This thesis presents a literature-based study and comparative analysis of traffic flow and transportation demand prediction methods in Intelligent Transportation Systems (ITS). It reviews traditional statistical models, machine learning techniques, deep learning approaches, spatio-temporal models, graph-based neural networks, and hybrid frameworks. The study highlights the evolution from CNN-based models to graph-based models, which better capture complex spatial dependencies in irregular road networks. The analysis shows that while traditional and machine learning models are efficient, deep learning and graph-based models provide higher accuracy in modeling nonlinear traffic patterns. The work also discusses hybrid and physics-informed models that improve robustness by integrating domain knowledge. Finally, the thesis examines real-world applications in congestion management, route optimization, and smart city transportation systems, and identifies key challenges such as computational complexity, interpretability, and data integration.
Questa tesi presenta uno studio basato sulla letteratura e un'analisi comparativa dei metodi di previsione del flusso di traffico e della domanda di trasporto nei Sistemi di Trasporto Intelligenti (ITS). Vengono esaminati i modelli statistici tradizionali, le tecniche di apprendimento automatico, gli approcci di apprendimento profondo, i modelli spazio-temporali, le reti neurali basate su grafi e i framework ibridi. Lo studio evidenzia l'evoluzione dai modelli basati su CNN ai modelli basati su grafi, che catturano meglio le complesse dipendenze spaziali nelle reti stradali irregolari. L'analisi mostra che, sebbene i modelli tradizionali e di apprendimento automatico siano efficienti, i modelli di apprendimento profondo e basati su grafi offrono una maggiore accuratezza nella modellazione di modelli di traffico non lineari. Il lavoro discute anche i modelli ibridi e basati sulla fisica che migliorano la robustezza integrando la conoscenza del dominio. Infine, la tesi esamina le applicazioni nel mondo reale nella gestione della congestione, nell'ottimizzazione dei percorsi e nei sistemi di trasporto delle città intelligenti, e identifica le sfide chiave come la complessità computazionale, l'interpretabilità e l'integrazione dei dati.
Deep learning models for transportation risk analysis : from CNN (convolutional neural networks) to GNN (graph neural networks) application
MESHRAM, PRACHI MADHUKAR
2025/2026
Abstract
This thesis presents a literature-based study and comparative analysis of traffic flow and transportation demand prediction methods in Intelligent Transportation Systems (ITS). It reviews traditional statistical models, machine learning techniques, deep learning approaches, spatio-temporal models, graph-based neural networks, and hybrid frameworks. The study highlights the evolution from CNN-based models to graph-based models, which better capture complex spatial dependencies in irregular road networks. The analysis shows that while traditional and machine learning models are efficient, deep learning and graph-based models provide higher accuracy in modeling nonlinear traffic patterns. The work also discusses hybrid and physics-informed models that improve robustness by integrating domain knowledge. Finally, the thesis examines real-world applications in congestion management, route optimization, and smart city transportation systems, and identifies key challenges such as computational complexity, interpretability, and data integration.| File | Dimensione | Formato | |
|---|---|---|---|
|
2026_7_Meshram.pdf
accessibile in internet per tutti
Descrizione: thesis text
Dimensione
1.59 MB
Formato
Adobe PDF
|
1.59 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/260217