Posouzení možností využití různých predikčních modelů pro dostupná dopravní data
Assessment of using different prediction models for available traffic data
Typ dokumentu
diplomová prácemaster thesis
Autor
Filip Hrubý
Vedoucí práce
Růžička Jiří
Oponent práce
Uglickich Evženie
Studijní program
Inteligentní dopravní systémyInstituce přidělující hodnost
ústav dopravní telematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Cílem předkládané diplomové práce je posoudit možnosti využití různých predikčních modelů pro analýzu dat, získaných ze dvou typů dopravních detektorů. Pro analýzu byla použita data, získaná z oblasti v okolí Dobřichovic. Kvalita dat z detektorů byla ověřena explorativní datovou analýzou. Pro predikci dopravní intenzity bylo vybráno 8 různých modelů (ARIMA, Prophet, Naivní sezónní model, K-nejbližší sousedé, Random Forest, XGBoost, Hybridní model s XGBoost a Neuronové sítě). Na základě křížové validace a stanovením přesnosti použitých predikčních modelů byly jako nejlepší vybrány modely XGBoost a Prophet. The aim of this thesis is to assess the potential of using different prediction models for the data analysis obtained from two types of traffic detectors. The data obtained from the area around Dobřichovice were used for the analysis. The quality of the detector data was verified by exploratory data analysis. Eight different models (ARIMA, Prophet, Naive Seasonal Model, K-Nearest Neighbors, Random Forest, XGBoost, Hybrid Model with XGBoost and Neural Networks) were selected to predict traffic volume. Based on cross-validation and by determining the accuracy of the used prediction models, XGBoost and Prophet were selected as the best models.