Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Modeling rush hour vehicular traffic using a machine learning approach

Ackzell, Erik (2022) In Master's Theses in Mathematical Sciences NUMM11 20221
Mathematics (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:
author
Ackzell, Erik
supervisor
organization
alternative title
Modellering av rusningstrafik med hjälp av maskininlärning
course
NUMM11 20221
year
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}},
}