Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu
Development of an integrated model for congestion prediction and determination of optimal number of active channels in module
2019
Download 🢃
Authors
Petrović, AndrijaContributors
Delibašić, BorisBugarić, Uglješa
Suknović, Milija
Makajić-Nikolić, Dragana
Jovanović, Miloš
Doctoral thesis (Published version)
Metadata
Show full item recordAbstract
Poslednjih godina veliki broj istraživanja je usmeren ka predikciji saobraćajnih gužvi. Različite statističke metode nisu pokazale značajan doprinos u prediktivnim performansama predikcije gužvi. Stoga se danas sve češće koriste algoritmi mašinskog učenja u cilju postizanja zadovoljavajućih rezultata predikcije. U ovoj disertaciji, predstavljena je metolodogija za klasifikaciju gužvi na bazi novorazvijenog modela Gausovih uslovnih slučajnih polja za strkturnu binarnu predikciju (GCRFBC). Ista je uspešno implementirana na realne probleme predviđanja gužvi. Metodlogija može biti uspešno primenjena na klasifikacione probleme opisane neusmerenim grafovima koji se ne mogu efektivno rešiti standardnim uslovnim slučajnim poljima (CRF). Novorazvijeni model, korišćen u metodologiji, je zasnovan na standardnim Gausovim uslovnim slučajnim poljima za regresiju (GCRF) koja su proširena latentnim promenljivim što daje brojne prednosti istom. Zahvaljujući latentnoj strukturi, učenje i zaključivanje u... modelu ne zahteva komplikovane numeričke procedure, već može biti rešeno analitički. Pored toga, postojanje latentne strukture omogućava da model bude otvoren ka daljim poboljšanjima. Tri različita algoritma su razvijena: GCRFBCb (GCRFBC – Bajesovski), GCRFBCb-fast (GCRFBC – Bajesovski sa aproksimacijom) i GCRFBCnb (GCRFBC – ne-Bajesovski). Proširena metoda lokalne varijacione aproksimacije sigmoidne funkcije korišćena je za rešavanje integrala po latentnim promenljivim u Bajesovskoj verziji GCRFBC modela. U slučaju ne-Bajesovskog GCRFBC modela u učenju i zaključivanju je korišćena latentna promenljiva sa maksimalnom vrednošću funkcije gustine verovatnoće. Zaključivanje u GCRFBCb modelu je rešeno korišćenjem Njutn-Kotesovim formulama za jednodimenzionalnu integraciju. Usled velikog broja varijacionih parametara, računski trošak učenja je veliki, stoga je razvijena brza verzija Bajesovskog GCRFBC modela. Performanse modela su evaluirane na sintetičkim i realnim podacima. Pokazano je da se primenom metodlogije ostvaruju bolje performanse predviđanja gužvi u poređenju sa nestrukturnim modelima. Dodatno su evaluirani računski i memorijski troškovi. Metodologija je generalizovana na primere iz drugih domena. Detaljne prednosti i mane svih razvijenih modela su naglašene. U drugom delu disertacije razvijena je hibridna metodlogija za predviđanje indikatora saobaćaja koji se zasniva na kombinaciji Gausovih uslovnih slučajnih polja za regresiju i klasifikaciju. Usled korišćenja strukturnih modela, metodologija se koristi za predviđanje indikatora saobraćaja na više izlaza koji su međusobno zavisni. Pored toga, obezbeđuje se učenje iz retkih podataka, odnosno podataka gde mnogi izlazi nemaju nikakavu vrednost (ništa). Klasifikacioni model služi za eliminisanje izlaza sa vrednostima ništa, dok regresioni model služi za predviđanje indikatora saobraćaja na onim izlazima koji nemaju vrednost ništa. Informacije o indikatorima saobraćaja omogućavaju efikasan monitoring saobraćaja, upravljanje, planiranje kao i donošenje informacija koje učesnike u saobraćaju mogu da navedu na putanje gde gužve mogu da se zaobiđu. Prednosti i mane novorazvijene metodlogije prikazane su na dva primera. Prvi se tiče predviđanja gužvi na auto-putu E70-E75 koji prolazi kroz Srbiju, dok je drugi problem vezan za predviđanje gužvi na ski-centru Kopaonik. U poslednjem delu disertacije razvijena je metodologija za3 određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija je zasnovana na kombinaciji rekurentnih neuronskih mreža, teorije redova čekanja i metaheuristika u cilju određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija se bazira na predviđanju intenziteta dolazaka i određivanju intenziteta opsluživanja u nekom periodu u budućnosti. Korišćenjem tih intenziteta u modelima teorije redova čekanja, postavlja se funkcija cilja koja se optimizuje posredstvom izbora broja aktivnih kanala u modulu. Prikazana su dva algoritma: prvi zasnovan na ne-Bajesovskom pristupu određivanja broja aktivnih kanala u modulu i drugi zasnovan na Bajesovskom pristupu. Na primeru određivanja optimalnog broja naplatnih rampi koji treba da bude otvoren u budućnosti na naplatnoj stanici Vrčin verifikovana je primena iste. Može se videti da u svim analiziranim slučajevima, rezultati dobijeni novorazvijenom metodologijom pokazuju neuporedivo niže očekivane ukupne troškove u poređenju sa trenutnom strategijom otvaranja naplatnih rampi.
In the recent years, research committed in the field of congestion prediction present one of the most popular area of interest. A variety of novel methods for congestion prediction based on unstructured statistical (machine) learning have become the standard for congestion prediction. However, in this dissertaion I argue that structured machine (statistical) learning algorithms can significantly improve congestion prediction performances. In this dissertation, a Gaussian conditional random field model for structured binary classification (GCRFBC) is proposed for solving problems of congestion prediction. The model is applicable to classification problems with undirected graphs, intractable for standard classification CRFs. The model representation of GCRFBC is extended by latent variables which yield some appealing properties. Thanks to the GCRF latent structure, the model becomes tractable, efficient and open to improvements previously applied to GCRF regression models. In addition, t...he model allows for reduction of noise, that might appear if structures were defined directly between discrete outputs. Three different forms of the algorithm are presented: GCRFBCb (GCRGBC - Bayesian), GCRFBCbfast (GCRGBC - Bayesian approximation) and GCRFBCnb (GCRFBC - non-Bayesian). The extended method of local variational approximation of sigmoid function is used for solving empirical Bayes in Bayesian GCRFBCb variant, whereas MAP value of latent variables is the basis for learning and inference in the GCRFBCnb variant. The inference in GCRFBCb is solved by Newton-Cotes formulas for one-dimensional integration. Due to large numbers of variational parameters the computational costs of learning is significant, so fast version of GCRFBCb model is derived (GCRFBCb-fast). Models are evaluated on synthetic data and real data. It was shown that models achieve better congestion prediction performance than unstructured predictors. Furthermore, computational and memory complexity is evaluated. The generalization of the proposed models on other problems are discussed in details. Moreover, in the second part of this dissertation a hybrid model of two Gaussian Conditional Random Fields models (one recently proposed for classification, and one for regression) for inference of traffic speed, a relevant variable for traffic state estimation and travel information systems is proposed. It addresses two specifics of the problem - sparsity in traffic data and the fact that observations are not independent. It does so by combining a Gaussian conditional random field binary classification (GCRFBC) model (for gating of free-flow regimes and potentially congested traffic regimes) and a regression Gaussian conditional random field (GCRF) model with varying structure of nodes for prediction of traffic speed in dependent variables of potentially congested traffic regimes only. The information provided by the model can help in traffic monitoring, control, and planning, as well in congestion mitigation by providing information for avoiding congested routes. The proposed model is tested on two large-scale networks in Serbia, an arterial E70-E75 335km long highway stretch as well as in the ski resort Kopaonik with 55 km of ski slopes. The advantages and disadvantages of hybrid model