Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica
Contenido principal del artículo
Resumen
El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la Ruta 27 (San José-Caldera) en Costa Rica. Se aprovechan los datos recolectados por los STI de la ruta para pronosticar el comportamiento de tráfico vehicular horario. Para ello, se proponen tres métodos de predicción, los cuales se comparan para seleccionar el modelo de mejor rendimiento: Arima Estacional (SARIMA), Ingenuo Estacional (SNAIVE)y Autoregresión con Redes Neuronales (NNAR). Los tres modelos de predicción son evaluados y se consideran útiles a la predicción, sin embargo, el modelo de NNAR tiene como resultado un mejor rendimiento al pronosticar la serie de tiempo por hora, teniendo como resultado el menor MAPE de 9.4 y se considera un candidato para ser utilizado en los STI. Al aplicar el proceso de validación cruzada en los modelos, se respalda la conclusión que conforme se prueba el modelo NNAR para más días los resultados de la predicción son más estables y precisos.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
Programa Estado de la Nación, “Estado de la Nación en Desarrollo Humano Sostenible”, Transporte y Movilidad: retos en favor del desarrollo humano, Estado de la Nación, Pavas, San José,2018.
D.Arguedas.“Transporte Ineficiente entraba esfuerzo tico para combatir cambio climático”, Ojo al Clima.com.https://ojoalclima.com/transporte-ineficiente-entraba-esfuerzo-tico-para-combatir-cambio-climatico/ (accesado Mar,2019).
I.Laña et al. “Road traffic forecasting: Recent advances and new challenges”,IEEE Intelligent transportation systems, 2018. https://ieeexplore.ieee.org/document/8344781.
M.Zahid et al. “Freeway short-term travel speed prediction based on data collection time-horizons: A fast forest quantile regression approach”, Approach.Sustainability, Vol.12,2020.https://www.mdpi.com/2071-1050/12/2/646.
M.Annunziato et al. “Urban traffic flow forecasting using neural-statistic hybrid modeling”, Advances in Intelligent Systems and Computing,188:183-190,2013.https://link.springer.com/chapter/10.1007/978-3-642-32922-7_19.
T.Ma et al. “Nonlinear multivariate time–space threshold vector error correction model for short term traffic state prediction,” Transportation Research Part B: Methodological, 76,27-47,2015.https://www.sciencedirect.com/journal/transportation-research-part-b-methodological.
Y.Zhang y Y.Zhang. “A comparative study of three multivariate short-term freeway traffic flow forecasting methods with missing data”, Journal of Intelligent Transportation Systems,20(3),205-218,2016. https://www.tandfonline.com/doi/abs/10.1080/15472450.2016.1147813
Y.Lv et al. “Traffic flow prediction with big data: a deep learning approach” approach”, IEEE Transactions on Intelligent Transportation Systems, 16(2), 865-873,2014. https://ieeexplore.ieee.org/document/6894591.
B.Sharma et al. “ANN based short-term traffic flow forecasting in undivided two lane highway”, Journal of Big Data, 5(1), 1-16.2018. https://journalofbigdata.springeropen.com/articles/10.1186/s40537-018-0157-0.
R.Hyndman et al. “Forecasting: principles and practice”, OTexts,2018. https://otexts.com/fpp2/.
S.Kumar y L.Vanajakshi. “Short-term traffic flow prediction using seasonal ARIMA model with limited input data”, European Transport Research Review, 7(3), 1-9.2015. https://etrr.springeropen.com/articles/10.1007/s12544-015-0170-8.
Y.Cong et al.“Traffic flow forecasting by a least squares support vector machine with a fruit fly optimization algorithm”, European Transport Research Review, 7(3), 1-9,2016.https://www.sciencedirect.com/science/article/pii/S1877705816002472.
A.Emargun y D.Levinson. “ Spatiotemporal traffic forecasting: review and proposed directions”, Transport Reviews, Vol.38:6, 786-814 ,2018. https://www.researchgate.net/publication/323584206_Spatiotemporal_traffic_forecasting_review_and_proposed_directions.
X.Luo et al.“Spatiotemporal traffic flow prediction with KNN and LSTM”, LSTM. Journal of Advanced Transportation, 2019 https://www.researchgate.net/publication/331390762_Spatiotemporal_traffic_flow_prediction_with_KNN_and_LSTM.
L.Do et al. “Survey of neural network‐based models for short‐term traffic state prediction”, Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(1), e1285.,2019. https://wires.onlinelibrary.wiley.com/doi/abs/10.1002/widm.1285.
X.Li and W. Gao.(2015). “Prediction of traffic flow combination model based on data mining”.International Journal of Database Theory and Application, 8(6), 303 -312,2015.https://www.researchgate.net/publication/299422405_Prediction_of_Traffic_Flow_Combination_Model_Based_on_Data_Mining.
E.Vlahogianni, et al. “Short-term traffic forecasting: Where we are and where we’re going”, Transportation Research Part C: Emerging Technologies, 43, 3-19,2015. https://www.sciencedirect.com/science/article/abs/pii/S0968090X14000096.
R.Hyndman. “A forecast ensemble benchmark”, Forecasting: principles and practice. OTexts,2018.https://robjhyndman.com/hyndsight/benchmark-combination.
G.Cordero. “Sistemas de transporte inteligente-conduciendo hacia futuro Centroamérica”.Lanner.com. https://www.lanner-america.com/es/blog-es/los-sistemas-de-transporte-inteligentes-y-el-futuro-sostenible-del-transporte/ (accesado Jun,2020).
R.L.McLaughlin. “Forecasting models: Sophisticated or naive?”, Journal of Forecasting,2(3),274,1983.https://www.researchgate.net/publication/326972994_A_Naive_Approach_for_Comparing_a_Forecast_Model.
R.Thoplan. “Simple v/s Sophisticated Methods of Forecasting for Mauritius Monthly Tourist Arrival Data”, International Journal of Statistics and Applications,4,217-223,2014. https://www.researchgate.net/publication/265731871_Simple_vs_Sophisticated_Methods_of_Forecasting_for_Mauritius_Monthly_Tourist_Arrival_Data.