ST-Mamba: Mamba Espacio-Temporal para la Estimación de Flujo de Tráfico utilizando Datos Limitados

La estimación de flujo de tráfico (EFT) es crucial para los sistemas de tráfico urbano inteligentes. Mientras que los detectores tradicionales en carretera se ven obstaculizados por una cobertura limitada y altos costos, la computación en la nube y la minería de datos de redes vehiculares, como las velocidades de conducción y las coordenadas GPS, presentan una alternativa prometedora y rentable. Además, minimizar la recolección de datos puede reducir significativamente los costos indirectos. Sin embargo, los datos limitados pueden llevar a inexactitudes e inestabilidad en la EFT. Para abordar esto, introducimos el Mamba espacio-temporal (ST-Mamba), un modelo de aprendizaje profundo que combina una red neuronal convolucional (CNN) con un marco Mamba. ST-Mamba está diseñado para mejorar la precisión y estabilidad de la EFT al capturar de manera efectiva los patrones espacio-temporales dentro del flujo de tráfico. Nuestro modelo tiene como objetivo lograr resultados comparables a los de conjuntos de datos extensos mientras utiliza únicamente datos mínimos. Simulaciones utilizando conjuntos de datos del mundo real han validado la capacidad de nuestro modelo para ofrecer una EFT precisa y estable en un paisaje urbano basado en datos limitados, estableciendo una solución rentable para la EFT.