Resumen

El flujo de tráfico está ampliamente reconocido como un parámetro importante para la previsión del estado del tráfico rodado. En este campo se han aplicado por separado la transformada de estado difusa y el filtro de Kalman (KF). Pero los estudios muestran que el primer método tiene un buen rendimiento en la previsión de la tendencia de la variación del estado del tráfico, pero siempre implica varios errores numéricos. El segundo modelo es bueno en la previsión numérica pero es deficiente en la expresión de la histereidad del tiempo. Este artículo propone un enfoque que combina la transformación de estado difusa y el modelo de previsión KF. Considerando las ventajas de los dos modelos, se propone un modelo de combinación de pesos. El mínimo de la suma del error de previsión al cuadrado se considera un objetivo en la optimización del peso combinado dinámicamente. Se utilizan datos reales de detección para comprobar su eficacia. Los resultados indican que el método tiene un buen rendimiento en términos de previsión de tráfico a corto plazo.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:Transformación de estado difusa, buen rendimiento, variación del estado del tráfico, expresión del tiempo, datos reales de detección, términos de previsión del tráfico, modelo de combinación de pesos, previsión del tráfico, varios errores numéricos, suma del error de previsión
• Keywords:fuzzy state transform, good performance, traffic state variation, expression of time, real detection data, terms traffic forecasting, weight combination model, forecasting of traffic, several numerical error, sum forecasting error