Resumen

En tiempo lluvioso, la predicción precisa del estado del tráfico no sólo ayuda a los gestores del tráfico por carretera a formular métodos de gestión del tráfico, sino que también ayuda a los viajeros a diseñar rutas de viaje e incluso a ajustar el tiempo de viaje. En este artículo, se propone un sistema de predicción basado en una red neuronal difusa (FNN) para predecir el estado del tráfico a partir de datos de seis dimensiones (por ejemplo, el estado espaciotemporal del tráfico en el pasado y en el presente, la estructura de la red de carreteras, el tipo de pavimento, la acumulación de agua y el nivel de precipitaciones). La tendencia de evolución del estado del tráfico está relacionada no sólo con el tráfico existente, sino también con la nueva demanda de tráfico. Por ello, el sistema de predicción FNN diseñado incluye partes offline y online utilizando los datos del pasado y del día por separado y evita la previsión de la nueva demanda de tráfico. El algoritmo fuzzy C-means clustering se aplica para agrupar los datos del estado del tráfico bajo un tiempo lluvioso similar en el pasado para formar un conjunto de datos inicial offline, que se utiliza para entrenar los parámetros de peso FNN. La parte en línea utiliza los datos de detección en tiempo real y los parámetros entrenados por la parte fuera de línea para seguir prediciendo el estado del tráfico y devuelve los errores de predicción a la parte fuera de línea para corregir los parámetros de peso y seguir mejorando la precisión de la predicción. Por último, el sistema de predicción FNN se verifica utilizando datos reales de la red de autopistas de Pekín. Los resultados de la verificación muestran que el sistema de predicción puede garantizar la precisión de la predicción y puede utilizarse para identificar eficazmente el estado del tráfico.

• 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:estado del tráfico, sistema de predicción fnn, nueva demanda de tráfico, parte offline, exactitud de la predicción, sistema de predicción, estado espaciotemporal actual del tráfico, datos reales de la red de autopistas de pekín, tendencia de evolución del estado del tráfico, parámetros de ponderación fnn
• Keywords:traffic status, fnn prediction system, new traffic demand, offline part, prediction accuracy, prediction system, present spatiotemporal traffic status, real beijing expressway network data, traffic status evolution trend, fnn weight parameters