Resumen

La predicción a corto plazo de las variables del tráfico tiene como objetivo proporcionar información a los viajeros antes de iniciar sus desplazamientos. En este trabajo, se emplean métodos de aprendizaje automático consistentes en memoria a largo plazo (LSTM), bosque aleatorio (RF), máquina de vectores soporte (SVM) y vecinos más cercanos (KNN) para predecir el estado del tráfico, categorizado de A a C para segmentos de una red de carreteras rurales. Dado que la variación temporal del tráfico en las carreteras rurales es irregular, el rendimiento de los algoritmos aplicados varía entre los distintos intervalos de tiempo. Para encontrar la predicción más precisa para cada intervalo de tiempo de los segmentos, se utilizan varios métodos de ensamblaje, incluidos los métodos de votación y el modelo logit ordinal (OL), para ensamblar las predicciones de cuatro algoritmos de aprendizaje automático. Los datos de tráfico de la carretera rural Karaj-Chalus se utilizaron como estudio de caso para mostrar cómo aplicarlo. Como hay muchas características que influyen en el estado del tráfico, se ha utilizado el algoritmo genético (AG) para identificar 25 de las 32 características que más influyen en la idoneidad de los modelos. Los resultados muestran que el modelo OL como modelo de aprendizaje conjunto supera a los modelos de aprendizaje automático, y su precisión es igual al 80,03 por ciento. La mayor precisión equilibrada alcanzada por OL para predecir los estados de tráfico A, B y C es del 89, 73,4 y 58,5%, respectivamente.

• 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:estado del tráfico, datos de tráfico de carreteras rurales, diferentes intervalos de tiempo, modelo de aprendizaje conjunto, métodos de aprendizaje automático, modelos de aprendizaje automático, muchas características influyentes, red de carreteras rurales, tráfico de carreteras rurales, varios métodos conjuntos
• Keywords:traffic state, rural road traffic data, different time intervals, ensemble learning model, machine learning methods, machine learning models, many influential features, rural road network, rural road traffic, several ensemble methods