is shown. In the last section of dissertation methodology for determination of optimal number of active channels in module is developed. Methodology is based on combination of recurrent neural networks, queuing theory and metaheuristics. Recurrent neural networks are used for prediction of arrival intensity and estimation of service intensity in some period in future. The predicted intensities are used in queuing theory models in order to develop objective function5 that has to be minimized. Two different algorithms are presented: the first one is based on nonBayesian and the second one is based on Bayesian approach. The application of methodology is presented on the example of pay toll ramp optimization on pay toll station Vrčin. In all analyzed cases the estimated total costs are significantly reduced compared to current policy
Keywords:
teorija redova čekanja / strukturni probabalistički modeli / regresija / predviđanje gužvi / oптимизација / nestacionarn i Markovljevi procesi / klasifikacija / Gausova uslovna slučajna polja / structural probabalistic models / queuing theory / optimization / non homogenous Markov process / Gaussian conditional radnom fields / congestion prediction / classifiaction- regressionSource:
2019Publisher:
- Univerzitet u Beogradu, Fakultet organizacionih nauka
URI
http://eteze.bg.ac.rs/application/showtheses?thesesId=8004https://fedorabg.bg.ac.rs/fedora/get/o:23390/bdef:Content/download
http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=14772489
https://nardus.mpn.gov.rs/handle/123456789/18162
https://rfos.fon.bg.ac.rs/handle/123456789/112
Collections
Institution/Community
Fakultet organizacionih naukaTY - THES AU - Petrović, Andrija PY - 2019 UR - http://eteze.bg.ac.rs/application/showtheses?thesesId=8004 UR - https://fedorabg.bg.ac.rs/fedora/get/o:23390/bdef:Content/download UR - http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=14772489 UR - https://nardus.mpn.gov.rs/handle/123456789/18162 UR - https://rfos.fon.bg.ac.rs/handle/123456789/112 AB - Poslednjih godina veliki broj istraživanja je usmeren ka predikciji saobraćajnih gužvi. Različite statističke metode nisu pokazale značajan doprinos u prediktivnim performansama predikcije gužvi. Stoga se danas sve češće koriste algoritmi mašinskog učenja u cilju postizanja zadovoljavajućih rezultata predikcije. U ovoj disertaciji, predstavljena je metolodogija za klasifikaciju gužvi na bazi novorazvijenog modela Gausovih uslovnih slučajnih polja za strkturnu binarnu predikciju (GCRFBC). Ista je uspešno implementirana na realne probleme predviđanja gužvi. Metodlogija može biti uspešno primenjena na klasifikacione probleme opisane neusmerenim grafovima koji se ne mogu efektivno rešiti standardnim uslovnim slučajnim poljima (CRF). Novorazvijeni model, korišćen u metodologiji, je zasnovan na standardnim Gausovim uslovnim slučajnim poljima za regresiju (GCRF) koja su proširena latentnim promenljivim što daje brojne prednosti istom. Zahvaljujući latentnoj strukturi, učenje i zaključivanje u modelu ne zahteva komplikovane numeričke procedure, već može biti rešeno analitički. Pored toga, postojanje latentne strukture omogućava da model bude otvoren ka daljim poboljšanjima. Tri različita algoritma su razvijena: GCRFBCb (GCRFBC – Bajesovski), GCRFBCb-fast (GCRFBC – Bajesovski sa aproksimacijom) i GCRFBCnb (GCRFBC – ne-Bajesovski). Proširena metoda lokalne varijacione aproksimacije sigmoidne funkcije korišćena je za rešavanje integrala po latentnim promenljivim u Bajesovskoj verziji GCRFBC modela. U slučaju ne-Bajesovskog GCRFBC modela u učenju i zaključivanju je korišćena latentna promenljiva sa maksimalnom vrednošću funkcije gustine verovatnoće. Zaključivanje u GCRFBCb modelu je rešeno korišćenjem Njutn-Kotesovim formulama za jednodimenzionalnu integraciju. Usled velikog broja varijacionih parametara, računski trošak učenja je veliki, stoga je razvijena brza verzija Bajesovskog GCRFBC modela. Performanse modela su evaluirane na sintetičkim i realnim podacima. Pokazano je da se primenom metodlogije ostvaruju bolje performanse predviđanja gužvi u poređenju sa nestrukturnim modelima. Dodatno su evaluirani računski i memorijski troškovi. Metodologija je generalizovana na primere iz drugih domena. Detaljne prednosti i mane svih razvijenih modela su naglašene. U drugom delu disertacije razvijena je hibridna metodlogija za predviđanje indikatora saobaćaja koji se zasniva na kombinaciji Gausovih uslovnih slučajnih polja za regresiju i klasifikaciju. Usled korišćenja strukturnih modela, metodologija se koristi za predviđanje indikatora saobraćaja na više izlaza koji su međusobno zavisni. Pored toga, obezbeđuje se učenje iz retkih podataka, odnosno podataka gde mnogi izlazi nemaju nikakavu vrednost (ništa). Klasifikacioni model služi za eliminisanje izlaza sa vrednostima ništa, dok regresioni model služi za predviđanje indikatora saobraćaja na onim izlazima koji nemaju vrednost ništa. Informacije o indikatorima saobraćaja omogućavaju efikasan monitoring saobraćaja, upravljanje, planiranje kao i donošenje informacija koje učesnike u saobraćaju mogu da navedu na putanje gde gužve mogu da se zaobiđu. Prednosti i mane novorazvijene metodlogije prikazane su na dva primera. Prvi se tiče predviđanja gužvi na auto-putu E70-E75 koji prolazi kroz Srbiju, dok je drugi problem vezan za predviđanje gužvi na ski-centru Kopaonik. U poslednjem delu disertacije razvijena je metodologija za3 određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija je zasnovana na kombinaciji rekurentnih neuronskih mreža, teorije redova čekanja i metaheuristika u cilju određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija se bazira na predviđanju intenziteta dolazaka i određivanju intenziteta opsluživanja u nekom periodu u budućnosti. Korišćenjem tih intenziteta u modelima teorije redova čekanja, postavlja se funkcija cilja koja se optimizuje posredstvom izbora broja aktivnih kanala u modulu. Prikazana su dva algoritma: prvi zasnovan na ne-Bajesovskom pristupu određivanja broja aktivnih kanala u modulu i drugi zasnovan na Bajesovskom pristupu. Na primeru određivanja optimalnog broja naplatnih rampi koji treba da bude otvoren u budućnosti na naplatnoj stanici Vrčin verifikovana je primena iste. Može se videti da u svim analiziranim slučajevima, rezultati dobijeni novorazvijenom metodologijom pokazuju neuporedivo niže očekivane ukupne troškove u poređenju sa trenutnom strategijom otvaranja naplatnih rampi. AB - In the recent years, research committed in the field of congestion prediction present one of the most popular area of interest. A variety of novel methods for congestion prediction based on unstructured statistical (machine) learning have become the standard for congestion prediction. However, in this dissertaion I argue that structured machine (statistical) learning algorithms can significantly improve congestion prediction performances. In this dissertation, a Gaussian conditional random field model for structured binary classification (GCRFBC) is proposed for solving problems of congestion prediction. The model is applicable to classification problems with undirected graphs, intractable for standard classification CRFs. The model representation of GCRFBC is extended by latent variables which yield some appealing properties. Thanks to the GCRF latent structure, the model becomes tractable, efficient and open to improvements previously applied to GCRF regression models. In addition, the model allows for reduction of noise, that might appear if structures were defined directly between discrete outputs. Three different forms of the algorithm are presented: GCRFBCb (GCRGBC - Bayesian), GCRFBCbfast (GCRGBC - Bayesian approximation) and GCRFBCnb (GCRFBC - non-Bayesian). The extended method of local variational approximation of sigmoid function is used for solving empirical Bayes in Bayesian GCRFBCb variant, whereas MAP value of latent variables is the basis for learning and inference in the GCRFBCnb variant. The inference in GCRFBCb is solved by Newton-Cotes formulas for one-dimensional integration. Due to large numbers of variational parameters the computational costs of learning is significant, so fast version of GCRFBCb model is derived (GCRFBCb-fast). Models are evaluated on synthetic data and real data. It was shown that models achieve better congestion prediction performance than unstructured predictors. Furthermore, computational and memory complexity is evaluated. The generalization of the proposed models on other problems are discussed in details. Moreover, in the second part of this dissertation a hybrid model of two Gaussian Conditional Random Fields models (one recently proposed for classification, and one for regression) for inference of traffic speed, a relevant variable for traffic state estimation and travel information systems is proposed. It addresses two specifics of the problem - sparsity in traffic data and the fact that observations are not independent. It does so by combining a Gaussian conditional random field binary classification (GCRFBC) model (for gating of free-flow regimes and potentially congested traffic regimes) and a regression Gaussian conditional random field (GCRF) model with varying structure of nodes for prediction of traffic speed in dependent variables of potentially congested traffic regimes only. The information provided by the model can help in traffic monitoring, control, and planning, as well in congestion mitigation by providing information for avoiding congested routes. The proposed model is tested on two large-scale networks in Serbia, an arterial E70-E75 335km long highway stretch as well as in the ski resort Kopaonik with 55 km of ski slopes. The advantages and disadvantages of hybrid model is shown. In the last section of dissertation methodology for determination of optimal number of active channels in module is developed. Methodology is based on combination of recurrent neural networks, queuing theory and metaheuristics. Recurrent neural networks are used for prediction of arrival intensity and estimation of service intensity in some period in future. The predicted intensities are used in queuing theory models in order to develop objective function5 that has to be minimized. Two different algorithms are presented: the first one is based on nonBayesian and the second one is based on Bayesian approach. The application of methodology is presented on the example of pay toll ramp optimization on pay toll station Vrčin. In all analyzed cases the estimated total costs are significantly reduced compared to current policy PB - Univerzitet u Beogradu, Fakultet organizacionih nauka T1 - Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu T1 - Development of an integrated model for congestion prediction and determination of optimal number of active channels in module UR - https://hdl.handle.net/21.15107/rcub_nardus_18162 UR - t-11285 ER -
@phdthesis{ author = "Petrović, Andrija", year = "2019", abstract = "Poslednjih godina veliki broj istraživanja je usmeren ka predikciji saobraćajnih gužvi. Različite statističke metode nisu pokazale značajan doprinos u prediktivnim performansama predikcije gužvi. Stoga se danas sve češće koriste algoritmi mašinskog učenja u cilju postizanja zadovoljavajućih rezultata predikcije. U ovoj disertaciji, predstavljena je metolodogija za klasifikaciju gužvi na bazi novorazvijenog modela Gausovih uslovnih slučajnih polja za strkturnu binarnu predikciju (GCRFBC). Ista je uspešno implementirana na realne probleme predviđanja gužvi. Metodlogija može biti uspešno primenjena na klasifikacione probleme opisane neusmerenim grafovima koji se ne mogu efektivno rešiti standardnim uslovnim slučajnim poljima (CRF). Novorazvijeni model, korišćen u metodologiji, je zasnovan na standardnim Gausovim uslovnim slučajnim poljima za regresiju (GCRF) koja su proširena latentnim promenljivim što daje brojne prednosti istom. Zahvaljujući latentnoj strukturi, učenje i zaključivanje u modelu ne zahteva komplikovane numeričke procedure, već može biti rešeno analitički. Pored toga, postojanje latentne strukture omogućava da model bude otvoren ka daljim poboljšanjima. Tri različita algoritma su razvijena: GCRFBCb (GCRFBC – Bajesovski), GCRFBCb-fast (GCRFBC – Bajesovski sa aproksimacijom) i GCRFBCnb (GCRFBC – ne-Bajesovski). Proširena metoda lokalne varijacione aproksimacije sigmoidne funkcije korišćena je za rešavanje integrala po latentnim promenljivim u Bajesovskoj verziji GCRFBC modela. U slučaju ne-Bajesovskog GCRFBC modela u učenju i zaključivanju je korišćena latentna promenljiva sa maksimalnom vrednošću funkcije gustine verovatnoće. Zaključivanje u GCRFBCb modelu je rešeno korišćenjem Njutn-Kotesovim formulama za jednodimenzionalnu integraciju. Usled velikog broja varijacionih parametara, računski trošak učenja je veliki, stoga je razvijena brza verzija Bajesovskog GCRFBC modela. Performanse modela su evaluirane na sintetičkim i realnim podacima. Pokazano je da se primenom metodlogije ostvaruju bolje performanse predviđanja gužvi u poređenju sa nestrukturnim modelima. Dodatno su evaluirani računski i memorijski troškovi. Metodologija je generalizovana na primere iz drugih domena. Detaljne prednosti i mane svih razvijenih modela su naglašene. U drugom delu disertacije razvijena je hibridna metodlogija za predviđanje indikatora saobaćaja koji se zasniva na kombinaciji Gausovih uslovnih slučajnih polja za regresiju i klasifikaciju. Usled korišćenja strukturnih modela, metodologija se koristi za predviđanje indikatora saobraćaja na više izlaza koji su međusobno zavisni. Pored toga, obezbeđuje se učenje iz retkih podataka, odnosno podataka gde mnogi izlazi nemaju nikakavu vrednost (ništa). Klasifikacioni model služi za eliminisanje izlaza sa vrednostima ništa, dok regresioni model služi za predviđanje indikatora saobraćaja na onim izlazima koji nemaju vrednost ništa. Informacije o indikatorima saobraćaja omogućavaju efikasan monitoring saobraćaja, upravljanje, planiranje kao i donošenje informacija koje učesnike u saobraćaju mogu da navedu na putanje gde gužve mogu da se zaobiđu. Prednosti i mane novorazvijene metodlogije prikazane su na dva primera. Prvi se tiče predviđanja gužvi na auto-putu E70-E75 koji prolazi kroz Srbiju, dok je drugi problem vezan za predviđanje gužvi na ski-centru Kopaonik. U poslednjem delu disertacije razvijena je metodologija za3 određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija je zasnovana na kombinaciji rekurentnih neuronskih mreža, teorije redova čekanja i metaheuristika u cilju određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija se bazira na predviđanju intenziteta dolazaka i određivanju intenziteta opsluživanja u nekom periodu u budućnosti. Korišćenjem tih intenziteta u modelima teorije redova čekanja, postavlja se funkcija cilja koja se optimizuje posredstvom izbora broja aktivnih kanala u modulu. Prikazana su dva algoritma: prvi zasnovan na ne-Bajesovskom pristupu određivanja broja aktivnih kanala u modulu i drugi zasnovan na Bajesovskom pristupu. Na primeru određivanja optimalnog broja naplatnih rampi koji treba da bude otvoren u budućnosti na naplatnoj stanici Vrčin verifikovana je primena iste. Može se videti da u svim analiziranim slučajevima, rezultati dobijeni novorazvijenom metodologijom pokazuju neuporedivo niže očekivane ukupne troškove u poređenju sa trenutnom strategijom otvaranja naplatnih rampi., In the recent years, research committed in the field of congestion prediction present one of the most popular area of interest. A variety of novel methods for congestion prediction based on unstructured statistical (machine) learning have become the standard for congestion prediction. However, in this dissertaion I argue that structured machine (statistical) learning algorithms can significantly improve congestion prediction performances. In this dissertation, a Gaussian conditional random field model for structured binary classification (GCRFBC) is proposed for solving problems of congestion prediction. The model is applicable to classification problems with undirected graphs, intractable for standard classification CRFs. The model representation of GCRFBC is extended by latent variables which yield some appealing properties. Thanks to the GCRF latent structure, the model becomes tractable, efficient and open to improvements previously applied to GCRF regression models. In addition, the model allows for reduction of noise, that might appear if structures were defined directly between discrete outputs. Three different forms of the algorithm are presented: GCRFBCb (GCRGBC - Bayesian), GCRFBCbfast (GCRGBC - Bayesian approximation) and GCRFBCnb (GCRFBC - non-Bayesian). The extended method of local variational approximation of sigmoid function is used for solving empirical Bayes in Bayesian GCRFBCb variant, whereas MAP value of latent variables is the basis for learning and inference in the GCRFBCnb variant. The inference in GCRFBCb is solved by Newton-Cotes formulas for one-dimensional integration. Due to large numbers of variational parameters the computational costs of learning is significant, so fast version of GCRFBCb model is derived (GCRFBCb-fast). Models are evaluated on synthetic data and real data. It was shown that models achieve better congestion prediction performance than unstructured predictors. Furthermore, computational and memory complexity is evaluated. The generalization of the proposed models on other problems are discussed in details. Moreover, in the second part of this dissertation a hybrid model of two Gaussian Conditional Random Fields models (one recently proposed for classification, and one for regression) for inference of traffic speed, a relevant variable for traffic state estimation and travel information systems is proposed. It addresses two specifics of the problem - sparsity in traffic data and the fact that observations are not independent. It does so by combining a Gaussian conditional random field binary classification (GCRFBC) model (for gating of free-flow regimes and potentially congested traffic regimes) and a regression Gaussian conditional random field (GCRF) model with varying structure of nodes for prediction of traffic speed in dependent variables of potentially congested traffic regimes only. The information provided by the model can help in traffic monitoring, control, and planning, as well in congestion mitigation by providing information for avoiding congested routes. The proposed model is tested on two large-scale networks in Serbia, an arterial E70-E75 335km long highway stretch as well as in the ski resort Kopaonik with 55 km of ski slopes. The advantages and disadvantages of hybrid model is shown. In the last section of dissertation methodology for determination of optimal number of active channels in module is developed. Methodology is based on combination of recurrent neural networks, queuing theory and metaheuristics. Recurrent neural networks are used for prediction of arrival intensity and estimation of service intensity in some period in future. The predicted intensities are used in queuing theory models in order to develop objective function5 that has to be minimized. Two different algorithms are presented: the first one is based on nonBayesian and the second one is based on Bayesian approach. The application of methodology is presented on the example of pay toll ramp optimization on pay toll station Vrčin. In all analyzed cases the estimated total costs are significantly reduced compared to current policy", publisher = "Univerzitet u Beogradu, Fakultet organizacionih nauka", title = "Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu, Development of an integrated model for congestion prediction and determination of optimal number of active channels in module", url = "https://hdl.handle.net/21.15107/rcub_nardus_18162, t-11285" }
Petrović, A.. (2019). Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu. Univerzitet u Beogradu, Fakultet organizacionih nauka.. https://hdl.handle.net/21.15107/rcub_nardus_18162
Petrović A. Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu. 2019;. https://hdl.handle.net/21.15107/rcub_nardus_18162 .
Petrović, Andrija, "Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu" (2019), https://hdl.handle.net/21.15107/rcub_nardus_18162 .