Resumen

El tiempo de viaje del flujo de tráfico es la base de la orientación del tráfico. Para mejorar la precisión de la estimación, se propone un modelo de estimación del tiempo de viaje basado en Random Forests. En este trabajo se consideran 7 variables de influencia como candidatas. Los datos obtenidos de la simulación VISSIM se utilizan para verificar el modelo. A diferencia de otros algoritmos de aprendizaje automático como cajas negras, los Bosques Aleatorios pueden proporcionar resultados interpretables a través de la importancia de las variables. El resultado de la importancia de las variables muestra que el tiempo medio de viaje del coche flotante t-f, el parámetro de estado del tráfico X, la densidad de vehículos Kall, y el tiempo medio de viaje del coche flotante tmenf son variables importantes que afectan al tiempo de viaje del flujo de tráfico; mientras tanto, otras variables también tienen cierta influencia en el tiempo de viaje. En comparación con el modelo de red neuronal BP (Back Propagation) y el modelo de regresión polinómica cuadrática, el modelo Random Forests propuesto es más preciso, y las variables contenidas en el modelo son más abundantes.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:tiempo de viaje, bosques aleatorios, flujo de tráfico, importancia de las variables, modelo de regresión polinómica cuadrática, parámetro x del estado del tráfico, modelo de estimación del tiempo de viaje, modelo de bosques aleatorios, mediana del tiempo de viaje, modelo de red neuronal
• Keywords:travel time, random forests, traffic flow, variable importance, quadratic polynomial regression model, traffic state parameter x, travel time estimation model, random forests model, median travel time, neural network model