Resumen

Predecir el tráfico urbano es de gran importancia para los sistemas de ciudades inteligentes y la seguridad pública; sin embargo, es una tarea muy desafiante debido a varios factores dinámicos y complejos, como los patrones de ubicación geográfica urbana, el clima, las estaciones y los días festivos. Para abordar estos desafíos, nos inspiramos en el método de aprendizaje profundo propuesto para desbloquear el poder del conocimiento de la informática urbana y propusimos un modelo de aprendizaje profundo basado en redes neuronales, denominado Red TCN de Cápsulas, para predecir el flujo de tráfico en áreas locales de la ciudad de una vez. La Red TCN de Cápsulas emplea una Red de Cápsulas y una Red Convolucional Temporal como unidad básica para aprender la dependencia espacial, la dependencia temporal y los factores externos de la predicción del flujo de tráfico. En concreto, consideramos algunos escenarios particulares que requieren una predicción precisa del flujo de tráfico (por ejemplo, transporte

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Importancia; Tráfico urbano; Modelo de aprendizaje profundo; Red Capsules TCN; Predicción de flujo de tráfico; Conjuntos de datos del mundo real
• Keywords:Importance; Urban traffic; Deep-learning model; Capsules TCN Network; Traffic flow prediction; Real-world datasets