Resumen

Este artículo presenta el desarrollo y la evaluación de modelos de predicción del tráfico a corto plazo utilizando redes neuronales de memoria a corto plazo de aprendizaje profundo unidireccionales y bidireccionales (LSTM). El modelo LSTM unidireccional (Uni-LSTM) proporciona un alto rendimiento gracias a su capacidad para reconocer secuencias más largas de datos de series temporales de tráfico. En este trabajo, Uni-LSTM se extiende a redes LSTM bidireccionales (BiLSTM) que entrenan los datos de entrada dos veces a través de direcciones hacia delante y hacia atrás. El trabajo presenta una evaluación comparativa de los dos modelos para la predicción a corto plazo de la velocidad y el flujo de tráfico utilizando un conjunto de datos común de observaciones de campo recogidas en múltiples autopistas de Australia. Los resultados mostraron que BiLSTM funcionaba mejor para horizontes de predicción variables tanto para la velocidad como para el flujo. También se investigaron modelos Uni-LSTM y BiLSTM apilados y mezclados para horizontes de predicción de 15 minutos, lo que dio como resultado una mayor precisión cuando se utilizaron redes BiLSTM de 4 capas. El modelo BiLSTM de 4 capas optimizado se calibró y validó para múltiples horizontes de predicción utilizando datos de tres autopistas diferentes. Los resultados de la validación mostraron un alto grado de precisión en la predicción, superando las velocidades de 90 o hasta horizontes de predicción de 60 minutos. En cuanto al flujo, el modelo alcanzó precisiones superiores al 90 en horizontes de predicción de 5 y 10 minutos y superiores al 80 para horizontes de predicción de 15 y 30 minutos. Estos resultados amplían el conjunto de modelos de IA disponibles para los operadores de carreteras y les proporcionan confianza para aplicar modelos robustos que han sido probados y evaluados en distintas autopistas de Australia.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:horizontes de predicción de minutos, lstm, diferentes autopistas, modelos de predicción de tráfico a plazo, datos de series temporales de tráfico, modelo bilstm de capas, redes bilstm de capas, horizontes de predicción múltiples, predicción del flujo de tráfico, horizontes de predicción variables
• Keywords:minute prediction horizons, lstm, different freeways, term traffic prediction models, traffic time series data, layer bilstm model, layer bilstm networks, multiple prediction horizons, traffic flow prediction, variable prediction horizons