Resumen

Se desarrolla un modelo híbrido de aprendizaje automático, que integra una red neuronal artificial (RNA) y un modelo de máquina de vectores de soporte (SVM), para predecir los retrasos espaciotemporales, en función de la geometría de la carretera, el número de cierres de carriles y la duración de la zona de obras en diferentes periodos de un día y en los días de una semana. El modelo es muy fácil de utilizar y permite que los usuarios introduzcan el mínimo de datos. Con él se pueden predecir los retrasos causados por una zona de obras en cualquier punto de una autopista de Nueva Jersey. Con este fin, se recopilaron enormes cantidades de datos de distintas fuentes para establecer la relación entre las entradas y salidas del modelo. Se llevó a cabo un análisis comparativo y los resultados indican que el modelo propuesto supera a los demás en cuanto al menor error cuadrático medio (RMSE). El modelo híbrido propuesto puede utilizarse para calcular la penalización del contratista en términos de sobrecostes, así como el calendario de recompensa de incentivos en caso de concurso anticipado de obras. Además, puede ayudar a los planificadores de zonas de trabajo a determinar las mejores horas de inicio y fin de una zona de trabajo para desarrollar y evaluar planes de mitigación y gestión del tráfico.

• Materias:Transporte urbano Señales de control de tráfico Accidentes de transito Planificación de ruta Capacidad de tráfico
• Subjects:Urban transport Traffic control signs Traffic accidents Path planning Traffic capacity
• Palabras claves:modelo, zona de trabajo, autopista de nueva jersey, red neuronal artificial, concurso de trabajo anticipado, programa de incentivos y recompensas, máquina de vectores soporte, duración de la zona de trabajo, planificadores de zonas de trabajo, términos
• Keywords:model, work zone, new jersey freeway, artificial neural network, early work competition, incentive reward schedule, support vector machine, work zone duration, work zone planners, terms