Predicting Traffic Congestion at Urban Intersections Using Data-Driven Modeling

交通拥堵是城市地区的一个重要问题，导致通勤时间增加、安全隐患和运营效率低下。本研究旨在开发一个预测模型，用于预测美国主要城市交叉口的拥堵情况，利用了来自4800个交叉口商用车辆的行程记录指标数据集。该数据集包括27个特征，包括交叉口坐标、街道名称、时间和交通指标（Kashyap等人，2019）。为了增强模型的预测能力，还加入了其他特征，如降雨/降雪百分比、距市区和郊区的距离以及道路类型。该方法涉及数据探索、特征转换和通过低秩模型和标签编码处理缺失值。所提出的模型有潜力帮助城市规划者和政府预测交通热点、优化运营并确定基础设施挑战。

开发一个预测城市主要交叉口拥堵的模型，以优化城市交通运营和识别基础设施挑战。

利用商用车辆的行程记录数据集，结合交通指标、时间、降雨/降雪百分比、距市中心和市郊的距离和道路类型等特征，开发预测模型。

数据集包括27个特征，使用了低秩模型和标签编码处理缺失值，实验结果有助于城市规划和政府部门预测交通热点，优化运营和识别基础设施挑战。

最近的相关研究包括：1）基于机器学习的城市交通拥堵预测；2）交通拥堵预测中的数据挖掘和建模；3）城市交通拥堵预测的时空分析。