Resumen

La predicción del tiempo de viaje está jugando un papel cada vez más importante en los sistemas avanzados de información para viajeros (ATIS), lo cual es de gran importancia para aliviar la congestión del tráfico urbano. Aunque las redes convolucionales de gráficos se han utilizado ampliamente en la predicción del tráfico en redes viales, el modelado dinámico espacio-temporal del tráfico urbano sigue siendo una tarea intratable. En este estudio, proponemos una red convolucional de gráficos mejorada (IGC-Net) para la predicción del tiempo de viaje. Específicamente, diseñamos una matriz de adyacencia modificada fusionando la distancia y la matriz de correlación con la matriz de adyacencia original para capturar la característica dinámica espacial. Luego establecemos tres componentes basadas en la propiedad temporal para capturar correlaciones recientes, diarias y semanales periódicas. Se realizan experimentos de comparación con modelos de referencia y variantes en un conjunto de datos del mundo real en Beijing. Los resultados muestran que el IGC-Net supera a los modelos de referencia en diferentes horizontes de predicción y tiene una mayor robustez para la predicción dinámica del tráfico.

• 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:Predicción del tiempo de viaje; Redes convolucionales gráficas; Congestión del tráfico urbano; IGC-Net; Modelización dinámica espaciotemporal; Conjunto de datos del mundo real.
• Keywords:Travel time prediction; Graph convolutional networks; Urban traffic congestion; IGC-Net; Spatiotemporal dynamic modeling; Real-world dataset