Publicación: Grafo convolucional temporal para la prediccion de tráfico
Cargando...
Fecha
2022-09-01
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
Atribución-NoComercial-SinDerivadas 4.0 Internacional
info:eu-repo/semantics/openAccess
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 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.
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.
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.
Descripción
Categorías UNESCO
Palabras clave
GNN, GCN, LSTM, T-GCN, grafo de tráfico, traffic graph
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial