Red convolucional de gráficos orientada a la heterogeneidad espacio-temporal para la predicción del flujo de tráfico...

Área de la Ciencia:

• Redes ad hoc para vehículos urbanos (VANET)
• Previsión y previsión del tráfico
• Redes convolucionales de gráficos (GCN)

Sus antecedentes:

• Las redes ad hoc de vehículos urbanos (VANET) utilizan datos de dominio cruzado para mejorar la predicción del tráfico.
• La heterogeneidad espacial y temporal de los datos complica la normalización y la construcción del modelo de predicción.
• Los factores externos dinámicos introducen impactos acumulados en la predicción de los patrones de tráfico.

Objetivo del estudio:

• Proponer una red de convoluciones de gráficos orientada a la heterogeneidad espacio-temporal (SHGCN) para abordar los desafíos en la predicción del tráfico urbano.
• Aprovechar la heterogeneidad espacial y los factores externos como la calidad del aire para mejorar las previsiones de tráfico.
• Investigar las características de correlación cruzada utilizando un modelo híbrido GCN-GRU.

Principales métodos:

• Desarrollado SHGCN para analizar la heterogeneidad espacial más allá de la simple adyacencia para las correlaciones de flujo de tráfico.
• Datos integrados de la calidad del aire como factores externos para la previsión del tráfico en las calles.
• Se empleó un modelo híbrido de red convolucional de gráficos (GCN) y unidad recurrente con puerta (GRU) para capturar las características de correlación cruzada.

Principales resultados:

• El modelo SHGCN demostró mejoras significativas con respecto a los modelos de referencia, con reducciones del Error Cuadrado Medio de la Raíz (RMSE) y del Error Absoluto Medio (MAE) entre el 2,91% y el 41,26%.
• Los estudios de ablación confirmaron que la incorporación de factores de calidad del aire mejora el rendimiento de la predicción del tráfico.
• El modelo captura efectivamente las correlaciones complejas entre los contaminantes atmosféricos, la dinámica del tráfico y la topología de la red vial.

Conclusiones:

• El SHGCN propuesto maneja efectivamente la heterogeneidad espacio-temporal en los datos de tráfico urbano.
• La integración de datos sobre la calidad del aire mejora la precisión y la solidez de los modelos de predicción del tráfico.
• El enfoque SHGCN ofrece un método validado para comprender las relaciones intrincadas dentro de los sistemas de transporte urbano.