Resumen

La predicción del flujo de tráfico a corto plazo puede servir de base para la gestión del tráfico y apoyar a los viajeros en la toma de decisiones. La predicción precisa del flujo de tráfico a corto plazo también proporciona las condiciones necesarias para el desarrollo sostenible del entorno del tráfico. Aunque la aplicación de métodos de aprendizaje profundo para la predicción del flujo de tráfico ha logrado una buena precisión, el problema de combinar múltiples métodos de aprendizaje profundo para mejorar la precisión de predicción de un solo método todavía tiene un margen para la investigación en profundidad. En este artículo, se establece un modelo de predicción de aprendizaje profundo combinado (CDLP) que incluye dos modelos de aprendizaje profundo individuales paralelos, el modelo de atención CNN-LSTM y el modelo de atención CNN-GRU. En el modelo, se utiliza una red neuronal convolucional unidimensional (1DCNN) para extraer características de tendencia local del flujo de tráfico y variantes de RNN (LSTM y GRU) con mecanismo de atención para extraer características de tendencia de dependencias temporales largas. Además, se propone un algoritmo de coeficiente ponderado óptimo dinámico (DOWCA) para calcular los pesos dinámicos de CNN-LSTM-atención y CNN-GRU-atención con el objetivo de minimizar la suma de errores al cuadrado del modelo CDLP. A continuación, se discuten y establecen mediante experimentos el número de neuronas, la función de pérdida, el algoritmo de optimización y otros parámetros del modelo CDLP. Por último, se establecen el conjunto de entrenamiento y el conjunto de prueba para el modelo CDLP mediante el procesamiento de datos de flujo de tráfico recogidos sobre el terreno. El modelo CDLP se entrena y se prueba, y se obtienen y analizan los resultados de predicción del flujo de tráfico. Los resultados indican que el modelo CDLP puede ajustarse muy bien a la tendencia de cambio del flujo de tráfico y tiene un mejor rendimiento. Además, con el mismo conjunto de datos, los resultados del modelo CDLP se comparan con los modelos de referencia. Se observa que el modelo CDLP tiene mayor precisión de predicción que los modelos de referencia.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:modelo cdlp, predicción del flujo de tráfico a plazo, flujo de tráfico, cnn, gru, lstm, modelo de atención, modelos de referencia, red neuronal convolucional dimensional, algoritmo dinámico de coeficiente ponderado óptimo
• Keywords:cdlp model, term traffic flow prediction, traffic flow, cnn, gru, lstm, attention model, baseline models, dimensional convolutional neural network, dynamic optimal weighted coefficient algorithm