Resumen

Como componente central del sistema de transporte urbano inteligente, la predicción del tráfico es importante para el control y la orientación del tráfico urbano. Sin embargo, es difícil conseguir una predicción precisa del tráfico debido a la compleja correlación espacio-temporal de los datos de tráfico. Por ello, en este artículo se propone un modelo de predicción de la velocidad en tramos de carretera basado en la transformada wavelet y una red neuronal para mejorar los métodos de predicción del tráfico. La transformada wavelet se utiliza para descomponer los datos originales de velocidad del tráfico y, a continuación, los coeficientes obtenidos tras la descomposición se utilizan para reconstruir las secuencias aleatorias de alta frecuencia y la secuencia de tendencia de baja frecuencia. En segundo lugar, se construye una red neuronal GRU para aprender la tendencia de la secuencia de baja frecuencia. La correlación espaciotemporal entre los datos de entrada se extrae ajustando la entrada del modelo. Por otra parte, se utiliza un modelo ARMA para ajustar las fluctuaciones aleatorias inestables de las secuencias de alta frecuencia. Por último, se suman los resultados de predicción de los dos modelos para obtener el resultado de predicción final. El modelo de predicción propuesto se valida utilizando datos de velocidad de tramos de carretera basados en los datos de coches flotantes recogidos en Ningbo. Los resultados muestran que el modelo propuesto tiene una gran precisión y robustez.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:red neuronal, transformada wavelet, datos originales de velocidad del tráfico, datos de velocidad de tramos de carretera, modelo de predicción de velocidad de tramos de carretera, sistema de transporte urbano inteligente, predicción precisa del tráfico, correlación espaciotemporal compleja, resultado final de la predicción, secuencia de tendencias de frecuencia
• Keywords:neural network, wavelet transform, original traffic speed data, road section speed data, road section speed prediction model, urban intelligent transportation system, accurate traffic prediction, complex spatiotemporal correlation, final prediction result, frequency trend sequence