Publicación:
Método de predicción de velocidad para una red de tráfico de gran escala usando una convolutional neural network con separable convolution
Método de predicción de velocidad para una red de tráfico de gran escala usando una convolutional neural network con separable convolution
No hay miniatura disponible
Fecha
2018
Autores
Loaiza Fabian, Arnold Christian
Título de la revista
Revista ISSN
Título del volumen
Editor
Universidad Nacional de San Agustín de Arequipa
Proyectos de investigación
Unidades organizativas
Número de la revista
Abstracto
Esta investigación propone la reducción del tiempo de convergencia del método de predicción de velocidad basado en una convolutional neural network (CNN) para toda una red de tráfico, manteniendo el performance de todas las tareas de predicciones del método CNN. El método propuesto llamado CNNSEP incluye una capa de separable convolution en su configuración, que permite reducir el tiempo de convergencia del método de predicción basado en CNN, manteniendo el performance de todas las tareas de predicciones de velocidad para toda una red de tráfico. Además se realiza otra configuración llamado CNNSEP2 que permite reducir el error de las predicciones del método CNN, pero no reduce el tiempo de convergencia del método CNN. Para esta investigación, se utilizan datos reales del sistema web de California llamado Caltrans Performance Measurement System (PeMS). Finalmente los resultados demuestran que el método propuesto CNNSEP, reduce el tiempo de convergencia en todas las tareas de predición, manteniendo un performance similar en sus predicciones como el método basado en CNN.
Descripción
Palabras clave
Velocidad,
Aprendizaje Profundo,
Convolutional Neural Network,
Separable Convolution,
Red de Tráfico,
Ciudades Inteligentes