Previsão de velocidades de tráfego com rede neural LSTM

• Autor(a) principal: Amaral, Matheus Basso do
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/218100
• topic: Engenharia civil; Tráfego; Velocidade; Rodovias; Redes neurais; LSTM neural network; Speed forecasting; ARIMA

Este artigo tem como objetivo propor uma modelo de previsão de velocidades de tráfego para um trecho de rodovia na cidade de Porto Alegre, que apresenta congestionamentos diariamente por conta de gargalos. Para realizar as previsões foram utilizados dados de tráfego e variáveis ambientais, como intensidade de chuva, acidentes e eventos atípicos. Propôs-se então um modelo de rede neural com camadas long short-term memory (LSTM), que possuem a característica de estabelecer relações de longa dependência temporal entre as variáveis de entrada, sendo pertinentes para aplicações na área de Transportes. Como contribuições adicionais, avaliou-se a qualidade das previsões para diferentes horizontes de previsão e 5 diferentes regimes de tráfego empiricamente propostos, e comparou-se a qualidade das previsões com outros modelos de previsão utilizados na literatura como ARIMA, Regressão Linear e rede neural Vanilla. O modelo proposto apresentou desempenho satisfatório principalmente nos primeiros intervalos de previsão com base em ambos os critérios, sendo capaz de fazer boas previsões mesmo em situações críticas de tráfego. O modelo proposto também foi capaz de superar todos os outros modelos aos quais foi comparado, obtendo melhores resultados em todos os horizontes de previsão e todos os regimes de tráfego.