Dynamic Prediction of Traffic Conditions Using Streaming Data and Bayesian Approach

La diffusion des données peut être définie par son volume remarquable, la génération de vitesse, la richesse de l'information et la diversité de l'information. Aujourd'hui, de grandes quantités de données, produites par de nombreuses sources nouvelles, peuvent être classées dans ce type de données. Des domaines tels que le transport et l'ingénierie du trafic peuvent bénéficier de ces ensembles de données. L'utilisation de diffusion de données pour créer de nouvelles méthodes de modélisation des comportements de déplacement peut être utile de trois manières. Tout d'abord, cela peut réduire le temps requis et le coût de collecte de données suffisantes avec les méthodes conventionnelles. Deuxièmement, cela peut augmenter le niveau de précision des modèles proposés et les simulations mises en oeuvre. De plus la diffusion de données peut réduire la dépendance à l'égard des données traditionnelles.

Abstract

Streaming data can be defined by its remarkable volume, generation of speed, richness of information, and diversity of information. Today, large volumes of data, produced by many new sources, can be classified as this type of data. Domains such as transportation and traffic engineering can benefit from these datasets. Using streaming data to create new methods of travel behaviour modelling can be helpful in three ways. First of all, it can reduce the required time and cost of collecting sufficient data from conventional methods. Secondly, it can increase the accuracy level of proposed models and implemented simulations. Finally, it can reduce dependency on traditional cross-sectional data.