Resumen

Los flujos de trayectos dinámicos, referidos al número de vehículos que eligen cada trayecto en una red a lo largo del tiempo, se estiman generalmente con las observaciones parciales como entrada. El sistema de identificación automática de vehículos (AVI) y las trayectorias de vehículos sonda son ahora populares y pueden proporcionar información rica y complementaria sobre los trayectos, pero la fusión de datos rara vez se ha explorado. Por lo tanto, en este trabajo, la estimación dinámica del flujo del trayecto se basa en estas dos fuentes de datos y se transforma en un problema de aprendizaje de características. Para fusionar las dos fuentes de datos pertenecientes a diferentes vías de detección a nivel de datos, se definen y seleccionan los puntos AVI virtuales, análogos a los puntos AVI reales (movimientos de giro en nodos con detectores AVI), para observar estáticamente el movimiento dinámico de los vehículos sonda. Primero se establecen los principios de selección correspondientes y un modelo de programación que tiene en cuenta la distribución de los puntos AVI reales. Los puntos AVI virtuales seleccionados se utilizan para construir el tensor de entrada, y las observaciones basadas en el movimiento de giro de ambas fuentes de datos pueden extraerse y fusionarse. A continuación, se diseña un modelo de red neuronal convolucional (CNN) tridimensional (3D) para explotar los patrones ocultos del tensor y establecer las correlaciones de alta dimensión con los flujos del trayecto. Como las etiquetas de los flujos de rutas suelen tener ruido, se adopta el método bootstrapping para el entrenamiento del modelo y se define el correspondiente principio de reetiquetado para purificar las etiquetas ruidosas. El modelo completo se somete a pruebas exhaustivas basadas en una red de carreteras realista, y los resultados muestran que el modelo CNN diseñado con el método de fusión de datos presentado puede rendir bien en tiempo de entrenamiento y precisión de estimación. La robustez del modelo frente a etiquetas ruidosas también se mejora mediante el método bootstrapping. Los flujos de ruta dinámicos estimados por el modelo entrenado pueden aplicarse al suministro de información sobre viajes, la orientación proactiva de rutas y el control de señales con elevados requisitos de tiempo real.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:puntos avi reales, puntos avi virtuales, fuentes de datos, modelo, etiquetas ruidosas, estimación dinámica del flujo del trayecto, identificación automática de vehículos, información complementaria del trayecto, red neuronal convolucional, principios de selección correspondientes
• Keywords:real avi points, virtual avi points, data sources, model, noisy labels, dynamic path flow estimation, automatic vehicle identification, complementary trip information, convolutional neural network, corresponding selection principles