Short term traffic forecasting is one of the important fields of study in the transportation domain. Short term traffic forecasting is very useful to develop a more advanced transportation system to control traffic signals and avoid congestions. Several studies have made efforts for short term traffic flow forecasting for divided and undivided highways across the world. However, all these studies relied on the dataset which are greatly varied between countries due to the technology used for transportation data collection. India is a developing country in which efforts are being done to improve the transportation system to avoid congestion and travel time. Two-lane undivided highways with mixed traffic constitute a large portion of Indian road network. This study is an attempt to develop a short term traffic forecasting model using back propagation artificial neural network for two lane undivided highway with mixed traffic conditions in India. The results were compared with random forest, support vector machine, k-nearest neighbor classifier, regression tree and multiple regression models. It was found that back-propagation neural network performs better than other approaches and achieved an R2 value 0.9962, which is a good score.

The novel corona virus or COVID-19 turned the world into an Epidemic Disastrous situation. This virus was deadly and quickly spreadable among humans. As there was no medicine available for this virus, many people were dying every day. Therefore, it was important to take preventive measures in order to overcome this epidemic situation. This review article provides a comprehensive review on COVID-19, which covers several important and related issues that would help the readers to understand about this virus and to perform further research.

This paper proposed a short-term two-stage hybrid algorithmic framework for trade and trend analysis of the Forex market by augmenting the currency pair datasets with transformed attributes using a few technical indicators and statistical measures. In the first phase, an optimized deep predictive coding network (DPCN) based on a meta-heuristic reptile search algorithm (RSA) inspired by the intelligent hunting activities of the crocodiles is exploited to develop this RSA-DPCN predictive model. The proposed model has been compared with optimized versions of extreme learning machine (ELM) and functional link artificial neural network (FLANN) with genetic algorithm (GA), particle swarm optimization (PSO), and differential evolution (DE) along with the RSA optimizers. The performance of this model has been evaluated and validated through several statistical tests. In the second phase, the up and down trends are analyzed using the Higher Highs Higher Lows, and Lower Highs Lower Lows (HHs/HLs and LHs/LLs) trend analysis tool. Further, the observed trends are compared with the actual trends observed on the exchange price of real datasets. This study shows that the proposed RSA-DPCN model accurately predicts the exchange price. At the same time, it provides a well-structured platform to discern the directions of the market trends and thereby guides in finding the entry and exit points of the Forex market.

Metropolitan road traffic mechanisms in developing countries are a critical problem due to fast motorization. The optimization of traffic control is one method to decrease this problem. In this study, a genetic algorithm was implemented to minimize delay at an intersection by finding red and green cycle intervals at an intersection. The objective function minimizes the delay at an intersection and increases progressive flows of traffic on roads. The study was done on real data collected from three t- intersections in the city of Hardwar, India. Traffic data for traffic flows, queue sizes, and traffic speed are collected using video detection systems in the study area. The digital images from the camera were analyzed in real time. The results show that the traffic control performance is improved up to 85% over existing algorithms proposed by the same author.

Metropolitan road traffic mechanisms in developing countries are a critical problem due to fast motorization. The optimization of traffic control is one method to decrease this problem. In this study, a genetic algorithm was implemented to minimize delay at an intersection by finding red and green cycle intervals at an intersection. The objective function minimizes the delay at an intersection and increases progressive flows of traffic on roads. The study was done on real data collected from three t- intersections in the city of Hardwar, India. Traffic data for traffic flows, queue sizes, and traffic speed are collected using video detection systems in the study area. The digital images from the camera were analyzed in real time. The results show that the traffic control performance is improved up to 85% over existing algorithms proposed by the same author.

Rural development in India is considered as a noteworthy importance for substantial growth of the nation. Rural women have seen significant changes in some areas but continues to face challenges related to education, healthcare, economic empowerment, legal rights, political participation, and addressing continuous gender-based violence. On the other hand, CBOs emerged as a significant contributor in the development of an economy. They are actively working on education, entrepreneurship, physical infrastructural development with the concentration of wider growth objectives. The present study aims to investigate the role of CBOs in women empowerment in rural areas of Rajasthan. 135 women have shared their opinion regarding the role of CBOs in their economic, social, political and phycological development. Purposive sampling technique has been used in study to collect data from the rural population. The study has been conducted in the three districts of Rajasthan i.e., Barmer, Alwar and Jaipur. Descriptive analysis and factor analysis is being used for data analysis. It is found that CBOs target many facets of women's life and bring about good change at the individual, group, and social levels in their pursuit of women's empowerment and played a significant role in women's empowerment by providing variety of assistance and advocacy.

Forecasting is a very important issue in the present times to optimize urban traffic management systems and their proper planning. It is often found that traditional forecasting models cannot fully approximate the non-linear and dynamic nature of traffic patterns. The presented paper proposes a framework that integrates multiple traditional models such as Autoregression (AR), Support Vector Regression (SVR), Exponential Smoothing, Historical Average, Random Walk and Artificial Neural Network (ANN) with deep learning models, especially Stacked Autoencoders, and enhances their predictive efficiency phenomenally. The forecast accuracy is then further enhanced through a dynamic probabilistic model integration strategy that adapts to real-time traffic conditions by dynamically weighting the models based on their performance. It is found that the hybrid framework proposed in the present paper performs much better than the traditional models in predicting traffic volume. Deep learning models with RMSE of 26.9976, AR (RMSE: 22.6679) and SVR (RMSE: 28.2221) provided remarkable prediction accuracy. Based on the results, the authors are confident that the integrated models are useful for real-time traffic management applications. However, they still have great potential for further refinement and optimization.