Resumen

La predicción precisa del flujo de tráfico es cada vez más esencial para el éxito de la modelización, el funcionamiento y la gestión del tráfico. Los enfoques tradicionales de predicción del flujo de tráfico basados en datos han asumido en gran medida arquitecturas de modelo restrictivas (poco profundas) y no aprovechan la gran cantidad de datos ambientales disponibles. Inspirado en métodos de aprendizaje profundo con arquitecturas de modelo más complejas y capacidades efectivas de minería de datos, este artículo introduce la red de creencia profunda (DBN) y la memoria a corto plazo (LSTM) para predecir el flujo de tráfico urbano teniendo en cuenta el impacto de las precipitaciones. La DBN y la LSTM integradas en la lluvia pueden aprender las características del flujo de tráfico en varios escenarios de lluvia. Los resultados experimentales indican que, teniendo en cuenta el factor adicional de la precipitación, los predictores de aprendizaje profundo tienen mejor precisión que los predictores existentes y también producen mejoras sobre los modelos originales de aprendizaje profundo sin entrada de precipitación. Además, la LSTM puede superar a la DBN para capturar las características de las series temporales de datos de flujo de 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:dbn, lstm, predicción precisa del flujo de tráfico, capacidades efectivas de minería de datos, modelos originales de aprendizaje profundo, enfoques de predicción del flujo de tráfico, factor de precipitación adicional, arquitecturas de modelos complejos, red de creencia profunda, métodos de aprendizaje profundo.
• Keywords:dbn, lstm, accurate traffic flow prediction, effective data mining capabilities, original deep learning models, traffic flow prediction approaches, additional rainfall factor, complex model architectures, deep belief network, deep learning methods