Resumen

La predicción precisa de la información sobre el tráfico (es decir, el flujo de tráfico, el tiempo de viaje, la velocidad del tráfico, etc.) es un componente clave del Sistema de Transporte Inteligente (STI). La velocidad del tráfico es un indicador importante para evaluar su eficiencia. Hasta la fecha, aunque unos pocos estudios han considerado la característica periódica en la predicción del tráfico, muy pocos estudios evalúan exhaustivamente el impacto del componente periódico en los modelos de predicción estadísticos y de aprendizaje automático. Este trabajo selecciona varios modelos estadísticos representativos y modelos de aprendizaje automático para analizar la influencia del componente periódico en la predicción de la velocidad a corto plazo en diferentes escenarios: (1) predicción anticipada multihorizonte (predicciones anticipadas de 5, 15, 30, 60 minutos), (2) con y sin componente periódico, (3) dos niveles de agregación de datos (5 minutos y 15 minutos), (4) horas punta y horas valle. En concreto, se desarrollan y examinan tres modelos estadísticos (es decir, modelo espacio-temporal (ST), modelo autorregresivo vectorial (VAR), modelo de media móvil autorregresiva integrada (ARIMA)) y tres enfoques de aprendizaje automático (es decir, modelo de máquinas de vectores de soporte (SVM), modelo de perceptrón multicapa (MLP), modelo de red neuronal recurrente (RNN)). Además, las características periódicas de los datos de velocidad se tienen en cuenta mediante un método de predicción híbrido, que asume que los datos constan de dos componentes: un componente periódico y un componente residual. El componente periódico se describe mediante una función de regresión trigonométrica, y el componente residual se modela mediante modelos estadísticos o enfoques de aprendizaje automático. Las conclusiones importantes pueden resumirse como sigue: (1) la precisión de la predicción anticipada multipaso mejora cuando se considera el componente periódico de los datos de velocidad tanto para tres modelos estadísticos como para tres modelos de aprendizaje automático, especialmente en las horas punta; (2) considerando el impacto del componente periódico para todos los modelos, la mejora del rendimiento de la predicción se hace gradualmente mayor a medida que aumenta el paso temporal; (3) bajo el mismo horizonte de predicción, el rendimiento de la predicción de todos los modelos para los datos de velocidad de 15 minutos es generalmente mejor que el de los datos de velocidad de 5 minutos. En general, los resultados de este artículo sugieren que el enfoque de predicción híbrido propuesto es eficaz tanto para los modelos estadísticos como para los de aprendizaje automático en la predicción de la velocidad a corto plazo.

• 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:componente periódico, modelos de aprendizaje automático, modelo, enfoques de aprendizaje automático, datos de velocidad por minuto, predicción de velocidad por término, horas punta, modelos estadísticos, pocos estudios, componente residual
• Keywords:periodic component, machine learning models, model, machine learning approaches, minute speed data, term speed prediction, peak hours, statistical models, few studies, residual component