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

2/16

1.  Introducción 2.  Estado del Arte 3.  Experimentos y

Resultados 4.  Conclusiones y Trabajo

Futuro 5.  Cuestiones

Índice

3

2

4

1

5

3/16

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

4/16

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

5/16

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)

6/16

1.  Introducción 2.  Estado del Arte 3.  Experimentos y

Resultados 4.  Conclusiones y Trabajo

Futuro 5.  Cuestiones

Índice

3

2

4

1

5

7/16

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.

8/16

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

9/16

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.

10/16

1.  Introducción 2.  Estado del Arte 3.  Experimentos y

Resultados 4.  Conclusiones y Trabajo

Futuro 5.  Cuestiones

Índice

3

2

4

1

5

11/16

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.

12/16

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

13/16

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

14/16

1.  Introducción 2.  Estado del Arte 3.  Experimentos y

Resultados 4.  Conclusiones y

Trabajo Futuro 5.  Cuestiones

Índice

3

2

4

1

5

15/16

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

1.  Introducción 2.  Estado del Arte 3.  Experimentos y

Resultados 4.  Conclusiones y Trabajo

Futuro 5.  Cuestiones

Índice

3

2

4

1

5