Resumen

La predicción del flujo de tráfico a corto plazo es un medio eficaz para que el sistema de transporte inteligente (ITS) mitigue la congestión del tráfico. Sin embargo, los datos de flujo de tráfico con características temporales y periódicas son vulnerables a los efectos del clima, lo que convierte la predicción del flujo de tráfico a corto plazo en un problema desafiante. No obstante, los modelos existentes no consideran la influencia de los cambios climáticos en el flujo de tráfico, lo que lleva a un rendimiento deficiente en algunas condiciones extremas. Dada la riqueza de las características de los datos de tráfico y la vulnerabilidad a las condiciones climáticas externas, el modelo de predicción basado en datos de tráfico tiene ciertas limitaciones, por lo que es necesario realizar estudios de investigación sobre la predicción del flujo de tráfico impulsada tanto por los datos de tráfico como por los datos meteorológicos. En este artículo se propone un marco combinado de autoencoders apilados (SAE) y una red neuronal de función de base

• 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