Resumen

Los datos de velocidad del tráfico juegan un papel clave en los Sistemas Inteligentes de Transporte (STI); sin embargo, la falta de datos de tráfico afectaría al rendimiento de los STI, así como a los Sistemas Avanzados de Información al Viajero (ATIS). En este artículo, tratamos este problema mediante un novedoso enfoque de imputación basado en un tensor. Específicamente, se adopta un patrón tensorial para modelar los datos de velocidad del tráfico y luego se emplea el método de compleción tensorial de alta precisión y bajo rango (HaLRTC) para estimar los datos de velocidad del tráfico que faltan. Este método propuesto es capaz de recuperar las entradas que faltan a partir de las entradas dadas, que pueden ser ruidosas, considerando la severa fluctuación de los datos de velocidad del tráfico en comparación con el volumen de tráfico. El método propuesto se evalúa en la base de datos del Sistema de Medición del Rendimiento (PeMS), y los resultados experimentales muestran la superioridad del enfoque propuesto sobre los enfoques de referencia del estado de la técnica.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:datos de velocidad del tráfico, métodos propuestos, fluctuaciones del tráfico, sistema de transporte inteligente, sistema de información al viajero, enfoque de línea de base del arte, finalización del tensor de rango, métodos de finalización del tensor, rango bajo preciso, enfoque de imputación basado
• Keywords:traffic speed data, proposed methods, fluctuations of traffic, intelligent transportation system, traveler information system, art baseline approach, rank tensor completion, tensor completion methods, accurate low rank, based imputation approach