Resumen

La predicción del flujo de tráfico es cada vez más crucial en los Sistemas Inteligentes de Transporte. Un resultado preciso de la predicción es la condición previa para la orientación, la gestión y el control del tráfico. Para mejorar la precisión de la predicción, se propone un método de predicción espaciotemporal del flujo de tráfico combinado con la red del vecino más próximo (KNN) y la red de memoria a corto plazo (LSTM), que en este artículo se denomina modelo KNN-LSTM. KNN se utiliza para seleccionar las estaciones vecinas más relacionadas con la estación de prueba y capturar las características espaciales del flujo de tráfico. Se utiliza LSTM para extraer la variabilidad temporal del flujo de tráfico, y se aplica una red LSTM de dos capas para predecir el flujo de tráfico respectivamente en las estaciones seleccionadas. Los resultados finales de la predicción se obtienen mediante la fusión a nivel de resultados con el método de ponderación de exponente de rango. El rendimiento de la predicción se evalúa con datos de flujo de tráfico en tiempo real proporcionados por el Laboratorio de Datos de Investigación del Transporte (TDRL) del Centro de Datos de la Universidad de Minnesota Duluth (UMD). Los resultados experimentales indican que el modelo propuesto puede lograr un mejor rendimiento en comparación con los modelos de predicción conocidos, incluyendo la media móvil autorregresiva integrada (ARIMA), la regresión de vectores de soporte (SVR), la red neuronal wavelet (WNN), las redes profundas de creencia combinadas con la regresión de vectores de soporte (DBN-SVR) y los modelos LSTM. de precisión.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:regresión de vectores soporte, flujo de tráfico, knn, laboratorio de datos de investigación del transporte, método de predicción espaciotemporal del flujo de tráfico, datos temporales del flujo de tráfico, resultado preciso de la predicción, sistemas inteligentes de transporte, redes profundas de creencias, método de ponderación exponencial
• Keywords:support vector regression, traffic flow, knn, transportation research data lab, spatiotemporal traffic flow prediction method, time traffic flow data, accurate prediction result, intelligent transportation systems, deep belief networks, exponent weighting method