Resumen

Los modelos multiestado, es decir, los modelos con más de dos distribuciones, son preferibles a los modelos de probabilidad de un solo estado a la hora de modelizar la distribución del tiempo de viaje. La revisión de la literatura indica que la modelización multiestado finita del tiempo de viaje utilizando la distribución lognormal es superior a otras funciones de probabilidad. En este estudio, extendemos el modelo lognormal multiestado finito de estimación de la distribución del tiempo de viaje a la distribución lognormal ilimitada. En particular, se utilizó un modelo no paramétrico de mezcla de procesos Dirichlet (DPMM) con representación de procesos de ruptura de palo. El punto fuerte del DPMM es que puede elegir el número de componentes dinámicamente como parte del algoritmo durante la estimación de parámetros. Para reducir la complejidad computacional, el proceso de modelización se limitó a un máximo de seis componentes. A continuación, se empleó la técnica de muestreo Markov Chain Monte Carlo (MCMC) para estimar la distribución posterior de los parámetros. Se utilizaron datos de velocidad de nueve enlaces de un corredor de autopista, agregados sobre una base de 5 minutos, para calcular el tiempo de viaje del corredor. Los resultados demostraron que este modelo ofrece una flexibilidad significativa en la modelización para dar cuenta de distribuciones de mezcla complejas del tiempo de viaje sin especificar el número de componentes. La modelización DPMM reveló además que el tiempo de viaje por autopista se caracteriza por modelos multiestado o de un solo estado en función de la inclusión del inicio y el fin de los periodos de congestión.

• Materias:Transporte urbano Señales de control de tráfico Accidentes de transito Planificación de ruta Capacidad de tráfico
• Subjects:Urban transport Traffic control signs Traffic accidents Path planning Traffic capacity
• Palabras claves:tiempo de viaje, componentes, cadena de markov monte carlo, modelo no paramétrico de mezcla de procesos dirichlet, distribuciones de mezcla complejas, tiempo de viaje en corredores, modelización multiestado finita, tiempo de viaje en autopistas, otras funciones de probabilidad, modelos de probabilidad de estado
• Keywords:travel time, components, markov chain monte carlo, nonparametric dirichlet process mixture model, complex mixture distributions, corridor travel time, finite multistate modeling, freeway travel time, other probability functions, state probability models