Resumen

Este estudio desarrolla un método de reducción de la dimensión de los datos basado en el escalado multidimensional (MDS). El método se aplica a la predicción del flujo de tráfico a corto plazo en redes de carreteras urbanas. El método de reducción de la dimensión de los datos puede dividirse en tres pasos. La primera es la selección de datos basada en un análisis cualitativo, la segunda es la agrupación de datos mediante el método MDS y la última es la reducción de la dimensión de los datos basada en un coeficiente de correlación. Se emplean modelos de redes neuronales de retropropagación (BPNN) y de regresión lineal múltiple (MLR) en cuatro tipos de entornos de tráfico urbano para comprobar si el método propuesto mejora la precisión de la predicción del flujo de tráfico. Los resultados muestran que los modelos de predicción que utilizan datos de tráfico tras la reducción de dimensiones superan a los mismos modelos de predicción que utilizan otros conjuntos de datos. El método propuesto proporciona una alternativa a los modelos existentes para la predicción del tráfico urbano.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:método de reducción de la dimensión de los datos, método, predicción del flujo de tráfico a plazo, reducción de la dimensión de los datos, regresión lineal múltiple, mismos modelos de predicción, redes de carreteras urbanas, entornos de tráfico urbano, predicción del tráfico urbano, modelos
• Keywords:data dimension reduction method, method, term traffic flow prediction, data dimension reduction, multiple linear regression, same prediction models, urban road networks, urban traffic environments, urban traffic prediction, models