La predicción de la velocidad del tráfico a corto plazo es un prometedor tema de investigación en los sistemas de transporte inteligentes (STI), que también desempeña un papel importante en la toma de decisiones en tiempo real de los sistemas de control y guiado del tráfico. Sin embargo, la velocidad del tráfico urbano presenta una fuerte correlación temporal y espacial, así como características de no linealidad compleja y aleatoriedad, lo que dificulta la predicción precisa y eficaz de la velocidad del tráfico a corto plazo. Investigamos la literatura relevante y descubrimos que, aunque la mayoría de los métodos pueden lograr un buen rendimiento de predicción con los datos de muestra completos, cuando hay una cierta tasa de falta en la base de datos, es difícil mantener la precisión con estos métodos. Estudios recientes han demostrado que los métodos de aprendizaje profundo, especialmente los modelos de memoria a largo plazo (LSTM), tienen buenos resultados en la predicción del flujo de tráfico a corto plazo. Además, el mecanismo de atención puede asignar adecuadamente pesos para distinguir la importancia de las secuencias temporales de tráfico, mejorando así aún más la eficiencia computacional del modelo de predicción. Por lo tanto, proponemos un marco para la predicción de la velocidad del tráfico a corto plazo, que incluye un módulo de preprocesamiento de datos y un módulo de predicción del tráfico a corto plazo. En el módulo de preprocesamiento de datos, los datos de tráfico que faltan se reparan para proporcionar un conjunto de datos completo para la predicción posterior. En el módulo de predicción, se propone un método combinado de aprendizaje profundo que es un modelo LSTM basado en la atención (ATT-LSTM) para predecir la velocidad del tráfico a corto plazo en vías urbanas. El marco propuesto se aplicó a la red de carreteras urbanas en el distrito de Nanshan, Shenzhen, provincia de Guangdong, China, con un conjunto de datos de velocidad de tráfico de 30 días (datos de automóviles flotantes) utilizado como muestra experimental. Los resultados muestran que el método propuesto supera a otros algoritmos de aprendizaje profundo (como la red neuronal recurrente (RNN) y la red neuronal convolucional (CNN)) tanto en términos de eficiencia de cálculo como de precisión de predicción. El mecanismo de atención puede reducir significativamente el error del modelo LSTM (hasta un 12,4%) y mejora el rendimiento de la predicción.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Análisis del patrón espacial y los puntos conflictivos de los accidentes de aviación y clasificación de los aeropuertos de riesgo potencial mediante la plataforma SIG
Artículo:
Análisis del Plan de Explotación de Trenes de Metro basado en la fiabilidad del tiempo de viaje en las estaciones
Artículo:
Ahorro de combustible en el "Platooning" de camiones: Panorama bibliográfico y futuras líneas de investigación
Artículo:
Datos de telefonía móvil en los desplazamientos urbanos: Un marco basado en la detección de comunidades de red para desvelar la estructura espacial de la demanda de desplazamientos al trabajo
Artículo:
Racionalidad" en el comportamiento de evasión colectiva: Identificación de puntos de referencia de medición a nivel micro y macroeconómico
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.