Resumen

La previsión del flujo de tráfico a corto plazo es una tarea clave de los sistemas de transporte inteligentes, que puede influir en los comportamientos de los viajeros y reducir la congestión del tráfico, el consumo de combustible y los riesgos de accidente. Este trabajo propone una red neuronal wavelet difusa (FWNN) entrenada mediante un algoritmo mejorado de optimización basado en la biogeografía (BBO) para predecir el flujo de tráfico a corto plazo utilizando datos de tráfico pasados. El BBO original se mejora con la topología de anillo y el método de Powell para avanzar en la capacidad de exploración y aumentar la velocidad de convergencia. Nuestro enfoque presentado combina los puntos fuertes de la lógica difusa, la transformada wavelet, la red neuronal y el algoritmo heurístico para detectar las tendencias y los patrones de los datos de transporte, por lo que se ha aplicado con éxito a la previsión del transporte. También se han desarrollado otros métodos de previsión diferentes, como el modelo basado en RNA, el modelo basado en FWNN y el modelo basado en WNN, para validar el enfoque propuesto. Para comparar los distintos métodos, la evaluación del rendimiento se basa en el error cuadrático medio (RMSE), el error porcentual medio absoluto (MAPE) y el coeficiente de correlación (R). Los índices de rendimiento muestran que el modelo FWNN consigue un RMSE y un MAPE más bajos, así como una R más alta, lo que indica que el modelo FWNN es un mejor predictor.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:términos flujo de tráfico, modelo basado, modelo fwnn, red neuronal, sistema de transporte inteligente, patrón de transporte, error porcentual absoluto, diferentes métodos de previsión, datos de tráfico anteriores, enfoque propuesto
• Keywords:terms traffic flow, based model, fwnn model, neural network, intelligent transportation system, pattern of transportation, absolute percentage error, different forecasting methods, past traffic data, proposed approach