Resumen

Con el fin de mejorar la precisión de la predicción del tiempo de viaje a corto plazo en una red de carreteras urbanas, en esta investigación se propone un modelo híbrido para la extracción de características espacio-temporales y la predicción del tiempo de viaje en redes de carreteras urbanas, que combina el modelado dinámico empírico (EDM) y las redes complejas (CN) con un modelo de predicción XGBoost. Debido a la naturaleza altamente no lineal y dinámica de las series de tiempo de viaje, es necesario considerar la dependencia temporal y la dependencia espacial de las series de tiempo de viaje para predecir el tiempo de viaje de las redes de carreteras. La característica dinámica de las series de tiempo de viaje puede revelarse mediante el método EDM, un enfoque no lineal basado en la teoría del caos. Además, la característica espacial de la topología del tráfico urbano puede reflejarse desde la perspectiva de las redes complejas. Para garantizar plenamente la razonabilidad y validez de las características espaciotemporales, que se excavan mediante el modelado dinámico empírico y las redes complejas (EDMCN), para la predicción del tiempo de viaje del tráfico urbano, se establece un modelo de predicción XGBoost para dichas características. Mediante la exploración en profundidad del tiempo de viaje y la topología de una red de carreteras concreta de Guiyang, se verifica el rendimiento del modelo de predicción EDMCN-XGBoost. Los resultados muestran que, en comparación con el modelo XGBoost simple, la media móvil autorregresiva, la red neuronal artificial, la máquina de vectores soporte y otros modelos, el modelo de predicción EDMCN-XGBoost propuesto presenta un mejor rendimiento en la predicción.

• 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:modelo de predicción xgboost, series de tiempo de viaje, modelización dinámica empírica, redes complejas, edmcn, tiempo de viaje, predicción del tiempo de viaje a plazo, tiempo de viaje en la red viaria urbana, predicción del tiempo de viaje en el tráfico urbano, red neuronal artificial
• Keywords:xgboost prediction model, travel time series, empirical dynamic modeling, complex networks, edmcn, travel time, term travel time prediction, urban road network travel time, urban traffic travel time prediction, artificial neural network