Resumen

La predicción del tráfico a corto plazo es un componente clave de los Sistemas Inteligentes de Transporte. Utiliza datos históricos para construir modelos que permitan predecir con fiabilidad el estado del tráfico en lugares concretos de las redes de carreteras en un futuro próximo. A pesar de ser un campo maduro, la predicción del tráfico a corto plazo sigue planteando algunos problemas abiertos relacionados con la elección de la resolución óptima de los datos, la predicción de la congestión no recurrente y la modelización de las dependencias espaciotemporales pertinentes. Como un paso hacia la solución de estos problemas, este artículo investiga la capacidad de las redes neuronales artificiales, los bosques aleatorios y los algoritmos de regresión de vectores de apoyo para modelar de forma fiable el flujo de tráfico a diferentes resoluciones de datos y responder a incidentes de tráfico inesperados. También exploramos diferentes métodos de selección de características para identificar y comprender mejor los atributos espaciotemporales que más influyen en la fiabilidad de estos modelos. Los resultados experimentales indican que la agregación de datos no consigue necesariamente un buen rendimiento para los modelos multivariantes de aprendizaje automático espaciotemporal. Los modelos aprendidos utilizando datos de entrada de alta resolución de 30 segundos superaron en un 8% a los modelos ARIMA de referencia correspondientes. Además, la selección de características basada en la eliminación recursiva de características dio lugar a modelos que superaron a los basados en la selección de características basada en la correlación lineal.

• 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 del tráfico a largo plazo, modelos, selección de características, algoritmos de regresión de vectores de apoyo, distintos métodos de selección de características, modelos de aprendizaje automático espaciotemporal, redes neuronales artificiales, sistemas de transporte inteligentes, eliminación recursiva de características, modelos arima de línea de base
• Keywords:term traffic prediction, models, feature selection, support vector regression algorithms, different feature selection methods, spatiotemporal machine learning models, artificial neural networks, intelligent transportation systems, recursive feature elimination, baseline arima models