Efecto de la congestión de tráfico en el desempeño de modelos de predicción de velocidad a corto plazo mediante aprendizaje automático

Abstract

Los tiempos de viaje son un dato valioso para los usuarios del sistema de transporte, pues esta variable les permite discriminar entre los distintos modos y alternativas de su traslado. Para su estimación, la generación de buenos pronósticos de la velocidad futura resultan fundamentales. Recientemente, estos se han visto favorecidos por el crecimiento en la disponibilidad de datos que proveen los Sistemas de Transporte Inteligentes. Algunas aplicaciones consideran a los sistemas de despacho de vehículos o a servicios de navegación. En esta tesis se propone mejorar la capacidad predictiva de modelos de estimación de velocidad. Para ello, se toma en cuenta al fenómeno de la congestión, el que se caracteriza por un alto flujo que obliga a un desplazamiento más lento de los vehículos. Se desarrolla una metodología para incorporar los estados de tráfico en la predicción de velocidad mediante modelos de aprendizaje automático. Se consideran las fases de congestión y de flujo libre, a partir de las que se emplean enfoques que varían en la forma en que dicha información se utiliza para la predicción. El estudio se enfoca en una autopista urbana que mide las variables de tráfico mediante cuatro sensores en un tramo de 9 km. En el trabajo se expone un algoritmo de identificación de congestión basado en observaciones recientes de la velocidad y del flujo. Dado que este algoritmo se ejecuta en base a datos recientes, pero también del día completo, se desarrolla un modelo de predicción de congestión que busca emular su funcionamiento con aplicabilidad en tiempo real. El pronóstico del estado de tráfico alimenta a los métodos de estimación de velocidad, tras lo que se constata que la información proporcionada por este procedimiento provee un mejor desempeño predictivo. Se obtiene un error absoluto medio de 4.13 km/h. El enfoque con mejor desempeño consiste en separar la muestra según el estado de tráfico, con lo que se pueden entrenar dos modelos de forma independiente. Además, los resultados obtienen un menor error en comparación al uso de una regla que identifica el nivel de congestión mediante un umbral de velocidad fijo, que se calcula al agregar toda la información de la muestra. Esto indica que una metodología específica a cada día y basada en observaciones recientes es de mayor utilidad para la predicción de velocidad en el corto plazo. La principal dificultad es que las predicciones poseen un desfase en el período de transición entre estados de tráfico. Este es el lapso con mayor variabilidad de la velocidad, por lo que se plantean alternativas de trabajo futuro para subsanar este problema.