Diseño y comparación de modelos para la predicción del flujo de tráfico

Sobrini García, Elena. (2022). Diseño y comparación de modelos para la predicción del flujo de tráfico Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
SobriniGarcia_ElenaJosefa_TFM.pdf SobriniGarcia_ElenaJosefa_TFM.pdf application/pdf 4.56MB

Título Diseño y comparación de modelos para la predicción del flujo de tráfico
Autor(es) Sobrini García, Elena
Resumen La organización del tráfico es un problema que tienen que afrontar día a día la mayoría de las grandes ciudades del mundo. Una de las herramientas que ayuda a mantener una vías más libres y con circulación más fluida es conocer con la mayor precisión posible el estado del tráfico en las próximas horas. En este proyecto se utilizan los datos públicos de tráfico y meteorología disponibles en el Portal de datos abiertos del Ayuntamiento de Madrid para diseñar, evaluar y comparar modelos predictivos del flujo de tráfico en la misma ciudad. Los modelos comparados varían en cuanto a las variables utilizadas, las transformaciones aplicadas y el modelo de aprendizaje automático usado. Además, algunos de los modelos son de predicción a corto plazo, mientras que otros, son de predicción a largo plazo. Podemos agrupar los modelos utilizados en los siguientes tipos: modelos básicos de referencia, modelos de regresión lineal, modelos de potenciación del gradiente y un modelo de redes neuronales en grafos. Los modelos de regresión lineal y de potenciación del gradiente los vamos a considerar modelos a largo plazo, mientras que el modelo de redes neuronales en grafos, a corto plazo. Estos dos grupos los comparamos con sus correspondientes modelos de referencia y veremos en qué casos una estructura más compleja obtiene mejores resultados que las sencillas de referencia. Finalmente, se extraen conclusiones y se proponen futuras vías de trabajo en el área.
Abstract The organization of the traffic is a problem that most of the big cities in the world have to face day after day. One of the tools that helps by keeping a smoother flow of traffic is to know as accurately as possible the traffic conditions for the next few hours. In this project, the public data about the traffic and meteorology of the city of Madrid, published by the local government, are used to design, evaluate and compare predictive models of the traffic flow in the city. The models compared vary in terms of the variables used, the transformations applied and the machine learning methods used. Moreover, some of the models are for short-term forecasting, while the others are for long-term forecasting. We can group the models into the following sets: basic benchmark models, linear regression models, gradient boosting models and a graph neural network model. The linear regression and the gradient boosting models are the long-term forecasting methods, while the graph neural network model (GNN) is a short-term forecasting method. We are going to compare these two groups with the corresponding baseline models and assess when a more complex model achieves a better result than a simple one. Finally, conclusions are drawn and future avenues of work in the area are proposed.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Muñoz Mansilla, María del Rocío
Caminero Herráez, Agustín Carlos
Fecha 2022-06-27
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Esobrini
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Esobrini
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 292 Visitas, 185 Descargas  -  Estadísticas en detalle
Creado: Wed, 13 Jul 2022, 20:14:22 CET