Este documento describe un estudio sobre el uso de técnicas de inteligencia artificial para predecir la congestión del tráfico. Los investigadores utilizaron datos de tráfico de California para entrenar y probar métodos como árboles de decisión, clasificadores estadísticos y reglas difusas. Todos los métodos lograron una precisión de predicción superior al 95%. C4.5, LDA y SLAVE fueron los métodos más exitosos. El documento concluye que la inteligencia artificial tiene un gran potencial para la predicción del tráfico y que

1. Sistemas de predicción de
congestión basados en Inteligencia
Artificial Avanzada
Enrique Onieva,
Pedro López, Asier Perallos
(Mobility Unit – DeustoTech)
enrique.onieva@deusto.es
@EnriqueOnieva

2. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 2
Motivación
 Hoy en día, la congestión en las autovías es un
problema global
 El adelantarse a las congestiones es un componente
clave de los ITS
 La correcta predicción puede beneficiar:
 A los conductores
 A los gestores de tráfico
 A las autoridades
 Aplicación de técnicas de
inteligencia artificial a la
predicción del tráfico

3. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 3
Fuente de Datos
Departamento de
Transporte de
California
Datos
 Septiembre 2013
 Tramo de 9 km
 13 sensores de paso
 4 incorporaciones
 4 salidas

4. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 4
Datos Obtenidos
 Frecuencia: 5 minutos
 13 sensores de paso:
 Flujo, Ocupación, Velocidad
 4 incorporaciones
 Flujo
 4 salidas
 Flujo
 4 posibles estados de congestión
 Tráfico Fluido
 Congestión Leve
 Congestión Moderada
 Congestión Severa

5. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 5
Datos Obtenidos
 Datos Completos  47 Variables
 13 flujos de paso
 13 ocupaciones de paso
 13 velocidades de paso
 4 flujos de entrada
 4 flujos de salida
 Datos Simplificados  13 Variables
 3 flujos de paso
 3 ocupaciones de paso
 3 velocidades de paso
 2 flujos de entrada
 2 flujos de salida
 6 Horizontes de Predicción
 10, 20, 30, 40, 50, 60 minutos

6. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 6
Técnicas utilizadas
 Árboles de decisión
 C4.5
 TARGET
 Clasificadores
estadísticos
 LDA
 LMSLC
 Reglas Difusas y
Algoritmos Evolutivos
 CORE
 SLAVE

7. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 7
Experimentación
Cada método se ejecuta 5 veces, usando diferentes
partes de los conjuntos de datos para:
 Aprender
 Ponerse aprueba
Medimos:
 El porcentaje de aciertos global
 El porcentaje de aciertos por cada nivel de congestión
Ejecución 1
Ejecución 2
Ejecución 3
Ejecución 4
Ejecución 5
Datos de Entrenamiento
Datos de Prueba

8. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 8
Resultados
Todas las técnicas obtienen
un porcentaje de acierto
global mayor al 95%
No encuentran dificultades
al aumentar el horizonte
de predicción

9. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 9
Resultados
Todas se comportan bien
ante la predicción de
tráfico fluido
Las mayores dificultades se
dan con congestión leve
En general destacamos
 C4.5
 LDA
 SLAVE

10. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 10
C4.5
Resultados
 Ejemplo de salida obtenida:
 Conjunto de datos Completo
 Horizonte de Predicción de 30 minutos
 C4.5
 47 reglas
 8 condiciones en promedio (Variable > X)
 LDA
 Modelo lineal de las 47 variables
 SLAVE
 22 reglas
 4 condiciones en promedio (Variable es {bajo, medio alto})
SLAVE

11. Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada
enrique.onieva@deusto.es @EnriqueOnieva 11
Conclusiones y trabajos futuros
Conclusiones
 Gran potencial de la inteligencia artificial para su
aplicación en la predicción del estado del tráfico.
 Resultados codificables por un relativamente bajo
número de reglas
Trabajos futuros
 Diseño de técnicas de generación de conjuntos de
reglas compactos y comprensibles
 Aplicación de dichos diseños a nuevos problemas de
transporte

12. Muchas Gracias
Enrique Onieva
(Mobility Unit – DeustoTech)
enrique.onieva@deusto.es
@EnriqueOnieva