Predicción de velocidad en una autopista urbana utilizando estados de tráfico y modelos de inteligencia artificial

Abstract

Cada día millones de Santiaguinos se desplazan a sus respectivos trabajos y estudios, en donde miles de ellos utilizan la autopista central, la autopista concesionada mas grande de la región como la vía de transporte para sus recorridos diarios. Durante gran parte del día, las velocidades de esta autopista fluctuan entre 90 y 110 km/h, a excepción de eventos de congestión, en donde dado que la cantidad de vehículos que intenta pasar por esta vía es superior a su capacidad máxima, la velocidad disminuye, no superando los 50 km/h. El objetivo de esta tesis es lograr predecir de la manera más certera posible la velocidad promedio de un segmento de la autopista en un horizonte de corto plazo, utilizando información sobre las condiciones operativas de este segmento y de los que se encuentran anteriores a este. Estudios anteriores han propuesto una gran variedad de modelos de tráfico para predecir velocidad, flujo y volumen. Sin embargo, el desempeño de estos modelos y metodologías ha sido ampliamente criticado, ya que gran parte de los estudios se centra en el simple procesamiento de datos y aplicaciones de los modelos. Esta tesis plantea considerar esta crítica y utilizar dos modificaciones sobre la arquitectura de estos modelos de inteligencia artificial, ambas apoyadas en la teoría de las fases de tráfico, la existencia de estados sin congestión y estados congestionados, donde en este último los vehículos no pueden transitar a la velocidad que les gustaría. La forma en que se plantea discernir entre estos estados es mediante una regla sobre la velocidad, apoyado por un análisis gráfico del comportamiento de los datos. El desempeño de las metodologías adoptadas es comparada en contraste a una variedad de modelos. Al revisar en la literatura los modelos con mejores resultados durante la última década, es posible escoger los siguientes modelos para la comparación: una Red Neuronal Artificial (ANN), un Bosque Aleatorio (RF), un Support Vector Regressor (SVR) y una Long Short-Term Memory Recurrent Neural Network (LSTM). Adicionalmente, estos modelos fueron comparados con una regresión lineal debido a lo común que es su implementación en los estudios. Estos resultados son evaluados con dos métricas: el error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE). De acuerdo con los experimentos realizados, se considera que los modelos previamente utilizados predicen de manera satisfactoria, particularmente el caso de la Artificial Neural Network (ANN) y la Long Short-Term Memory Recurrent Neural Network (LSTM) donde estos predicen con errores absolutos medios menores a 4.74 km/h para horizontes temporales de hasta 30 minutos. Adicionalmente, se considera que una de las dos modificaciones realizadas es exitosa, debido a que la segunda de estas logra predecir velocidades con un MAE de 4.69 km/h para cualquier horizonte temporal considerado, siendo esta una disminución del error de aproximadamente un 1\%-6\% dependiendo del horizonte temporal seleccionado respecto a los resultados de la ANN y la LSTM.