Resumen

La prediccin del flujo de trfico a corto plazo es un medio efectivo para que los sistemas de transporte inteligente (ITS) mitiguen la congestin del trfico. Sin embargo, los datos de flujo de trfico con caractersticas temporales y peridicas son vulnerables a los efectos del clima, lo que convierte la prediccin del flujo de trfico a corto plazo en un problema desafiante. Sin embargo, los modelos existentes no consideran la influencia de los cambios climticos en el flujo de trfico, lo que conduce a un bajo rendimiento bajo algunas condiciones extremas. Dada la riqueza de caractersticas de los datos de trfico y la vulnerabilidad a las condiciones climticas externas, el modelo de prediccin basado en datos de trfico tiene ciertas limitaciones, por lo que es necesario llevar a cabo estudios de investigacin sobre la prediccin del flujo de trfico impulsada tanto por los datos de trfico como por los datos meteorolgicos. Este documento propone un marco combinado de autoencoder apilado (SAE) y red neuronal de funcin de base radial (RBF) para pre

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Predicción del flujo de tráfico; Sistema de transporte inteligente; Efectos del clima; Modelo de predicción; Datos de tráfico; Datos meteorológicos
• Keywords:Traffic flow prediction; Intelligent transportation system; Weather effects; Prediction model; Traffic data; Weather data