Redes Neuronales de Base Espectral para la Predicción en Tiempo Real de Tiempos de Viaje

Este artículo examina cómo la información en tiempo real recopilada como parte de sistemas de transporte inteligente puede ser utilizada para predecir los tiempos de viaje de enlaces para uno a cinco períodos de tiempo por delante (de 5 minutos de duración). El estudio empleó una red neuronal artificial de base espectral (SNN) que utiliza una técnica de transformación sinusoidal para aumentar la separabilidad lineal de las características de entrada. Se utilizaron los tiempos de viaje de enlaces de Houston que se habían recopilado como parte del sistema de identificación automática de vehículos del sistema TranStar como un banco de pruebas. Se encontró que la SNN superó a una red neuronal artificial convencional y dio resultados similares a los de las redes neuronales modulares. Sin embargo, la SNN requiere significativamente menos esfuerzo por parte del modelador que las redes neuronales modulares. Los resultados de la mejor SNN se compararon con técnicas convencionales de predicción de tiempos de viaje de enlaces, incluyendo un modelo de filtrado de Kalman, un modelo de suavizamiento exponencial, un perfil histórico y un perfil en tiempo real. Se encontró que la SNN dio los mejores resultados en general.