Adaptacyjne uczenie maszynowe w zrównoważonym planowaniu ruchu: precyzyjne rozpoznawanie wzorców w inteligentnych systemach transportowych
Future Transportation, t. 5, nr 4, art. 152
Streszczenie redakcyjne
HDBSCAN i k-means grupują wzorce ruchu, a ważone głosowanie łączy ich wyniki. Symulacja sieci drogowej Chmielnickiego sprawdza, jak wyraźnie i spójnie metoda rozróżnia tryby ruchu. Wyniki stanowią podstawę analizy popytu transportowego i planowania strategii sterowania.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Vitaliy Pavlyshyn, Eduard Manziuk, Oleksander Barmak, Pavlo Radiuk, Iurii Krak. "An Adaptive Machine Learning Approach to Sustainable Traffic Planning: High-Fidelity Pattern Recognition in Smart Transportation Systems". Future Transportation, Vol. 5, No. 4, Article 152, 2025. https://doi.org/10.3390/futuretransp5040152
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.