A framework for real-time traffic risk prediction incorporating cost-sensitive learning and dynamic thresholds
12Citations signalées, ce qui n’est pas une note de qualité
5Institutions déclarées
3Pays d’affiliation déclarés
Rattachement africain : cn, sg, us. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- A framework for real-time traffic risk prediction incorporating cost-sensitive learning and dynamic thresholds
- Date Crossref
- 01/08/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Central South University pays non établi dans la noticeUniversité ou école supérieure
-
Nanyang Technological University pays non établi dans la noticeUniversité ou école supérieure
-
Hunan University pays non établi dans la noticeUniversité ou école supérieure
-
University of Central Florida pays non établi dans la noticeUniversité ou école supérieure
-
Northwestern Polytechnical University pays non établi dans la noticeUniversité ou école supérieure
-
School of Traffic and Transportation Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Automation pays non établi dans la noticeUniversité ou école supérieure
-
School of Civil and Environmental Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Aeronautics pays non établi dans la noticeUniversité ou école supérieure
Central South University, Nanyang Technological University et Hunan University, avec 6 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Traffic Prediction and Management TechniquesInfrastructure Maintenance and MonitoringAnomaly Detection Techniques and Applications