https://oldena.lpnu.ua/handle/ntb/46881| Title: | Forecasting of the traffic intervals between vehicles using software R |
| Other Titles: | Прогнозування інтервалів руху між транспортними засобами з використанням програмного продукту “R” |
| Authors: | Ковалишин, В. В. Kovalyshyn, V. |
| Affiliation: | Національний університет “Львівська політехніка” Lviv Polytechnic National University |
| Bibliographic description (Ukraine): | Kovalyshyn V. Forecasting of the traffic intervals between vehicles using software R / V. Kovalyshyn // Вісник Національного університету “Львівська політехніка”. Серія: Динаміка, міцність та проектування машин і приладів. — Львів : Видавництво Львівської політехніки, 2019. — № 910. — С. 84–88. |
| Bibliographic description (International): | Kovalyshyn V. Forecasting of the traffic intervals between vehicles using software R / V. Kovalyshyn // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Dynamika, mitsnist ta proektuvannia mashyn i pryladiv. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2019. — No 910. — P. 84–88. |
| Is part of: | Вісник Національного університету “Львівська політехніка”. Серія: Динаміка, міцність та проектування машин і приладів, 910, 2019 |
| Journal/Collection: | Вісник Національного університету “Львівська політехніка”. Серія: Динаміка, міцність та проектування машин і приладів |
| Issue: | 910 |
| Issue Date: | 26-Feb-2019 |
| Publisher: | Видавництво Львівської політехніки |
| Place of the edition/event: | Львів Lviv |
| UDC: | 656.13 |
| Keywords: | інтервали між транспортними засобами автомобілі часові ряди водії транспортний потік програмний продукт R traffic intervals vehicles time series drivers traffic flow software R |
| Number of pages: | 5 |
| Page range: | 84-88 |
| Start page: | 84 |
| End page: | 88 |
| Abstract: | Спрогнозовано часові ряди інтервалів руху між транспортними засобами на
головній вулиці за різних умов руху протягом одного тижня і визначено інтервали між
транспортними засобами на майбутнє із застосуванням сучасного програмного продукту R. The goal is to forecast time series of traffic intervals between vehicles on the main street under different conditions within one week and try to predict the intervals between vehicles for the future. To accomplish this goal it is decided to apply the modern computer Software R. |
| URI: | https://ena.lpnu.ua/handle/ntb/46881 |
| Copyright owner: | © Національний університет “Львівська політехніка”, 2019 © Kovalyshyn V., 2019 |
| URL for reference material: | https://cran.r-project.org |
| References (Ukraine): | 1. Bolshinsky, E. and Freidman, R., 2012. Traffic flow forecast survey. Technion–Israel Institute ofTechnology–Technical Report. 2. Jeon, S. and Hong, B., 2016. Monte Carlo simulation-based traffic speed forecasting using historical big data. In: Future Generation Computer Systems, 65, 182–195. 3. MoreiraMatias, L., Mendes-Moreira, J., de Sousa, J. F., Gama, J., 2015. Improving Mass Transit Operations by Using AVL-Based Systems: A Survey. In: IEEE Transactions on Intelligent Transportation System, DOI 10.1109/TITS.2014.2376772. 4. Mendes-Moreira, J., Jorge, A. M., de Sousa, J. F. and Soares, J., 2012. Comparing state-of-the-art regression methods for long term travel time prediction. In: Journal Intelligent Data Analysis archive 16 (3), pp. 427–449. 5. Moreira-Matias, L., Cats, O., Gam, J., Mendes-Moreira, J., and Freire de Sousa, J., 2016. An online learning approach to eliminate Bus Bunching in real-time. In: Applied Soft Computing 47, pp. 460–482. 6. Hyndman, R. J. and Athanasopoulos, G., 2016. Forecasting: principles and practice.www.otexts.org. 7. https://cran.r-project.org. 8. Cleveland, R. B., Cleveland, W. S. and Terpenning, I., 1990. STL: A seasonal-trend decomposition procedure based on loess. In: Journal of Official Statistics, 6(1). 9. Hyndman, R. J. and Athanasopoulos, G., 2018. Forecasting: principles and practice.Second edition. www.otexts.org. |
| References (International): | 1. Bolshinsky, E. and Freidman, R., 2012. Traffic flow forecast survey. Technion–Israel Institute ofTechnology–Technical Report. 2. Jeon, S. and Hong, B., 2016. Monte Carlo simulation-based traffic speed forecasting using historical big data. In: Future Generation Computer Systems, 65, 182–195. 3. MoreiraMatias, L., Mendes-Moreira, J., de Sousa, J. F., Gama, J., 2015. Improving Mass Transit Operations by Using AVL-Based Systems: A Survey. In: IEEE Transactions on Intelligent Transportation System, DOI 10.1109/TITS.2014.2376772. 4. Mendes-Moreira, J., Jorge, A. M., de Sousa, J. F. and Soares, J., 2012. Comparing state-of-the-art regression methods for long term travel time prediction. In: Journal Intelligent Data Analysis archive 16 (3), pp. 427–449. 5. Moreira-Matias, L., Cats, O., Gam, J., Mendes-Moreira, J., and Freire de Sousa, J., 2016. An online learning approach to eliminate Bus Bunching in real-time. In: Applied Soft Computing 47, pp. 460–482. 6. Hyndman, R. J. and Athanasopoulos, G., 2016. Forecasting: principles and practice.www.otexts.org. 7. https://cran.r-project.org. 8. Cleveland, R. B., Cleveland, W. S. and Terpenning, I., 1990. STL: A seasonal-trend decomposition procedure based on loess. In: Journal of Official Statistics, 6(1). 9. Hyndman, R. J. and Athanasopoulos, G., 2018. Forecasting: principles and practice.Second edition. www.otexts.org. |
| Content type: | Article |
| Appears in Collections: | Динаміка, міцність та проектування машин і приладів. – 2019. – № 910 |
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2019n910_Kovalyshyn_V-Forecasting_of_the_traffic_84-88.pdf | 291 kB | Adobe PDF | View/Open | |
| 2019n910_Kovalyshyn_V-Forecasting_of_the_traffic_84-88__COVER.png | 392.94 kB | image/png | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.