Resumen

La modelización de la elección discreta de los modos de desplazamiento es una parte esencial de la planificación y la gestión del tráfico. Hasta ahora, este campo ha estado dominado por modelos logit multinomiales (MNL) con una especificación de utilidad lineal. Sin embargo, las redes neuronales profundas (DNN), debido a su potente capacidad de ajuste no lineal, están sustituyendo rápidamente a estos modelos. Esto se debe a que, mediante el uso de DNNs, la elección de modo puede asimilarse a los problemas de clasificación dentro de la comunidad de aprendizaje automático. Este artículo propone un marco DNN de nuevo diseño para la elección del modo de tráfico al estilo de dos capas ocultas. En primer lugar, una capa conectada localmente extrae automáticamente una especificación de utilidad efectiva a partir de los datos disponibles y, a continuación, una capa totalmente conectada aumenta la representación de características. Nuestro modelo, validado mediante un conjunto de datos prácticos de tráfico multimodal de toda la ciudad de Pekín, supera significativamente a los modelos de utilidad aleatoria y a la red neuronal simple totalmente conectada en términos de precisión de la predicción. Además de la comparación del poder predictivo, también presentamos la interpretabilidad del modelo propuesto.

• 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:amplio conjunto de datos de tráfico multimodal, modelado de elección discreta, redes neuronales profundas, especificación de utilidad efectiva, especificación de utilidad lineal, modelos de utilidad aleatoria, elección de modo de tráfico, dnns, capa, modelo
• Keywords:wide multimodal traffic dataset, discrete choice modeling, deep neural networks, effective utility specification, linear utility specification, random utility models, traffic mode choice, dnns, layer, model