Grafo convolucional temporal para la prediccion de tráfico

Arias Botey, Ana. (2022). Grafo convolucional temporal para la prediccion 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
Arias_Botey_Ana_TFM.pdf Arias_Botey_Ana_TFM.pdf application/pdf 4.82MB

Título Grafo convolucional temporal para la prediccion de tráfico
Autor(es) Arias Botey, Ana
Resumen La predicción del tráfico desempeña un papel importante en la mejora de la eficiencia del sistema de transporte y es de gran importancia para la planificación de rutas, la detección de puntos negros asociados con datos de accidentes o problemas de salud. Los datos de tráfico generan información cada pocos minutos mediante sensores situados en diferentes puntos geográficos, lo que lleva a considerar una relación entre la dimensión del espacio y el tiempo (modelos espacio-temporales). En estudios recientes, se ha producido un aumento de la investigación de modelos de inteligencia artificial aplicados al aprendizaje de la representación de grafos, un tipo de estructura de datos formada por un conjunto de objetos (nodos) y sus relaciones (aristas). Los algoritmos de aprendizaje profundo basados en grafos, son capaces de crear una estructura geométrica más compleja que las redes convolucionales y se ajustan a la topología de la red de carreteras de tráfico. En este trabajo se aplica un modelo novedoso basado en la unión de capas convolucionales aplicadas a grafos para modelar la componente espacial y de capas recurrentes para modelar la parte temporal (T-GCN) obteniendo resultados satisfactorios. El lenguaje de programación empleado es python.
Abstract Traffic prediction plays an important role improving the efficiency of the transportation system and it is important for route planning, detection of black spots associated with accident data or health problems. Traffic data generates information every few minutes by sensors located at different geographical points, which leads to consider a relationship between the dimension of space and time (spatio-temporal models). In recent studies, there has been an increase in research on artificial intelligence models applied to learning graph representation, a type of data structure formed by a set of objects (nodes) and their relationships (edges). Deep learning algorithms based on graphs are able to create a more complex geometric structure than convolutional networks and fit the topology of the traffic road network. In this work we propose a novel model based on the union of convolutional layers applied to graphs to model the spatial component and recurrent layers to model the temporal part (T-GCN). The used programming language is Python.
Notas adicionales Trabajo de Fin de Máster Universitario en Investigación en Inteligencia Artificial. UNED
Materia(s) Ingeniería Informática
Palabra clave GNN
GCN
LSTM
T-GCN
grafo de tráfico
traffic graph
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Aznarte, José Luis
Fecha 2022-09-01
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-IIA-Aarias
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-IIA-Aarias
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: 179 Visitas, 81 Descargas  -  Estadísticas en detalle
Creado: Wed, 13 Sep 2023, 20:27:51 CET