Resumen

Pronosticar las condiciones del tráfico para segmentos de carretera es el preludio de trabajar en el transporte inteligente. Muchos métodos existentes pueden ser utilizados para la predicción de tráfico a corto o largo plazo, pero se centran más en regiones que en segmentos de carretera. La falta de un enfoque de predicción de tráfico detallado obstaculiza el desarrollo de los Sistemas de Transporte Inteligente (ITS, por sus siglas en inglés). Por lo tanto, en este documento se propone MapLSTM, una red neuronal de memoria a corto y largo plazo espaciotemporal preludiada por map-matching, para predecir condiciones de tráfico detalladas. MapLSTM primero obtiene las condiciones históricas y en tiempo real de los segmentos de carretera a través del map-matching. Luego, se utiliza LSTM para predecir las condiciones de los segmentos de carretera correspondientes en el futuro. Rompiendo el pronóstico de un solo índice, MapLSTM puede predecir la velocidad del vehículo, el volumen

• Materias:Dispositivos móviles Programación centralizada Redes heterogéneas Cooperación de retransmisión Antenas inteligentes
• Subjects:Mobile devices Centralized scheduling Heterogeneous networks Relay cooperation Smart antennas
• Palabras claves:Condiciones de tráfico; Segmentos de carretera; MapLSTM; Detallado; Predicción; Espacio-temporal
• Keywords:Traffic conditions; Road segments; MapLSTM; Fine-grained; Prediction; Spatio-temporal