Resumen

La predicción del tráfico a corto plazo es vital para los sistemas de tráfico inteligentes y está influida por el estado del tráfico en las inmediaciones. Se propone el uso de árboles de decisión de refuerzo gradual (GBDT), un método de aprendizaje conjunto, para predecir el tráfico a corto plazo a partir de los datos de volumen de tráfico recogidos por los detectores de bucle de la autopista. Cada nuevo árbol de decisión simple se añade secuencialmente y se entrena con el error del modelo conjunto anterior en cada iteración. La importancia relativa de las variables puede cuantificarse en el proceso de entrenamiento del GBDT, lo que indica la interacción entre las variables de entrada y la respuesta. La influencia de las condiciones del tráfico vecino en el rendimiento de la predicción se identifica mediante la combinación de los datos de volumen de tráfico recogidos por diferentes detectores aguas arriba y aguas abajo como entrada, lo que también puede mejorar el rendimiento de la predicción. La importancia relativa de las variables de entrada para 15 modelos GBDT es diferente, y el impacto de las condiciones de tráfico aguas arriba no está equilibrado con el de aguas abajo. La precisión de la predicción de GBDT es generalmente superior a la de SVM y BPNN para diferentes pasos por delante, y la precisión de los modelos de varios pasos por delante es inferior a la de los modelos de 1 paso por delante. En el caso de los modelos con 1 paso de antelación, los errores de predicción de GBDT son menores que los de SVM y BPNN tanto para las horas punta como para las horas valle.

• Materias:Biotecnología Redes de sensores Sistema de sensores Diagnóstico de fallas Tecnología de sensores Diagnóstico de fallos
• Subjects:Biotechnology Sensor networks Sensor system Fault diagnosis Sensor technology
• Palabras claves:predicción del tráfico a largo plazo, datos de volumen de tráfico, modelos anteriores, gbdt, variables de entrada, rendimiento de la predicción, importancia relativa, nuevo árbol de decisión simple, modelo conjunto anterior, método de aprendizaje conjunto
• Keywords:term traffic prediction, traffic volume data, ahead models, gbdt, input variables, prediction performance, relative importance, new simple decision tree, previous whole ensemble model, ensemble learning method