Predicción del Flujo de Tráfico en Sistemas de Transporte Inteligente Habilitados para 5G Utilizando Optimización de Parámetros y Selección de Modelos Adaptativa

Este estudio propone un nuevo método híbrido, FVMD-WOA-GA, para mejorar la predicción del flujo de tráfico en sistemas de transporte inteligente habilitados para 5G. El método integra la descomposición modal variacional rápida (FVMD) con técnicas de optimización, a saber, el algoritmo de optimización de ballenas (WOA) y el algoritmo genético (GA), para mejorar la precisión del flujo de tráfico total basado en modelos adaptados para cada subsecuencia descompuesta. Se consideraron los modelos predictivos seleccionados - memoria a corto y largo plazo (LSTM), LSTM bidireccional (BiLSTM), unidad recurrente con compuerta (GRU) y GRU bidireccional (BiGRU) - para capturar diversas dependencias temporales en los datos de tráfico. Esta investigación exploró un enfoque de múltiples etapas, donde la descomposición, optimización y selección de modelos se realizan sistemáticamente para mejorar el rendimiento de la predicción. La validación experimental en dos conjuntos de datos de tráfico del mundo real subraya aún más la eficacia del método, logrando errores cuadráticos medios (RMSE) de 152.43 y 7.91 en los respectivos conjuntos de datos, lo que representa mejoras del 3.44% y 12.87% en comparación con los métodos existentes. Estos resultados destacan la capacidad del enfoque FVMD-WOA-GA para mejorar significativamente la precisión de la predicción, reducir el tiempo de inferencia, mejorar la adaptabilidad del sistema y contribuir a una gestión del tráfico más eficiente.