Resumen

La velocidad de conducción es uno de los indicadores más críticos en la evaluación de la seguridad y la supervisión de la red en el transporte de mercancías. El modelo de predicción de velocidad es el método más eficaz para obtener datos sobre la velocidad de conducción. Los modelos actuales de predicción de la velocidad se centran principalmente en la velocidad operativa, que es difícil de revelar el estado general de la velocidad de conducción en la sección de carretera. Además, la mayoría de los modelos se desarrollaron basándose en el método de regresión, que no es coherente con el proceso natural de conducción. La red neuronal recurrente (RNN) es un tipo distintivo de método de aprendizaje profundo para capturar la dependencia temporal en la investigación del comportamiento. El objetivo de este trabajo es aplicar el método de aprendizaje profundo para predecir el estado general de la velocidad de conducción teniendo en cuenta la geometría de la carretera y las evoluciones temporales. Se aplicó el mapeo móvil 3D para obtener información de la geometría de la carretera con alta precisión y, a continuación, se realizó un experimento de simulación de conducción con la ayuda de los datos de la geometría de la carretera. La velocidad de conducción se caracterizó mediante el modelo bimodal de mezcla de Gauss. Para predecir la distribución de la velocidad en una dimensión espacio-temporal se utilizaron RNN y sus variantes, incluyendo la memoria a largo plazo (LSTM) y RNN y unidades recurrentes activadas (GRU), siendo la divergencia KL la función de pérdida. El resultado demostró la aplicabilidad del modelo en la predicción de la distribución de la velocidad de los vehículos de carga, mientras que la LSTM obtuvo el mejor rendimiento con una secuencia de entrada de 400 m de longitud. El resultado puede relacionarse con el umbral de procesamiento de la información de los conductores en autopistas montañosas. Se construyeron modelos de regresión lineal múltiple para contrastarlos con el modelo LSTM, y los resultados mostraron que LSTM era superior a los modelos de regresión en cuanto a la precisión del modelo y la interpretabilidad del proceso de conducción y la formación de la velocidad del vehículo. Este estudio puede ayudar a comprender el comportamiento de cambio de velocidad de los vehículos de carga en autopistas montañosas, al tiempo que proporciona el método factible para la evaluación de la seguridad o el análisis de la eficiencia de la red.

• 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:método de aprendizaje profundo, velocidad, lstm, rnn, vehículos de carga, evaluación de la seguridad, modelos actuales de predicción de la velocidad, modelos de regresión lineal múltiple, modelo de mezcla bimodal de gauss, cartografía móvil 3d.
• Keywords:deep learning method, speed, lstm, rnn, freight vehicles, safety evaluation, current speed prediction models, multiple linear regression models, bimodal gauss mixture model, 3d mobile mapping