Publicación: Diseño y comparación de modelos para la predicción del flujo de tráfico
Fecha
2022-06-27
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
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.
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.
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.
Descripción
Categorías UNESCO
Palabras clave
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial