Resumen

Como serie temporal típica, la longitud de la secuencia de datos es fundamental para la precisión de la predicción del estado del tráfico. Con el fin de explorar a fondo la causalidad entre los datos de tráfico, este estudio estableció un modelo de retroceso temporal y retardo multipaso basado en redes neuronales recurrentes (RNN) para aprender y extraer las dependencias a largo y corto plazo de los datos del estado del tráfico. Con un conjunto de datos de tráfico real, se empleó el algoritmo de descenso de coordenadas para buscar y determinar la longitud óptima de backtracking de la secuencia de tráfico, y se realizaron predicciones de retraso multipaso para demostrar la relación entre los pasos de retraso y las precisiones de predicción. Además, se compararon los resultados de tres variantes de RNN (LSTM, GRU y BiLSTM) con los de seis modelos utilizados con frecuencia: árbol de decisión (DT), máquina de vectores soporte (SVM), k-próximo más cercano (KNN), bosque aleatorio (RF), árbol de decisión con aumento de gradiente (GBDT) y autoencoder apilado (SAE). Los resultados de predicción de 10 pasos de retardo consecutivos sugieren que las precisiones de las RNN son muy superiores a las de otros modelos debido a la capacidad de representación de patrones más potente y precisa en las series temporales. También se demuestra que las RNN pueden aprender y extraer dependencias temporales más largas.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:rnns, árbol de decisión, pasos consecutivos de retardo, algoritmo de descenso por coordenadas, dependencias temporales más largas, modelo de retardo multipaso, predicciones de retardo multipaso, datos de tráfico reales, redes neuronales recurrentes, máquina de vectores soporte
• Keywords:rnns, decision tree, consecutive delay steps, coordinate descent algorithm, longer time dependencies, multistep delay model, multistep delay predictions, real traffic data, recurrent neural networks, support vector machine