Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Modelo en línea de predicción espacio-temporal de accidentes de tráfico en autopistas basado en redes neuronales de Spiking
La gestión de los accidentes de tráfico como enfoque para mejorar la seguridad pública y reducir las pérdidas económicas ha recibido la atención pública durante mucho tiempo, entre los cuales la predicción de accidentes de tráfico tras el impacto (TAPIP) es uno de los procedimientos más importantes. Sin embargo, los sistemas y metodologías existentes para la TAPIP son insuficientes para abordar el problema. Entre sus inconvenientes se encuentran el hecho de ignorar el proceso de recuperación tras el despeje y no realizar una predicción exhaustiva tanto en el dominio temporal como en el espacial. Con este fin, construimos un modelo TAPIP de 3 etapas en autopistas, utilizando la tecnología de redes neuronales con picos (SNNs) y redes neuronales convolucionales (CNNs). Dividiendo la vida del accidente en dos fases, es decir, fase de limpieza y fase de recuperación, el modelo extrae características en cada fase y logra la predicción de variables espacio-temporales post-impacto (por ejemplo, tiempo de limpieza, tiempo de recuperación y longitud de cola acumulada). El marco aprovecha las SNN para capturar de forma eficiente las características espaciotemporales del accidente y las CNN para representar con precisión el entorno del tráfico. Integrado con un mecanismo de adaptación y actualización, todo el sistema funciona de forma autónoma y en línea, y continúa mejorando durante su uso. Mediante pruebas con un nuevo conjunto de datos CASTA relativo a accidentes de tráfico en autopistas de todo el estado de California recopilados en cuatro años, demostramos que el modelo propuesto logra una mayor precisión de predicción que otros métodos (por ejemplo, KNN, teoría de ondas de choque y RNA). Este trabajo supone la introducción de las SNN en el ámbito de la predicción de accidentes de tráfico y también una descripción completa del post-impacto en toda la vida del accidente.
Autores: Duowei, Li; Jianping, Wu; Depin, Peng
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículos
Categoría
Gestión y administración
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Hindawi
Journal of Advanced Transportation
Volume 2021, Article ID 9290921, 20 pages
https://doi.org/10.1155/2021/9290921
Duowei Li, Jianping Wu, Depin Peng
, China
Academic Editor: Alain Lambert
Contact: jat@hindawi.com
La gestión de los accidentes de tráfico como enfoque para mejorar la seguridad pública y reducir las pérdidas económicas ha recibido la atención pública durante mucho tiempo, entre los cuales la predicción de accidentes de tráfico tras el impacto (TAPIP) es uno de los procedimientos más importantes. Sin embargo, los sistemas y metodologías existentes para la TAPIP son insuficientes para abordar el problema. Entre sus inconvenientes se encuentran el hecho de ignorar el proceso de recuperación tras el despeje y no realizar una predicción exhaustiva tanto en el dominio temporal como en el espacial. Con este fin, construimos un modelo TAPIP de 3 etapas en autopistas, utilizando la tecnología de redes neuronales con picos (SNNs) y redes neuronales convolucionales (CNNs). Dividiendo la vida del accidente en dos fases, es decir, fase de limpieza y fase de recuperación, el modelo extrae características en cada fase y logra la predicción de variables espacio-temporales post-impacto (por ejemplo, tiempo de limpieza, tiempo de recuperación y longitud de cola acumulada). El marco aprovecha las SNN para capturar de forma eficiente las características espaciotemporales del accidente y las CNN para representar con precisión el entorno del tráfico. Integrado con un mecanismo de adaptación y actualización, todo el sistema funciona de forma autónoma y en línea, y continúa mejorando durante su uso. Mediante pruebas con un nuevo conjunto de datos CASTA relativo a accidentes de tráfico en autopistas de todo el estado de California recopilados en cuatro años, demostramos que el modelo propuesto logra una mayor precisión de predicción que otros métodos (por ejemplo, KNN, teoría de ondas de choque y RNA). Este trabajo supone la introducción de las SNN en el ámbito de la predicción de accidentes de tráfico y también una descripción completa del post-impacto en toda la vida del accidente.
Descripción
La gestión de los accidentes de tráfico como enfoque para mejorar la seguridad pública y reducir las pérdidas económicas ha recibido la atención pública durante mucho tiempo, entre los cuales la predicción de accidentes de tráfico tras el impacto (TAPIP) es uno de los procedimientos más importantes. Sin embargo, los sistemas y metodologías existentes para la TAPIP son insuficientes para abordar el problema. Entre sus inconvenientes se encuentran el hecho de ignorar el proceso de recuperación tras el despeje y no realizar una predicción exhaustiva tanto en el dominio temporal como en el espacial. Con este fin, construimos un modelo TAPIP de 3 etapas en autopistas, utilizando la tecnología de redes neuronales con picos (SNNs) y redes neuronales convolucionales (CNNs). Dividiendo la vida del accidente en dos fases, es decir, fase de limpieza y fase de recuperación, el modelo extrae características en cada fase y logra la predicción de variables espacio-temporales post-impacto (por ejemplo, tiempo de limpieza, tiempo de recuperación y longitud de cola acumulada). El marco aprovecha las SNN para capturar de forma eficiente las características espaciotemporales del accidente y las CNN para representar con precisión el entorno del tráfico. Integrado con un mecanismo de adaptación y actualización, todo el sistema funciona de forma autónoma y en línea, y continúa mejorando durante su uso. Mediante pruebas con un nuevo conjunto de datos CASTA relativo a accidentes de tráfico en autopistas de todo el estado de California recopilados en cuatro años, demostramos que el modelo propuesto logra una mayor precisión de predicción que otros métodos (por ejemplo, KNN, teoría de ondas de choque y RNA). Este trabajo supone la introducción de las SNN en el ámbito de la predicción de accidentes de tráfico y también una descripción completa del post-impacto en toda la vida del accidente.