Resumen

Con el crecimiento exponencial de los datos de tráfico y la complejidad de las condiciones de tráfico, con el fin de almacenar y analizar eficazmente los datos para retroalimentar información válida, este trabajo propone un modelo de predicción del estado del tráfico urbano basado en el método Q-Learning profundo recurrente optimizado. El modelo se basa en el algoritmo optimizado Long Short-Term Memory (LSTM) para manejar el crecimiento explosivo de los datos de la tabla Q, que no sólo evita la explosión y desaparición del gradiente, sino que también tiene un almacenamiento y análisis eficientes. El entrenamiento continuo y el almacenamiento en memoria de los conjuntos de entrenamiento se utilizan para mejorar la sensibilidad del sistema y, a continuación, los conjuntos de prueba se predicen basándose en el conjunto de experiencias acumuladas para obtener resultados de predicción de alta precisión. Los datos de flujo de tráfico de Wanjiali Road a Shuangtang Road en la ciudad de Changsha se prueban como un caso. Los resultados de la investigación muestran que la predicción del índice de retardo del tráfico se encuentra dentro de un intervalo razonable, y es significativamente mejor que los métodos de predicción tradicionales como la LSTM, K-Nearest Neighbor (KNN), Support Vector Machines (SVM), el método de suavizado exponencial y la red neuronal Back Propagation (BP), lo que demuestra que el modelo propuesto en este trabajo tiene viabilidad de aplicación.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:modelo de predicción del estado del tráfico vial urbano, máquinas de vectores soporte, q recurrente profunda, método de suavizado exponencial, resultados de predicción de precisión, métodos de predicción tradicionales, índice de retraso del tráfico, datos de flujo de tráfico, lstm, modelo
• Keywords:urban road traffic status prediction model, support vector machines, deep recurrent q, exponential smoothing method, precision prediction results, traditional prediction methods, traffic delay index, traffic flow data, lstm, model