Publikace detail

Enhanced prediction of parking occupancy through fusion of adaptive neuro-fuzzy inference system and deep learning models

Autoři: Elomiya Akram | Křupka Jiří | Jovčić Stefan | Simic Vladimir

Rok: 2023

Druh publikace: článek v odborném periodiku

Název zdroje: Engineering Applications of Artificial Intelligence

Strana od-do: 1-20

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Pracoviště

Jak nás najdete?

Služby

Často hledáte