Resumen

El tiempo de viaje es uno de los parámetros más críticos en la gestión proactiva del tráfico y el despliegue de sistemas avanzados de información al viajero. Este trabajo propone un modelo híbrido denominado LSTM-CNN para predecir el tiempo de viaje en autopistas mediante la integración de la memoria a largo plazo (LSTM) y las redes neuronales convolucionales (CNN) con el mecanismo de atención y la red residual. La autopista se divide en varios segmentos teniendo en cuenta el desvío del tráfico y la ubicación relativa del reconocimiento automático de matrículas (ANPR). Este enfoque híbrido consta de cuatro pasos. En primer lugar, se calcula el tiempo medio de viaje de cada segmento en cada intervalo a partir del ANPR y se introduce en el LSTM en forma de matriz multidimensional. En segundo lugar, se adopta el mecanismo de atención para combinar la capa oculta de la LSTM con pesos temporales dinámicos. En tercer lugar, se introduce la red residual para aumentar la profundidad de la red y superar el problema del gradiente evanescente, que consiste en tres pares de capas convolucionales unidimensionales (Conv1D) y normalización por lotes (BatchNorm) con la unidad lineal rectificada (ReLU) como función de activación. Por último, se conecta una serie de capas Conv1D para extraer más características y reducir la dimensionalidad. El enfoque LSTM-CNN propuesto se prueba con los datos ANPR de tres meses de una autopista real de 39,25 km con cuatro pares de detectores ANPR del enlace ascendente y descendente, Zhejiang, China. Los resultados experimentales indican que LSTM-CNN aprende la información espacial, temporal y de profundidad mejor que los modelos de previsión de tráfico más avanzados, por lo que LSTM-CNN puede predecir el tiempo de viaje con mayor precisión. Además, LSTM-CNN supera a los métodos más avanzados en predicción no recurrente, predicción multipaso y predicción a largo plazo. LSTM-CNN es un modelo prometedor con escalabilidad y portabilidad para la predicción del tráfico en autopistas y puede ampliarse para mejorar el rendimiento del sistema avanzado de gestión del tráfico (ATMS) y del sistema avanzado de información del tráfico (ATIS).

• 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:lstm, cnn, mecanismo de atención, red residual, sistema avanzado de información sobre el tráfico, sistema avanzado de gestión del tráfico, sistemas avanzados de información al viajero, modelos artísticos de previsión del tráfico, reconocimiento automático de matrículas, tiempo de viaje preciso
• Keywords:lstm, cnn, attention mechanism, residual network, advanced traffic information system, advanced traffic management system, advanced traveler information systems, art traffic forecasting models, automatic number plate recognition, accurate travel time