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.
Índice general
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
8. Conclusiones
8.1. Trabajo futuro
Objetivos y temas de investigación
El objetivo principal de este trabajo es desarrollar y evaluar diversos modelos predictivos, tanto paramétricos como basados en redes neuronales, para pronosticar el flujo de tráfico en la ciudad de Madrid a partir de datos históricos, analizando su desempeño bajo diferentes horizontes temporales y condiciones de calidad de los datos.
- Análisis y preprocesamiento de grandes volúmenes de datos históricos de tráfico urbano.
- Evaluación comparativa de modelos de series temporales (ARIMA, STL, MSTL, SARIMA).
- Implementación y entrenamiento de arquitecturas de aprendizaje profundo (LSTM).
- Determinación de la influencia de variables exógenas en la precisión del pronóstico.
- Análisis de robustez de los algoritmos frente a la presencia de fallas en los datos.
Auszug aus dem Buch
4.3. Selección de la propiedad objeto de estudio
El objetivo principal de este trabajo es pronosticar el flujo de tráfico en la ciudad de Madrid. De las propiedades que ofrece el conjunto de datos de medidas tomadas por los dispositivos de medida, las siguientes podrían servir para describir el estado en el que se encuentra el tráfico en un punto dado:
intensidad: intensidad del punto de medida en el periodo de 15 minutos (vehículos/hora).
ocupacion: tiempo de ocupación del punto de medida en el periodo de 15 minutos (%).
carga: carga de vehículos en el periodo de 15 minutos. Parámetro que tiene en cuenta intensidad, ocupación y capacidad de la vía y establece el grado de uso de la vía de 0 a 100.
vmed: velocidad media de los vehículos en el periodo de 15 minutos (Km./h). Sólo para puntos de medida interurbanos M30.
En primer lugar, descartamos como propiedad objetivo la velocidad media vmed, puesto que este valor solamente se informa para los dispositivos de la M30 y en este estudio se pretende un modelo que pronostique el flujo en cualquier punto de la ciudad (también los urbanos).
De las 3 restantes, realmente sería la carga la propiedad más importante a pronosticar, por tres razones:
se corresponde con un valor que tiene significado directo sobre la ocupación del punto
se expresa como un porcentaje, de manera que intuitivamente es fácil de entender (independiente del contexto o peculiaridades del lugar en el que esté el punto de medida)
es un valor ya cocinado, por lo que una vez pronosticado, no requiere de mayor transformación
Resumen de capítulos
Introducción: Presenta la problemática del tráfico y el papel de los Sistemas Inteligentes de Transporte, definiendo la relevancia de los pronósticos estratégicos y a corto plazo.
Planteamiento del problema: Define los objetivos de la investigación, que incluyen la recopilación de datos históricos, la evaluación de métodos de pronóstico y la comparación entre enfoques paramétricos y de Deep Learning.
Estado del arte: Realiza una revisión de las técnicas existentes para la predicción de tráfico, categorizando los modelos en paramétricos, no paramétricos y simulaciones.
Datos: Describe el proceso de extracción, limpieza y análisis exploratorio de los archivos de tráfico, abordando la heterogeneidad y los errores detectados en los registros.
Métodos paramétricos: Detalla la base teórica de modelos clásicos de series temporales como STL, MSTL, ARIMA y SARIMA aplicados al flujo de tráfico.
Métodos basados en Deep Learning: Explica el funcionamiento de las redes neuronales recurrentes, particularmente las unidades LSTM, para capturar dependencias temporales complejas.
Resultados: Presenta la comparativa experimental entre los distintos modelos propuestos utilizando métricas de error como RMSE y MAPE, segmentadas por horizonte y calidad de los datos.
Conclusiones: Resume los hallazgos principales, destacando la competitividad de los modelos LSTM frente a los tradicionales y abriendo líneas de investigación futura.
Palabras clave
Pronóstico de tráfico, Series temporales, Inteligencia Artificial, Sistemas Inteligentes de Transporte (ITS), Modelos ARIMA, Redes neuronales recurrentes, LSTM, Aprendizaje profundo, Análisis de carga, Estacionalidad, Madrid, RMSE, MAPE, Preprocesamiento de datos, Validación de modelos.
Preguntas frecuentes
¿Cuál es el propósito fundamental de esta investigación?
El objetivo principal es desarrollar y comparar modelos predictivos para el flujo de tráfico en Madrid, evaluando si las técnicas de aprendizaje profundo pueden superar a los métodos estadísticos paramétricos clásicos.
¿Qué campos temáticos abarca este estudio?
La investigación integra áreas como la ingeniería de tráfico, el análisis de series temporales, el aprendizaje automático (machine learning) y el procesamiento de grandes volúmenes de datos.
¿Qué interrogante busca responder la tesis?
Se busca determinar si los modelos basados en aprendizaje profundo, específicamente las redes LSTM, ofrecen un mejor rendimiento que los modelos paramétricos tradicionales en la predicción del flujo de tráfico.
¿Qué metodología científica se emplea en el trabajo?
Se utiliza una metodología comparativa que abarca la revisión del estado del arte, el tratamiento exhaustivo de datos reales, la implementación de múltiples algoritmos de predicción y la validación mediante métricas de error.
¿Qué aspectos se tratan en el cuerpo central de la obra?
El trabajo cubre desde la fundamentación teórica de los modelos (paramétricos y redes neuronales) hasta la ejecución práctica de experimentos, análisis de resultados bajo condiciones de error y la reproductibilidad mediante herramientas de programación.
¿Qué términos definen mejor el contenido de esta tesis?
Los conceptos más relevantes incluyen el pronóstico de tráfico, modelos ARIMA, redes LSTM, análisis de estacionalidad, sistemas inteligentes de transporte y validación de errores en series temporales.
¿Cómo influye la calidad de los datos en los resultados obtenidos?
El estudio demuestra que la presencia de datos faltantes o fallidos afecta significativamente el rendimiento, obligando a realizar tareas de limpieza y segmentación para asegurar la validez de las predicciones.
¿Qué papel juegan las variables exógenas en los modelos LSTM?
La inclusión de variables como la hora del día y el día de la semana mejora la capacidad del modelo para aprender patrones humanos, lo que resulta en un mejor rendimiento del pronóstico frente a modelos univariados.
- Citar trabajo
- Andrés Mañas Mañas (Autor), 2019, Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid, Múnich, GRIN Verlag, https://www.grin.com/document/994276
