Previsão de velocidades de tráfego com rede neural LSTM
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFRGS-2_ee66cf7c04589348b645b47ec49af68e |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/218100 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Amaral, Matheus Basso doCybis, Helena Beatriz Bettella2021-02-19T04:05:50Z2020http://hdl.handle.net/10183/218100001121611Este 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.This paper aims to propose a speed forecasting model for a stretch of highway in the city of Porto Alegre, which presents daily congestion due to bottlenecks. Traffic data and environmental variables, such as rain intensity, accidents and atypical events, were used to make the predictions. A neural network model was then proposed with long short-term memory (LSTM) layers, which have the characteristic of establishing long-term relationships between input variables, being suitable for applications in the Transport area. As additional contributions, the quality of the forecasts for different forecasting horizons and 5 different traffic regimes empirically proposed, was evaluated, and the quality of the forecasts was compared with other forecasting models used in the literature, such as ARIMA, Linear Regression and a Vanilla Neural Network. The proposed model had a satisfactory performance, mainly in the couple first forecasting intervals based on both criteria, being able to make good predictions even in critical traffic situations. The proposed model was also able to overcome all the other models which it was compared, obtaining better results in all of the forecasting horizons and all traffic regimes.application/pdfporEngenharia civilTráfegoVelocidadeRodoviasRedes neuraisLSTM neural networkSpeed forecastingARIMAPrevisão de velocidades de tráfego com rede neural LSTMinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2020Engenharia Civilgraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001121611.pdf.txt001121611.pdf.txtExtracted Texttext/plain64062http://www.lume.ufrgs.br/bitstream/10183/218100/2/001121611.pdf.txt8f7649020329b3628365a9e20dbccc81MD52ORIGINAL001121611.pdfTexto completoapplication/pdf1269194http://www.lume.ufrgs.br/bitstream/10183/218100/1/001121611.pdf41dc2a7eae62c61a6178729bdefc065dMD5110183/2181002021-03-09 04:52:43.668678oai:www.lume.ufrgs.br:10183/218100Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-03-09T07:52:43Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Previsão de velocidades de tráfego com rede neural LSTM |
title |
Previsão de velocidades de tráfego com rede neural LSTM |
spellingShingle |
Previsão de velocidades de tráfego com rede neural LSTM Amaral, Matheus Basso do Engenharia civil Tráfego Velocidade Rodovias Redes neurais LSTM neural network Speed forecasting ARIMA |
title_short |
Previsão de velocidades de tráfego com rede neural LSTM |
title_full |
Previsão de velocidades de tráfego com rede neural LSTM |
title_fullStr |
Previsão de velocidades de tráfego com rede neural LSTM |
title_full_unstemmed |
Previsão de velocidades de tráfego com rede neural LSTM |
title_sort |
Previsão de velocidades de tráfego com rede neural LSTM |
author |
Amaral, Matheus Basso do |
author_facet |
Amaral, Matheus Basso do |
author_role |
author |
dc.contributor.author.fl_str_mv |
Amaral, Matheus Basso do |
dc.contributor.advisor1.fl_str_mv |
Cybis, Helena Beatriz Bettella |
contributor_str_mv |
Cybis, Helena Beatriz Bettella |
dc.subject.por.fl_str_mv |
Engenharia civil Tráfego Velocidade Rodovias Redes neurais |
topic |
Engenharia civil Tráfego Velocidade Rodovias Redes neurais LSTM neural network Speed forecasting ARIMA |
dc.subject.eng.fl_str_mv |
LSTM neural network Speed forecasting ARIMA |
description |
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. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020 |
dc.date.accessioned.fl_str_mv |
2021-02-19T04:05:50Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/218100 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001121611 |
url |
http://hdl.handle.net/10183/218100 |
identifier_str_mv |
001121611 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/218100/2/001121611.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/218100/1/001121611.pdf |
bitstream.checksum.fl_str_mv |
8f7649020329b3628365a9e20dbccc81 41dc2a7eae62c61a6178729bdefc065d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224602825785344 |