Login for students

Login for employees

Publication detail

Enhanced prediction of parking occupancy through fusion of adaptive neuro-fuzzy inference system and deep learning models
Authors: Elomiya Akram | Křupka Jiří | Jovčić Stefan | Simic Vladimir
Year: 2023
Type of publication: článek v odborném periodiku
Name of source: Engineering Applications of Artificial Intelligence
Page from-to: 1-20
Titles:
Language Name Abstract Keywords
cze Vylepšená predikce obsazenosti parkování díky spojení adaptivního neurofuzzy inferenčního systému a modelů hlubokého učení Zatímco předpovídání obsazenosti parkovacích míst je zásadní pro řízení městského přetížení, existující modely často vykazují mezery v přesnosti, zvládání nejistoty a integračním potenciálu. Tato studie představuje inovativní kombinaci adaptivního neuro-fuzzy inferenčního systému (ANFIS) a technik hlubokého učení (DL) k řešení těchto nedostatků. Konkrétně je ANFIS využíván pro svou odbornost v reprezentaci nejistot pomocí teorie fuzzy množin, zatímco modely DL vynikají v automatickém učení funkcí, nelineárním modelování a identifikaci dlouhodobých závislostí v datech parkování v časových řadách. Integrací ANFIS s rekurentními neuronovými sítěmi (RNN), dlouhou krátkodobou pamětí (LSTM) a hradlovými rekurentními jednotkami (GRU) jsme formulovali fúzní modely ANFIS-RNN, ANFIS-LSTM a ANFIS-GRU a otestovali je na skutečných -světové datové sady o parkování. Následné experimenty zdůraznily dominanci těchto fúzních modelů nad individuálními a benchmarkovými protějšky. ANFIS-RNN dosáhl 30,61% zlepšení v MSE, 16,70% v RMSE, 21,21% v MAE, 21,58% v MAPE a 1,03% zvýšení v R2 oproti samostatné RNN. ANFIS-LSTM překonal LSTM o 34,04 % v MSE, 18,76 % v RMSE, 26,16 % v MAE, 27,71 % v MAPE, s přírůstkem 1,04 % R2. ANFIS-GRU překonal metriku GRU o 27,54 % v MSE, 14,85 % v RMSE, 19,27 % v MAE, 20,01 % v MAPE a posílil R2 o 1,03 %. Tyto výsledky podtrhují potenciál integrovaných modelů při zpřesňování přesnosti predikce. Využitím kombinovaných silných stránek ANFIS a DL nabízí tento výzkum významný skok v předpovídání obsazenosti parkovacích míst. Jeho důsledky se rozšiřují na datově orientované městské plánování a regulaci dopravy, což představuje klíčový krok pro budoucí úsilí v hybridním prediktivním modelování zahrnujícím soft computing a paradigmata hlubokého učení. Vylepšená predikce; obsazenost parkování; spojení adaptivního neurofuzzy inferenčního systému; model hlubokého učení
eng Enhanced prediction of parking occupancy through fusion of adaptive neuro-fuzzy inference system and deep learning models While predicting parking occupancy is crucial for managing urban congestion, existing models often exhibit gaps in accuracy, uncertainty handling, and integration potential. This study introduces an innovative combination of adaptive neuro-fuzzy inference system (ANFIS) and deep learning (DL) techniques to address these shortcomings. Specifically, ANFIS is utilized for its proficiency in uncertainty representation via fuzzy set theory, whereas DL models excel in automatic feature learning, non-linear modeling, and identifying long-term dependencies in time-series parking data. By integrating ANFIS with recurrent neural networks (RNN), long short-term memory (LSTM), and gated recurrent units (GRU), we formulated the ANFIS-RNN, ANFIS-LSTM, and ANFIS-GRU fusion models, testing them on real-world parking datasets. Subsequent experiments highlighted the dominance of these fusion models over individual and benchmark counterparts. ANFIS-RNN achieved a 30.61% improvement in MSE, 16.70% in RMSE, 21.21% in MAE, 21.58% in MAPE, and a 1.03% elevation in R2 over the standalone RNN. The ANFIS-LSTM surpassed LSTM by 34.04% in MSE, 18.76% in RMSE, 26.16% in MAE, 27.71% in MAPE, with a 1.04% R2 increment. ANFIS-GRU exceeded GRU metrics by 27.54% in MSE, 14.85% in RMSE, 19.27% in MAE, 20.01% in MAPE, and boosted R2 by 1.03%. These outcomes underline the potential of integrated models in refining prediction precision. By leveraging the combined strengths of ANFIS and DL, this research offers a significant leap in parking occupancy forecasting. Its implications extend to data-centric urban planning and traffic regulation, marking a pivotal step for future endeavors in hybrid predictive modeling incorporating soft computing and deep learning paradigms. Enhanced prediction; parking occupancy; fusion adaptive neuro-fuzzy inference system; deep learning models

Departments

Other Parts

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives