Este documento presenta un método llamado L-Co-R para predecir el tráfico mediante el uso de redes neuronales de funciones de base radial y la selección de variables de entrada. L-Co-R evoluciona conjuntamente trozos de series temporales de tráfico y redes neuronales para lograr predicciones más precisas que otros métodos. Los resultados muestran que L-Co-R es el mejor método para cuatro de cinco medidas de error. Se concluye que L-Co-R puede usarse para predicciones a corto y mediano plazo que permitan
Predicción de tráfico mediante co-evolución de Redes Neuronales de Funciones de Base Radial y selección de variables de entrada
1. 1/16
Predicción de tráfico mediante co-
evolución de Redes Neuronales de
Funciones de Base Radial y selección
de variables de entrada
V. Rivas, E. Parras, M. G. Arenas,
P. A. Castillo, P. García, J.J. Merelo
2. 2/16
1. Introducción
2. Estado del Arte
3. Experimentos y
Resultados
4. Conclusiones y Trabajo
Futuro
5. Cuestiones
Índice
3
2
4
1
5
3. 3/16
Introducción
• Las instituciones buscan tener más información y más
detallada del tráfico debido a:
▫ El aumento de la red viaria con más de 165.000 Km
▫ El intento por automatizar las tareas de control
▫ Las diferentes instituciones propietarias de carreteras
(provinciales, autonómicas y nacionales)
• Ante esta complejidad se persigue informar de forma
concreta, detallada y precisa para evitar y preveer
saturaciones
• Algunas iniciativas para informar sobre tráfico son:
▫ Google Maps con información del tráfico
▫ DGT financia proyectos de para fomentar la investigación
en este campo
4. 4/16
Introducción II
• Por otro lado, la sociedad actual está cada vez más
conectada
▫ 52 millones de clientes de telefonía móvil
▫ Tarifas planas
▫ Móviles con soporte para todo
• Propuesta:
▫ Utilizar los móviles para obtener información sobre el
tráfico de una determinada via y obtener así una serie
temporal real que bien modelada se utilice para
predecir el tráfico
5. 5/16
Principio básico
• Detectar dispositivos bluetooth (BT) en determinadas
vías mediante “Intelify”
• Almacenar dicha información obteniendo una serie
temporal
• Modelar la serie temporal mediante redes neuronales de
base radial
• Predecir el comportamiento de la serie
• Aplicar dicha predicción para desplegar medios que
eviten una saturación en una determinada vía (en un
futuro)
6. 6/16
1. Introducción
2. Estado del Arte
3. Experimentos y
Resultados
4. Conclusiones y Trabajo
Futuro
5. Cuestiones
Índice
3
2
4
1
5
7. 7/16
Estado del arte para detección
• Intrusivas
▫ Implican modificación de la vía
▫ Sólo cuentan vehículos pero no los identifican
▫ Ejemplos: Sensores piezoelectricos o tubos neumáticos
• No intrusivas
▫ No necesitan ninguna modificación en la vía
▫ Se colocan en zonas adyacentes a la vía
▫ Ejemplos: Paneles informativos, carteles de
señalización, puestos de meergencias, radares,
cámaras, etc.
8. 8/16
Estado del arte de predicción
• Todos intentan modelar de forma numérica el
comportamiento de la serie y pueden ser:
• Lineales
▫ ARIMA: funciona bien, pero es difícil de ajustar y lo tiene
que hacer un experto
• No lineales
▫ Se ajustan mejor a las series reales
▫ Tampoco son fáciles de manejar
• Otros ámbitos de estudio:
▫ Soft-Computing
▫ Técnicas Fuzzy
▫ Redes neuronales
▫ Regresión
▫ Sistemas expertos
9. 9/16
Estado del arte de predicción II
• Nuestra propuesta es L-Co-R
▫ Toma información de la serie para construir RBFs que
realizarán la predicción final
▫ No necesita ajuste de experto
▫ No necesita preprocesamiento de la serie temporal
▫ Coevoluciona trozos de la serie temporal (lags) junto
con las redes RBFs de forma de ambos elementos se
benefician unos de otros, los lags de las redes y las
redes de los lags.
10. 10/16
1. Introducción
2. Estado del Arte
3. Experimentos y
Resultados
4. Conclusiones y Trabajo
Futuro
5. Cuestiones
Índice
3
2
4
1
5
11. 11/16
Experimentos y Resultados
• Hemos utilizado seis métodos de predicción
▫ ARIMA
▫ Croston
▫ Theta
▫ Spline
▫ L-Co-R
▫ Media
• Todos están incluidos en R y son ampliamente conocidos
y utilizados habitualmente para predicción
• Hemos utilizados 5 series temporales reales captadas por
Intelify y hemos predicho con un horizonte de 1.
12. 12/16
Experimentos y Resultados II
• Se han utilizado cinco medidas de error diferentes con
cada serie y cada método:
▫ MAE (Mean Absolute Error)
▫ MAPE (Mean Absolute percentage Error )
▫ MdAPE (Median Absolute Percentage Error)
▫ MASE (Mean Absolute Scaled Error)
▫ MSE (Mean Squared Error)
• L-Co-R se ha ejecutado 30 veces para cada serie y se han
utilizado las medias para comparar con los otros
métodos
13. 13/16
Experimentos y
Resultados II
• Los resultados
muestran que L-Co-R
es el mejor para cuatro
de las cinco medidas
de error para todas las
series
14. 14/16
1. Introducción
2. Estado del Arte
3. Experimentos y
Resultados
4. Conclusiones y
Trabajo Futuro
5. Cuestiones
Índice
3
2
4
1
5
15. 15/16
Conclusiones y Trabajo Futuro
• La predicción a corto plazo con L-Co-R es mejor que con
los otros métodos testeados para cuatro de las cinco
medidas de error testeadas
• Aplicar L-Co-R a predicción a medio y largo plazo para
preveer situaciones con más margen de tiempo y así
permitir a las autoridades actuar.
16. 16/16
1. Introducción
2. Estado del Arte
3. Experimentos y
Resultados
4. Conclusiones y Trabajo
Futuro
5. Cuestiones
Índice
3
2
4
1
5