Capítulo 5 Estado del arte

A principios de la década de 1970, los modelos de medias móviles autorregresivas integradas (ARIMA) se utilizaron para predecir el flujo de tráfico en autopista a corto plazo.

Desde entonces, investigadores de diferentes áreas han propuesto una amplia variedad de modelos para la predicción de los flujos de tráfico, como los basados en ingeniería del transporte, en estadística, en aprendizaje automático, en ingeniería de control y en economía.

Todos estos enfoques se pueden agrupar en tres categorías:

  • modelos paramétricos, por ejemplo, modelos de series temporales, modelos de filtrado de Kalman, etc.
  • modelos no paramétricos, entre otros, métodos del vecino más cercano (k-NN2), redes neuronales artificiales (ANN3), etc.
  • y simulaciones, que utilizan herramientas de simulación de tráfico para desarrollar modelos que predicen el flujo.

Los modelos parámetricos son aquellos que utilizan un número fijo de variables, independientemente del tamaño de los datos de entrenamiento:

A learning model that summarizes data with a set of parameters of fixed size (independent of the number of training examples) is called a parametric model. No matter how much data you throw at a parametric model, it won’t change its mind about how many parameters it needs.

(Russell and Norvig 2016), página ~737

Y los modelos no parámetricos son aquellos para los que no se define a priori el conjunto de variables que formará parte del modelo:

Nonparametric methods are good when you have a lot of data and no prior knowledge, and when you don’t want to worry too much about choosing just the right features.

(Russell and Norvig 2016), página ~757

(Lv et al. 2015) realiza un repaso bastante completo de los trabajos para pronóstico de flujo de tráfico según las categorías anteriores. En este documento podemos leer que, para los modelos paramétricos, hay multitud de estudios que utilizan ARIMA(0,1,1), KARIMA, ARIMAX, ARMA y SARIMA.

(Chung and Rosalion 2001) evalúan la regresión lineal, las medias históricas, el modelo ARIMA y el SARIMA. En este estudio se concluye que estos algoritmos funcionan razonablemente bien durante las condiciones de operación normales pero no responden bien a los cambios externos del sistema.

Sin embargo, debido a la naturaleza estocástica y no lineal de los flujos de tráfico, los investigadores han prestado mucha atención a los métodos no paramétricos.

(Davis and Nihan 1991) realizan un estudio empírico que utiliza datos reales para probar el enfoque k-NN y compararlo con pronósticos de series temporales lineales univariadas. El método k‐NN ofrece un rendimiento comparable, pero no mejor, que el enfoque de series temporales.

(Stathopoulos and Karlaftis 2003) realiza un estudio utilizando mediciones tomadas cada 3 minutos en las calles arteriales urbanas cerca del centro de Atenas. Los resultados sugieren que diferentes especificaciones de modelo son apropiadas para diferentes períodos de tiempo del día. Además, también sugieren que el uso de modelos multivariados teniendo en cuenta la componente espacial mejoran la precisión, comparados con los modelos de series temporales univariadas.

(Chen et al. 2012) compara diferentes modelos de predicción de tráfico en carreteras que utilizan la serie temporal original y la serie temporal residual eliminando la tendencia intradía. Los resultados de las pruebas indican que el rendimiento de la predicción puede mejorarse significativamente en este último escenario. También muestran que casi todos los predictores conocidos tienen supuestos ocultos de suavidad y, por lo tanto, no pueden predecir los puntos de explosión que se desvían demasiado de la tendencia intradía. Como resultado, los puntos de ruptura del tráfico solo se pueden identificar pero no predecir.

(Kirby, Watson, and Dougherty 1997) analizan redes neuronales y métodos de series temporales para el pronóstico del tráfico y resumen los resultados de un estudio comparativo de su desempeño para el tráfico de autopistas en Francia. Obtienen buenos rendimientos tanto con las redes neuronales como con los modelos tradicionales ARIMA. Se observó que las técnicas no paramétricas superan a las técnicas estadísticas simples, como el promedio histórico y las técnicas de suavizado, pero hay resultados contradictorios sobre si los métodos no paramétricos pueden producir rendimientos mejores o comparables a los modelos SARIMA.

(Sun, Zhang, and Yu 2006) proporcionan un algoritmo de red bayesiana, dónde se calcula la probabilidad condicional de un punto de tráfico en una carretera a partir de los estados dados en los vecinos topológicos de la red de carreteras. La distribución de probabilidad conjunta resultante es una mezcla de gausianos. (Tebaldi and West 1998) analizan y prueban que los enfoques bayesianos son eficientes para la estimación del estado de la red de transporte a gran escala. (Anacleto, Queen, and Albers 2013) proporcionan una red bayesiana dinámica para modelar técnicas de intervención externa para adaptarse a situaciones con variables de tráfico que cambian repentinamente.

(Smith and Demetsky 1997) comparan los métodos estadísticos y de aprendizaje automático para pronosticar el tráfico. (Van Lint 2008) aborda el aprendizaje de parámetros en tiempo real y mejora la calidad de los pronósticos utilizando un filtro de Kalman extendido.

(Oswald, Scherer, and Smith 2000) sostienen que los métodos no paramétricos producen mejores pronósticos que los modelos paramétricos debido a su capacidad para capturar mejor las relaciones espacio temporales y los efectos no lineales. (Vlahogianni, Karlaftis, and Golias 2014) proporcionan una extensa revisión reciente de la literatura sobre predicciones de tráfico a corto plazo. Aborda además el desafío de identificar las relaciones espacio-temporales en los patrones de flujo.

