Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
Rattachement africain : in, jo, ae, sa, gb. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Traffic congestion forecasting is one of the major elements of the Intelligent Transportation Systems (ITS). Traffic congestion in urban road networks significantly influences sustainability by increasing air pollution levels. Efficient congestion management enables drivers to bypass heavily trafficked areas and reducing pollutant emissions. However, properly forecasting congestion spread remains challenging due to complex, dynamic, and non-linear nature of traffic patterns. The advent of Internet of Things (IoT) devices has introduced valuable datasets that can support the development of intelligent and sustainable transportation for modern cities. This work presents a Deep Learning (DL) approach of Reinforcement Learning (RL) based Bidirectional Long Short-Term Memory (BiLSTM) with Adaptive Secretary Bird Optimizer (ASBO) for traffic congestion prediction. The experimentation is evaluated on Traffic Prediction Dataset and achieved better Mean Square Error (MSE) and Mean Absolute Error (MAE) with results of 0.015 and 0.133 respectively. Compared to the existing algorithms like RL, Deep Q Learning (DQL), LSTM and BiLSTM, the RL - BiLSTM with ASBO outperformed with the parameters MSE, RMSE, R2, MAE and MAPE with 37%, 27.44%, 26%, 33.52% and 35.8% respectively. The better performance demonstrates that RL- BiLSTM with ASBO is well-suited to predict congestion patterns in road networks.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
- Date Crossref
- 26/05/2025
- Éditeur
- Springer Science and Business Media LLC
- 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
-
Goverment Siddha Medical College pays non établi dans la noticeUniversité ou école supérieure
-
Symbiosis International University pays non établi dans la noticeUniversité ou école supérieure
-
Applied Science Private University Applied Science Research Center pays non établi dans la noticeUniversité ou école supérieure
-
Skyline University College pays non établi dans la noticeUniversité ou école supérieure
-
King Saud University Department of Self-Development Skill pays non établi dans la noticeUniversité ou école supérieure
-
Chitkara University Centre for Research Impact & Outcome pays non établi dans la noticeUniversité ou école supérieure
-
Leeds Beckett University pays non établi dans la noticeUniversité ou école supérieure
-
Nandha Engineering College Department of Artificial Intelligence and Data Science pays non établi dans la noticeUniversité ou école supérieure
-
Symbiosis International (Deemed University) Symbiosis Institute of Computer Studies and Research (SICSR) pays non établi dans la noticeUniversité ou école supérieure
-
School of Computing pays non établi dans la noticeUniversité ou école supérieure
-
College of Computer and Information Sciences Computer Science Department pays non établi dans la noticeUniversité ou école supérieure
-
Chennai Institute of Technology Department of Computer Science and Engineering pays non établi dans la noticeStructure de recherche
Goverment Siddha Medical College, Symbiosis International University et Applied Science Research Center — Applied Science Private University, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.