Predicción del flujo de tráfico vehicular utilizando una red neuronal optimizada

Los sistemas de transporte inteligentes (ITS) incluyen un amplio rango de aplicaciones que requieren estrategias proactivas y datos predictivos impulsados por inteligencia artificial y big data. El objetivo de este documento es mejorar la precisión de la predicción del flujo de tráfico utilizando un enfoque novedoso que combina redes neuronales de alimentación hacia adelante con el método de optimización Quasi-Newton (QN). El método propuesto disminuye el factor de error basado en el multiplicador de Lagrange y el vector Jacobiano. Esta mejora ha dado como resultado una convergencia más rápida durante el proceso de aprendizaje. La muestra fue elegida utilizando el conjunto de datos proporcionado por los sistemas de monitoreo de tráfico de la carretera de Inglaterra (HE) en 2023. Para evaluar el modelo propuesto, los hallazgos de la investigación se comparan con otras técnicas de predicción estándar. Como modelo de regresión, el método propuesto de red neuronal de perceptrón multicapa optimizada logra un error cuadrático medio (RMSE) promedio de 0.143 en comparación con 0.319, 0.459 y 0.406 logrados por (bosque aleatorio, bays ingenuos, vecino más cercano) respectivamente. Es decir, el modelo propuesto logró un porcentaje promedio de mejora en la predicción de aproximadamente 55.17%, 68.81% y 64.78%, respectivamente, en comparación con otras técnicas estándar. Finalmente, la superioridad del modelo propuesto se evaluó mediante el coeficiente de determinación (R²) y la medida de error absoluto medio, y su rendimiento fue mejor que otras técnicas de pronóstico también.