Адаптивне машинне навчання для сталого планування дорожнього руху: високоточне розпізнавання закономірностей в інтелектуальних транспортних системах
Future Transportation, т. 5, № 4, стаття 152
Стислий огляд дослідження
HDBSCAN і k-means групують транспортні потоки, а зважене голосування поєднує їхні результати. Симуляція дорожньої мережі Хмельницького перевіряє, наскільки чітко й послідовно метод розрізняє режими руху. Результати слугують основою для аналізу транспортного попиту та планування стратегій керування.
Бібліографічне посилання
Формат цитування для вашого видання чи організації звірте із записом у видавця.
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
Перевірте метод на вашій задачі.
Опишіть рішення, яке має підтримувати ваша система, та дані, з якими вона працює. Оцінимо придатність методу, визначимо обсяг прототипу й погодимо, як перевірити якість, час відповіді та вартість його роботи.