Resumen

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.

• 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:predicción de velocidad de tráfico término, módulo de preprocesamiento de datos, lstm, mecanismo de atención, conjunto de datos de velocidad de tráfico día, otros algoritmos de aprendizaje profundo, predicción de flujo de tráfico término, módulo de predicción de tráfico término, cierta tasa de faltas, datos de muestra completos.
• Keywords:term traffic speed prediction, data preprocessing module, lstm, attention mechanism, day traffic speed dataset, other deep learning algorithms, term traffic flow prediction, term traffic prediction module, certain missing rate, complete sample data