Resumen

Existen muchos estudios de previsión del tiempo de viaje por carretera a corto plazo basados en series temporales, pero, de hecho, el tiempo de viaje por carretera no sólo se basa en las series históricas del tiempo de viaje, sino que también depende del flujo histórico de la carretera y sus tramos adyacentes. Sin embargo, pocos estudios lo han tenido en cuenta. Este trabajo se basa en la correlación de la distribución espacial del flujo y las series temporales de los desplazamientos por carretera, aplicando el método del vecino más próximo y el de regresión no paramétrica para construir un modelo de previsión. En el aspecto de la búsqueda espacial del vecino más próximo, se definen tres distancias espaciales diferentes. Además, se introducen dos funciones de previsión: una combina el valor de previsión mediante el peso medio y la otra utiliza el recíproco de la distancia entre vecinos más próximos como peso combinado. Se aplican tres distancias diferentes en la búsqueda del vecino más próximo, que se aplican a las dos funciones de previsión. En el caso de las series de tiempo de viaje, también se aplican el vecino más próximo y la regresión no paramétrica. A continuación, se utiliza la minimización de la varianza del error de previsión como objetivo para establecer el modelo de combinación. Los resultados empíricos muestran que el modelo combinado puede mejorar de forma evidente el rendimiento de la previsión. Además, los resultados experimentales de la evaluación de la complejidad computacional muestran que el método propuesto puede satisfacer los requisitos de tiempo real.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Previsión del tiempo de viaje por carretera a corto plazo; series temporales; tiempo de viaje por carretera; series históricas del tiempo de viaje; carretera; secciones adyacentes flujo histórico; correlación de la distribución espacial del flujo; vecino más próximo; método de regresión no paramétrica; modelo de previsión; búsqueda espacial del vecino más próximo; distancias espaciales; funciones de previsión; peso medio; recíproco de la distancia del vecino más próximo; series del tiempo de viaje; varianza del error de previsión; modelo combinado; rendimiento de la previsión; complejidad computacional; requisito de tiempo real.
• Keywords:Short-term road travel time forecasting; time series; road travel time; historical travel time series; road; adjacent sections history flow; correlation of flow spatial distribution; nearest neighbor; nonparametric regression method; forecasting model; spatial nearest neighbor search; space distances; forecasting functions; mean weight; reciprocal of nearest neighbors distance; travel time series; forecast error variance; combination model; forecast performance; computational complexity; real-time requirement.