jojonocode/traffic-prediction-dataset-engineered
🚦 Prédiction du Trafic Urbain : Dataset Card Bienvenue ! Ce dataset n'est pas qu'une simple suite de chiffres ; c'est une vue numérique du pouls de notre ville. Il a été conçu pour entraîner des modèles capables de comprendre le rythme des déplacements urbains sur 4 jonctions clés. 💡 Pourquoi ce Dataset est unique ? Passer des données brutes à l'intelligence nécessite du soin. Nous avons transformé les colonnes classiques en features intelligentes pour aider les… See the full description on the dataset page: https://huggingface.co/datasets/jojonocode/traffic-prediction-dataset-engineered.
🚦 Prédiction du Trafic Urbain : Dataset Card
Bienvenue ! Ce dataset n'est pas qu'une simple suite de chiffres ; c'est une vue numérique du pouls de notre ville. Il a été conçu pour entraîner des modèles capables de comprendre le rythme des déplacements urbains sur 4 jonctions clés.
💡 Pourquoi ce Dataset est unique ?
Passer des données brutes à l'intelligence nécessite du soin. Nous avons transformé les colonnes classiques en features intelligentes pour aider les réseaux de neurones (LSTM) à mieux "voir" le temps.
🧠Le Feature Engineering : Le secret de la précision
1. La perception du temps cyclique (Sin/Cos)
Les machines voient souvent l'heure 23 et l'heure 0 comme les deux points les plus éloignés. Pour un humain, c'est presque le même moment (minuit). Notre solution : Nous projetons l'heure sur un cercle trigonométrique.
# Donner au modèle la notion de cycle
df['hour_sin'] = np.sin(2 * np.pi * df['hour']/24.0)
df['hour_cos'] = np.cos(2 * np.pi * df['hour']/24.0)2. L'effet miroir du passé (Lags)
veh_lag_1, 2, 3: Capturent la tendance immédiate.veh_lag_24: Capture la routine quotidienne.