Hyppää sisältöön
    • Suomeksi
    • På svenska
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Predicting short-term traffic speed : a model assessment using spatiotemporal variables

Mankinen, Teemu

Katso/Avaa
Master's Thesis (3.411Mb)
Lataukset: 


Pro gradu -tutkielma

Mankinen, Teemu

School of Business and Management, Kauppatieteet

Kaikki oikeudet pidätetään.
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
http://urn.fi/URN:NBN:fi-fe2019050915017

Tiivistelmä

The focus of the thesis is to examine different machine learning models’ ability to predict short-term traffic speed. An autoregressive model, ARIMA model, Linear Regression, K-Nearest Neighbor and Extreme Gradient Boosted Tree are used to predict short-term traffic speed for 5, 10 and 15 minutes forward. Models are compared using root mean squared error (RMSE) and mean absolute percentage error (MAPE) performance measures. Models’ performance is also tested with different speed drop levels. Finally, the decision tree algorithm is used to test how well the model is able to classify, if the speed drops below 40 km/h. The results indicated that XGBoost outperforms all the other models in every measurement point and prediction period. The speed drop comparison indicated that the models perform well when the drop is minor but when the magnitude of the drop is large none of the models captures the speed variation desirably. Achieved sensitivity and specificity levels of the decision tree for the 5-, 10- and 15-minute predictions are 0.988, 0.991, 0.995 and 0.524, 0.287, 0.170, respectively. Area Under Curve (AUC) values using the same forecasting periods are 0.962, 0,833 and 0.778.
 
Tutkielmassa tarkastellaan eri koneoppimisen algortimien suoriutumista lyhyen aikavälin nopeuden ennustamiseen. Ennustushorsontti on 5, 10 ja 15 minuuttia käyttäen autoregressiivistä mallia, ARIMA mallia, Lineaarista regressiota, KNN menetelmää ja XGBoost algortimia. Mallien arviointi toteutetaan RMSE ja MAPE suoritusmittareita hyödyntämällä. Valittujen mallien suoritumista testataan myös eri suuruisissa nopeuden pudotuksissa. Lopuksi, päätöspuu algortimilla testataan kuinka hyvin malli kykenee luokittelemaan tilanteita, joissa nopeus putoaa alle 40 km/h. Tuloksien perusteella XGBoost algoritmi pärjää parhaiten jokaisella havaintopisteellä ja ennustehorisontilla. Nopeuden pudotuksien tarkastelussa jokainen malli suoriutuu kiitettävästi tilanteessa, jossa nopeuden pudoitus on pieni. Kun pudotuksen suuruutta kasvatetaan, mikään valituista malleista ei kykene ennustamaan pudotuksia kiitettävästi. Päätöspuun saavuttamamat sensitiivisyys ja spesifisyys tasot 5, 10 ja 15 minuutilla ovat 0.988, 0.991, 0.995 ja 0.524, 0.287, 0.170. AUC arvoiksi samoilla ennustehorisonteilla saadaan 0.962, 0,833 ja 0.778.
 
Kokoelmat
  • Diplomityöt ja Pro gradu -tutkielmat [9986]
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Lähetä palautetta | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetKoulutusohjelmaAvainsanatSyöttöajatYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Lähetä palautetta | Tietosuoja | Saavutettavuusseloste