Resumen

La mayoría de los estudios sobre predicción del flujo de tráfico por carretera se han centrado en el flujo de turismos o en el flujo de tráfico en su conjunto, lo que ignora el importante impacto de los camiones con diferentes tamaños y características operativas en la eficiencia del flujo de tráfico. Por lo tanto, en este artículo nos centramos en el flujo de tráfico de camiones y proponemos un modelo de red neuronal basado en multifacturas espaciales y temporales (M-BiCNNGRU) para mejorar su predicción. El modelo propuesto no sólo comprende características temporales convencionales y relaciones espaciales, sino que también incluye una serie de multifeatures. Estas multifeatures incluyen el límite de la política, el retardo de tiempo óptimo, la resistencia de la carretera y el estado de congestión del tráfico. Los impactos de las secciones de carretera aguas arriba y aguas abajo se consideran en la relación espacial mediante el uso de una red neuronal convolucional (CNN). Para tener en cuenta las características temporales se emplea una Unidad Recurrente Gated Bidireccional (Bi-GRU). Para evaluar el modelo propuesto, se recogieron datos de flujo de tráfico de una importante autopista de Pekín y se compararon los resultados con los derivados de los modelos existentes. Los resultados muestran que la precisión de predicción del modelo BiCNNGRU, con características espaciotemporales, y del modelo M-BiGRU, con multifeatures y temporales, es, respectivamente, un 4,13 y 2,15% mayor que la del modelo Bi-GRU, con características temporales. La precisión de predicción del modelo M-BiCNNGRU propuesto es del 92,86%, un 7,12% mayor que la del modelo Bi-GRU y un 13,83% mayor que la del modelo de regresión de vectores de soporte (SVR). En general, por tanto, el modelo M-BiCNNGRU propuesto, que combina multifeatures, características temporales y relaciones espaciales, puede mejorar significativamente la precisión en la predicción del flujo de tráfico de camiones.

• 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:características temporales, flujo de tráfico de camiones, modelo bicnngru, multifeatures, modelo, modelo gru, precisión de la predicción, relaciones espaciales, predicción del flujo de tráfico por carretera, red neuronal convolucional
• Keywords:temporal characteristics, truck traffic flow, bicnngru model, multifeatures, model, gru model, prediction accuracy, spatial relationships, road traffic flow prediction, convolutional neural network