1243个交通记录的真实数据集上测试了该模型.
主要成果:
- 在精度 (98.6%),灵敏度 (98.8%) 和特异性 (98.2%) 方面取得了卓越的性能.
- 在拉合尔的城市环境中展示了该模型的强度和实时效率.
- 强调了在决策层面整合多种智能方法的有效性.
结论:
- 混合模糊决策融合模型为中等规模,快速增长的城市地区的交通管理提供了高效和强大的解决方案.
- 该模型对实时交通变化的适应性是智能城市应用的关键优势.
- 为了更广泛的概括,建议使用智能城市数据集进行进一步的验证.
