Resumen

Como parte importante de una ciudad inteligente, el transporte inteligente puede reducir eficazmente el consumo de energía y la contaminación ambiental. La predicción del flujo de tráfico proporciona una base fiable de despacho de tráfico para el transporte inteligente, y la mayoría de los métodos de predicción existentes sólo predicen una única saturación o velocidad y no utilizan la saturación y la velocidad de forma unificada. Este artículo propone un nuevo método de predicción del flujo de tráfico basado en RNN-GCN y BRB. En primer lugar, se utiliza la base de reglas de creencia (BRB) para la fusión de datos con el fin de obtener nuevos datos de flujo de tráfico; a continuación, se utiliza el modelo de red neuronal recurrente (RNN) y red neuronal de convolución gráfica (GCN) para obtener la correlación temporal de los datos de tráfico y, por último, se predice el flujo de tráfico mediante el gráfico de topología. Los resultados experimentales muestran que el método tiene un mejor rendimiento que ARIMA, LSTM y GCN.

• 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:gcn, transporte inteligente, nuevos datos sobre flujos de tráfico, nuevo método de predicción de flujos de tráfico, base fiable de despacho del tráfico, previsión de flujos de tráfico, base de reglas de creencia, red neuronal recurrente, brb, rnn
• Keywords:gcn, intelligent transport, new traffic flow data, new traffic flow prediction method, reliable traffic dispatch basis, traffic flow forecasting, belief rule base, recurrent neural network, brb, rnn