Resumen

En este estudio, desarrollamos un modelo de Red Neuronal Recurrente (RRNN) para predecir el tráfico de pasajeros en los Sistemas de Tránsito Rápido Masivo (MRT). La Red Neuronal Recurrente se aplicó para construir un modelo para realizar la predicción del tráfico de pasajeros, donde la tarea de previsión se transformó en una tarea de clasificación. Sin embargo, en este proceso, el conjunto de datos de entrenamiento suele estar desequilibrado. Para hacer frente a este desequilibrio del conjunto de datos, nuestra investigación propone volver a muestrear la red neuronal recurrente. Un estudio de caso del Sistema de Tránsito Rápido Masivo de California reveló que el modelo introducido en este trabajo podía predecir oportuna y eficazmente el tráfico de pasajeros del MRT. También se estudiaron las mediciones del propio tráfico de pasajeros y se demostró que el nuevo método proporcionaba una buena comprensión del nivel de tráfico de pasajeros y era capaz de alcanzar una precisión de predicción superior en un 90% a las pruebas estándar. El desarrollo de este modelo añade valor a la metodología de las aplicaciones de tráfico mediante el empleo de estas redes neuronales recurrentes.

• 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:tráfico de pasajeros, red neuronal recurrente de muestra, modelo, sistema de transporte masivo rápido de california, sistemas de transporte masivo rápido, red neuronal recurrente, redes neuronales recurrentes, predicción del tráfico de pasajeros, mrt, estudio de caso
• Keywords:passenger traffic, sample recurrent neural network, model, california mass rapid transit system, mass rapid transit systems, recurrent neural network, recurrent neural networks, passenger traffic prediction, mrt, case study