Modeling rush hour vehicular traffic using a machine learning approach
(2022) In Master's Theses in Mathematical Sciences NUMM11 20221Mathematics (Faculty of Engineering)
- Abstract
- In this thesis, a convolutional neural network is used to model the
behaviour of individual vehicles on a stretch of the U.S. 101 highway during
rush hour. This model is then extended to model the collective behaviour of
all vehicles on the stretch of road and a 15 minute simulation is carried out.
Using an initial vehicle layout, images displaying the position of nearby vehicles
and information of vehicles entering the road, the simulation performs well for
the first five minutes, while the performance deteriorates for the subsequent 10
minutes. - Popular Abstract (Swedish)
- Det finns olika typer av så kallade artificiella neurala nätverk som används till
olika saker. En av dessa kallas för konvolutionella neurala nätverk och används
till att bearbeta bilder. Denna typ av artificiella neurala nätverk används bland
annat för klassificering av bilder och för att styra självkörande bilar.
I den här uppsatsen används ett konvolutionellt neuralt nätverk för att försöka
förutspå hur en bil ska bete sig, baserat på en bild uppifrån som visar var andra
bilar befinner sig i närheten av den aktuella bilen. Sedan försöks det förutspås
hur alla bilar på en del av en motorväg i USA beter sig i rusningstrafik. Även
om det går att delvis förutspå beteendet hos bilarna, upptäcks det att det inte
räcker med enbart en... (More) - Det finns olika typer av så kallade artificiella neurala nätverk som används till
olika saker. En av dessa kallas för konvolutionella neurala nätverk och används
till att bearbeta bilder. Denna typ av artificiella neurala nätverk används bland
annat för klassificering av bilder och för att styra självkörande bilar.
I den här uppsatsen används ett konvolutionellt neuralt nätverk för att försöka
förutspå hur en bil ska bete sig, baserat på en bild uppifrån som visar var andra
bilar befinner sig i närheten av den aktuella bilen. Sedan försöks det förutspås
hur alla bilar på en del av en motorväg i USA beter sig i rusningstrafik. Även
om det går att delvis förutspå beteendet hos bilarna, upptäcks det att det inte
räcker med enbart en bild uppifrån utan att det krävs ytterligare information. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9103733
- author
- Ackzell, Erik
- supervisor
- organization
- alternative title
- Modellering av rusningstrafik med hjälp av maskininlärning
- course
- NUMM11 20221
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- convolutional neural networks, traffic modeling
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUNFNA-3037-2022
- ISSN
- 1404-6342
- other publication id
- 2022:E76
- language
- English
- id
- 9103733
- date added to LUP
- 2022-12-05 13:31:59
- date last changed
- 2022-12-05 13:34:38
@misc{9103733, abstract = {{In this thesis, a convolutional neural network is used to model the behaviour of individual vehicles on a stretch of the U.S. 101 highway during rush hour. This model is then extended to model the collective behaviour of all vehicles on the stretch of road and a 15 minute simulation is carried out. Using an initial vehicle layout, images displaying the position of nearby vehicles and information of vehicles entering the road, the simulation performs well for the first five minutes, while the performance deteriorates for the subsequent 10 minutes.}}, author = {{Ackzell, Erik}}, issn = {{1404-6342}}, language = {{eng}}, note = {{Student Paper}}, series = {{Master's Theses in Mathematical Sciences}}, title = {{Modeling rush hour vehicular traffic using a machine learning approach}}, year = {{2022}}, }