(Qiao, Yang, and Lam 2001) muestran que los enfoques analíticos no proporcionan buenos pronósticos. (Breiman 2003) describe los distintos inconvenientes entre el aprendizaje automático y los métodos estadísticos tradicionales. (Ripley 2007) aplica ampliamente el aprendizaje automático y muestra su utilidad para el reconocimiento de patrones de flujo tráfico.

En resumen, se han desarrollado un gran número de algoritmos de predicción de los flujos de tráfico debido a la creciente necesidad de información en tiempo real en los ITS. Involucran diversas técnicas en diferentes disciplinas. Sin embargo, es difícil decir que un método es claramente superior a otros métodos en cualquier situación. Una razón que puede explicar esto es que los modelos propuestos se desarrollan con una pequeña cantidad de datos de tráfico. Y la precisión de los métodos de predicción de flujo de tráfico depende de las características del flujo de tráfico en un contexto espaciotemporal.

Bibliografía

Anacleto, Osvaldo, Catriona Queen, and Casper J Albers. 2013. “Multivariate Forecasting of Road Traffic Flows in the Presence of Heteroscedasticity and Measurement Errors.” Journal of the Royal Statistical Society: Series C (Applied Statistics) 62 (2). Wiley Online Library: 251–70.

Breiman, Leo. 2003. “Statistical Modeling: The Two Cultures.” Quality Control and Applied Statistics 48 (1). Executive Sciences Institute: 81–82.

Chen, Chenyi, Yin Wang, Li Li, Jianming Hu, and Zuo Zhang. 2012. “The Retrieval of Intra-Day Trend and Its Influence on Traffic Prediction.” Transportation Research Part C: Emerging Technologies 22. Elsevier: 103–18. https://www.researchgate.net/publication/235899204_The_Retrieval_of_Intra-Day_Trend_and_Its_Influence_on_Traffic_Prediction.

Chung, E, and N Rosalion. 2001. “Short Term Traffic Flow Prediction.” In AUSTRALASIAN Transport Research Forum (Atrf), 24TH, 2001, Hobart, Tasmania, Australia. https://trid.trb.org/view/712262.

Davis, Gary A, and Nancy L Nihan. 1991. “Nonparametric Regression and Short-Term Freeway Traffic Forecasting.” Journal of Transportation Engineering 117 (2). American Society of Civil Engineers: 178–88. https://www.researchgate.net/publication/240141415_Nonparametric_Regression_and_Short-Term_Freeway_Traffic_Forecasting.

Kirby, Howard R, Susan M Watson, and Mark S Dougherty. 1997. “Should We Use Neural Networks or Statistical Models for Short-Term Motorway Traffic Forecasting?” International Journal of Forecasting 13 (1). Elsevier: 43–50. docs/Should we use neural networks or statistical models for short-term motorway traffic forecasting.pdf.

Lv, Yisheng, Yanjie Duan, Wenwen Kang, Zhengxi Li, Fei-Yue Wang, and others. 2015. “Traffic Flow Prediction with Big Data: A Deep Learning Approach.” IEEE Trans. Intelligent Transportation Systems 16 (2): 865–73. docs/Traffic flow prediction with big data - A deep learning approach.pdf.

Oswald, R Keith, William T Scherer, and Brian L Smith. 2000. “Traffic Flow Forecasting Using Approximate Nearest Neighbor Nonparametric Regression.” Final Project of ITS Center Project: Traffic Forecasting: Non-Parametric Regressions.

Qiao, Fengxiang, Hai Yang, and William HK Lam. 2001. “Intelligent Simulation and Prediction of Traffic Flow Dispersion.” Transportation Research Part B: Methodological 35 (9). Elsevier: 843–63.

Ripley, Brian D. 2007. Pattern Recognition and Neural Networks. Cambridge university press.

Russell, Stuart J, and Peter Norvig. 2016. Artificial Intelligence: A Modern Approach. Malaysia; Pearson Education Limited, https://www.researchgate.net/publication/30874496_Artificial_Intelligence_A_Modern_Approach.

Smith, Brian L, and Michael J Demetsky. 1997. “Traffic Flow Forecasting: Comparison of Modeling Approaches.” Journal of Transportation Engineering 123 (4). American Society of Civil Engineers: 261–66.

Stathopoulos, Anthony, and Matthew G Karlaftis. 2003. “A Multivariate State Space Approach for Urban Traffic Flow Modeling and Prediction.” Transportation Research Part C: Emerging Technologies 11 (2). Elsevier: 121–35. docs/A multivariate state space approach for urban traffic flow modeling and prediction.pdf.

Sun, Shiliang, Changshui Zhang, and Guoqiang Yu. 2006. “A Bayesian Network Approach to Traffic Flow Forecasting.” IEEE Transactions on Intelligent Transportation Systems 7 (1). IEEE: 124–32. docs/A Bayesian network approach to traffic flow forecasting.pdf.

Tebaldi, Claudia, and Mike West. 1998. “Bayesian Inference on Network Traffic Using Link Count Data.” Journal of the American Statistical Association 93 (442). Taylor & Francis Group: 557–73.

Van Lint, JWC. 2008. “Online Learning Solutions for Freeway Travel Time Prediction.” IEEE Transactions on Intelligent Transportation Systems 9 (1). IEEE: 38–47.

Vlahogianni, Eleni I, Matthew G Karlaftis, and John C Golias. 2014. “Short-Term Traffic Forecasting: Where We Are and Where We’re Going.” Transportation Research Part C: Emerging Technologies 43. Elsevier: 3–19. docs/Short-term traffic forecasting: Where we are and where we are.pdf.

  1. Modelo de los K vecinos más cercanos (K Nearest Neighbours, en inglés).↩