Resumen

La previsión a corto plazo del tránsito ferroviario es una de las cuestiones más esenciales del sistema de transporte urbano inteligente (STI). Un resultado preciso de la previsión puede servir de apoyo para prevenir el desbordamiento del flujo y permite a los pasajeros elaborar un plan de viaje adecuado. Por lo tanto, es importante desarrollar un modelo de previsión más preciso. La red de memoria a corto plazo (LSTM) ha demostrado su eficacia en datos con características temporales. Sin embargo, no puede procesar la correlación entre tiempo y espacio en el tránsito ferroviario. Por ello, se propone un nuevo modelo de previsión que combina características espacio-temporales basado en la red LSTM (ST-LSTM). A diferencia de otros métodos de previsión, la red ST-LSTM utiliza un nuevo método para extraer características espaciotemporales de los datos y combinarlas como entrada. En comparación con otros modelos convencionales, la red ST-LSTM puede lograr un mejor rendimiento en los experimentos.

• 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:red lstm, características temporales, tránsito ferroviario, sistema de transporte urbano inteligente, resultado de previsión preciso, modelo de previsión preciso, plan de viaje adecuado, modelo de previsión novedoso, otros modelos convencionales, otros métodos de previsión
• Keywords:lstm network, temporal features, rail transit, urban intelligent transportation system, accurate forecast result, accurate forecast model, appropriate travel plan, novel forecast model, other conventional models, other forecast methods