Resumen

Con el rápido desarrollo de los túneles de carretera largos o extralargos, se necesitan urgentemente métodos y técnicas precisos y fiables para predecir el flujo de tráfico en los túneles de carretera, con el fin de mejorar la eficiencia de la ventilación y ahorrar energía. Este artículo presenta una nueva regresión de proceso gaussiano (GPR) híbrida optimizada por optimización de enjambre de partículas (PSO) para hacer frente a la previsión del flujo de tráfico incierto, no lineal y complejo para el túnel de carretera. En este enfoque de acoplamiento propuesto, el algoritmo PSO se emplea para superar las desventajas de la dependencia demasiado fuerte del efecto de optimización en el valor inicial y la fácil caída en el óptimo local del algoritmo tradicional de gradiente conjugado y buscar con precisión los hiperparámetros óptimos del método GPR, y el modelo GPR simula las incertidumbres internas y la característica dinámica del flujo de tráfico del túnel. Los resultados predictivos indican que el algoritmo PSO-GPR propuesto con una función de núcleo diferente es capaz de predecir el flujo de tráfico para el túnel de carretera con un mayor grado de precisión. El algoritmo PSO-GPR-CK es eficaz para aumentar la precisión de la predicción en comparación con la función de núcleo único y merece la pena promoverlo en el campo de la predicción del flujo de tráfico para túneles de carretera con el fin de mejorar la eficiencia de la ventilación.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Desarrollo rápido; túnel de carretera largo o extralargo; métodos precisos y fiables; previsión del flujo de tráfico; túnel de carretera; eficacia de la ventilación.
• Keywords:Rapid development; long or extra-long highway tunnel; accurate and reliable methods; forecast traffic flow; road tunnel; ventilation efficiency