Resumen

Con la aceleración de la urbanización y el aumento en el número de vehículos motorizados, han surgido cada vez más problemas sociales como la congestión del tráfico. Por consiguiente, la predicción eficiente y precisa del flujo de tráfico se ha convertido en un tema de investigación candente en el campo del transporte inteligente. Sin embargo, los algoritmos tradicionales de aprendizaje automático no pueden optimizar aún más el modelo con el aumento de la escala de datos, y los algoritmos de aprendizaje profundo tienen un rendimiento deficiente en aplicaciones móviles o en tiempo real; cómo entrenar y actualizar modelos de aprendizaje profundo de manera eficiente y precisa sigue siendo un problema urgente, ya que requieren enormes recursos computacionales y costos de tiempo. Por lo tanto, en este estudio se propone un modelo CNN-LTSM basado en aprendizaje incremental, IL-TFNet, para la predicción del flujo de tráfico. La arquitectura del modelo basado en redes neuronales convolucionales ligeras está diseñada para procesar características espacio-temporales y del entorno externo simultáneamente para mejorar el rendimiento y la eficiencia de predicción del modelo. Especialmente, se aplica el algoritmo de agrupamiento K-means como una característica de incertidumbre para extraer información sobre accidentes de tráfico desconocidos. Durante el entrenamiento del modelo, en lugar del algoritmo de aprendizaje por lotes tradicional, se aplica el algoritmo de aprendizaje incremental para reducir el costo de actualización del modelo y satisfacer los requisitos de alta performance en tiempo real y bajo costo computacional en la predicción a corto plazo del tráfico. Además, se propone la idea de combinar el aprendizaje incremental con el aprendizaje activo para ajustar finamente el modelo de predicción y mejorar la precisión de la predicción en situaciones especiales. Los experimentos han demostrado que en comparación con otros modelos de predicción del flujo de tráfico, el modelo IL-TFNet tiene un buen rendimiento en la predicción del flujo de tráfico a corto plazo.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Urbanización; Vehículos de motor; Congestión del tráfico; Predicción del flujo de tráfico; Modelos de aprendizaje profundo; Aprendizaje incremental
• Keywords:Urbanization; Motor vehicles; Traffic congestion; Traffic flow prediction; Deep learning models; Incremental learning