Resumen

La predicción precisa del flujo de tráfico es un requisito previo e importante para llevar a cabo el control y la orientación inteligentes del tráfico, y es también el requisito objetivo para la gestión inteligente del tráfico. Debido a las fuertes características no lineales, estocásticas y variables en el tiempo del sistema de transporte urbano, los métodos de inteligencia artificial como la máquina de vectores de soporte (SVM) están recibiendo cada vez más atención en este campo de investigación. En comparación con el método tradicional de predicción en un solo paso, la predicción en varios pasos tiene la capacidad de predecir las tendencias del estado del tráfico durante un periodo determinado en el futuro. Desde la perspectiva de la decisión dinámica, es mucho más importante que el estado actual del tráfico obtenido. Por lo tanto, en este artículo se propone un modelo de predicción del flujo de tráfico basado en SVM. En el cual, los vectores de entrada estaban compuestos por el volumen de tráfico actual y se compararon cuatro tipos diferentes de vectores de entrada para verificar su rendimiento de predicción entre sí. Finalmente, el modelo se verificó con datos reales en la fase de análisis empírico y los resultados de las pruebas mostraron que el modelo SVM propuesto tenía una buena capacidad de predicción del flujo de tráfico y que el modelo SVM-HPT superaba a los otros tres modelos de predicción.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:svm, vectores de entrada, predicción precisa del flujo de tráfico, pasos modelo de predicción del flujo de tráfico, volumen de tráfico real, métodos de inteligencia artificial, estado actual del tráfico, fase de análisis empírico, control inteligente del tráfico, gestión inteligente del tráfico
• Keywords:svm, input vectors, accurate traffic flow prediction, steps traffic flow prediction model, actual traffic volume, artificial intelligence methods, current traffic condition, empirical analysis phase, intelligent traffic control, intelligent traffic management