Resumen

Este artículo se centra en el problema de la transferibilidad de los modelos de aprendizaje automático utilizados para estimar los volúmenes de tráfico por hora. Los resultados presentados permiten no sólo aumentar la precisión de los modelos existentes, sino también, simultáneamente, reducir el coste de los datos necesarios para entrenar los modelos, haciendo que la estimación del volumen de tráfico en todo el estado sea más viable económicamente. Investigaciones anteriores indican que los modelos de estimación de volumen de aprendizaje automático que aprovechan los datos de sondas GPS pueden proporcionar a las agencias de transporte estimaciones precisas de los volúmenes de tráfico por hora -que son fundamentales tanto para fines operativos como de planificación- y hacerlo con un mayor nivel de precisión que el método de perfilado predominante. Sin embargo, este enfoque requiere un gran conjunto de datos para la calibración del modelo (es decir, datos de entrada y de estaciones de recuento continuo), lo que implica una inversión monetaria y un esfuerzo de procesamiento de datos significativos. En este trabajo se proponen soluciones que permiten preparar el modelo utilizando un conjunto de datos mucho más reducido, siempre que exista un conjunto de datos recogidos previamente, que pueden recopilarse en un lugar y un periodo de tiempo diferentes. Basándose en una amplia selección de experimentos, los resultados indican que el planteamiento propuesto es capaz de lograr un rendimiento similar del modelo mientras se recogen datos durante un periodo de tiempo 5 veces más corto y se utiliza 1/4 del número de estaciones de recuento continuo. Estos resultados ayudarán a reducir el coste de preparación y mantenimiento de los modelos de volumen de tráfico y harán que las estimaciones del volumen de tráfico sean más atractivas desde el punto de vista financiero.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:volúmenes de tráfico por hora, datos, datos de estación de recuento continuo, estimación del volumen de tráfico en todo el estado, datos de sonda gps, estaciones de recuento continuo, modelos de aprendizaje automático, periodo de tiempo más corto, inversión monetaria significativa, rendimiento similar del modelo
• Keywords:hourly traffic volumes, data, continuous count station data, statewide traffic volume estimation, gps probe data, continuous count stations, machine learning models, shorter time period, significant monetary investment, similar model performance