La capacidad para pronosticar el flujo de tráfico en un entorno operativo es una necesidad crítica de los sistemas de transporte inteligentes (ITS). En particular, la predicción del volumen de tráfico es un factor clave para su control dinámico y proactivo.
Esta investigación compara el rendimiento de diferentes modelos utilizando los datos históricos reales reportados por los dispositivos de medida de tráfico de la ciudad de Madrid. Se han medido los rendimientos de pronóstico de los distintos modelos para diferentes horizontes de predicción, desde los 15 minutos hasta las 48 horas.
Se han probado 21 modelos para el pronóstico de flujo de tráfico en Madrid, 11 de ellos basados en la descomposición de tendencia y estacionalidad de la serie de flujo (7 con estacionalidad simple y 4 con estacionalidad múltiple), 1 basado en el método ARIMA, 1 basado en el método SARIMA (ARIMA estacional), 6 basados en redes neuronales recurrentes y 2 basados en un método Mixto STL+LSTM .
Una componente importante de esta investigación ha sido determinar si para este tipo de series temporales los modelos basados en aprendizaje profundo pueden compararse o mejorar en rendimiento a los modelos paramétricos.
Los resultados de la investigación muestran que este tipo de serie temporal puede predecirse con bastante precisión y que efectivamente los métodos basados en redes neuronales ofrecen resultados perfectamente comparables a los métodos paramétricos. Sin embargo, el algoritmo basado en redes neuronales no llega a superar de manera significativa al método basado en la descomposición en tendencia y estacionalidad de la serie.
Para el desarrollo de esta investigación se han realizado intensos esfuerzos de recopilación de datos y de saneamiento de los mismos dado que algunas series padecen de fallas en sus datos bastantes significativas. Se han medido los resultados segmentando por la calidad de los datos de la serie, viéndose que en términos medios los algoritmos se comportan igual independientemente de considerar o no este factor.
Inhaltsverzeichnis (Tabla de Contents)
- 1. Introducción
- 2. Planteamiento del problema
- 2.1. Objetivos
- 2.2. Metodología.
- 3. Estado del arte
- 4. Datos
- 4.1. Histórico de datos del tráfico desde 2013
- 4.2. Ubicación de los puntos de medida del tráfico
- 4.3. Selección de la propiedad objeto de estudio
- 4.4. Análisis exploratorio de la propiedad carga
- 4.5. Fallas en los datos
- 5. Métodos paramétricos
- 5.1. Fundamentos
- 5.2. Método STL con estacionalidad única
- 5.3. Método MSTL - STL multiestacional
- 5.4. Método ARIMA
- 5.5. Método SARIMA - ARIMA estacional
- 6. Métodos basados en Deep Learning
- 6.1. Estrategias de pronóstico
- 6.2. Redes autorregresivas
- 6.3. LSTM univariado
- 6.4. LSTM con variables exógenas
- 7. Resultados
- 7.1. Métricas de error
- 7.2. Mejores métodos por familia.
- 7.3. Comparación de resultados del mejor método por familia .
- 7.4. Resultados segmentando por porcentaje de fallas en los datos
- 7.5. Reproductibilidad
Zielsetzung und Themenschwerpunkte (Objectives and Key Themes)
Esta investigación busca comparar el rendimiento de diferentes modelos de predicción del flujo de tráfico utilizando datos reales de la ciudad de Madrid. El objetivo principal es determinar si los modelos basados en aprendizaje profundo pueden igualar o mejorar el rendimiento de los modelos paramétricos para este tipo de series temporales.
- Comparación del rendimiento de modelos paramétricos y basados en aprendizaje profundo para la predicción del flujo de tráfico.
- Evaluación de la precisión de los modelos para diferentes horizontes de predicción (desde 15 minutos hasta 48 horas).
- Análisis del impacto de la calidad de los datos en el rendimiento de los algoritmos.
- Determinación de los mejores modelos para la predicción del flujo de tráfico en la ciudad de Madrid.
- Investigación de la aplicabilidad de métodos de aprendizaje profundo a la predicción de series temporales en general.
Zusammenfassung der Kapitel (Chapter Summaries)
El primer capítulo introduce el trabajo y su contexto, planteando la necesidad de predecir el flujo de tráfico en entornos operativos. El segundo capítulo expone los objetivos y la metodología de la investigación. El tercer capítulo presenta un análisis del estado del arte en la predicción del flujo de tráfico. El cuarto capítulo describe los datos utilizados en la investigación, incluyendo su origen, la ubicación de los puntos de medida y el análisis exploratorio de la propiedad carga.
El quinto capítulo explora los métodos paramétricos utilizados en la investigación, incluyendo el método STL, el método MSTL, el método ARIMA y el método SARIMA. El sexto capítulo presenta los métodos basados en aprendizaje profundo, incluyendo redes autorregresivas, LSTM univariado y LSTM con variables exógenas. El séptimo capítulo muestra los resultados de la investigación, incluyendo las métricas de error, la comparación de los mejores métodos por familia y el análisis de la influencia de la calidad de los datos.
Schlüsselwörter (Keywords)
Predicción del flujo de tráfico, sistemas de transporte inteligentes (ITS), aprendizaje profundo, redes neuronales, modelos paramétricos, series temporales, datos históricos, ciudad de Madrid.
- Quote paper
- Andrés Mañas Mañas (Author), 2019, Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid, Munich, GRIN Verlag, https://www.grin.com/document/994276
