Resumen

La modelización precisa del flujo de tráfico a corto plazo es un requisito esencial para analizar y controlar dicho flujo. Los métodos canónicos basados en datos son una gran cantidad de parámetros que pueden ser insuficientes con muestras de entrenamiento limitadas, sin embargo, no pueden mejorar de forma adaptativa su comprensión de las dependencias espacio-temporales del flujo de tráfico. Los datos ruidosos e inestables del flujo de tráfico también impiden que los modelos aprendan de manera efectiva los patrones subyacentes para predecir el flujo de tráfico futuro. Para abordar estos problemas, proponemos un modelo de impulso fácil de implementar pero efectivo basado en extreme gradient boosting y lo mejoramos con denoising wavelet para la predicción del flujo de tráfico a corto plazo. El denoising wavelet discreto se emplea para preprocesar los datos ruidosos del flujo de tráfico. Luego, los conjuntos de datos de entrenamiento denoised se reconstruyen para entrenar el modelo de extreme gradient boosting. Estos dos component

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Modelado del flujo de tráfico; Métodos basados en datos; Dependencias espacio-temporales; Aumento extremo del gradiente; Denoising de wavelet; Pronóstico.
• Keywords:Traffic flow modeling; Data-driven methods; Spatiotemporal dependencies; Extreme gradient boosting; Wavelet denoising; Forecasting.