Diseño y construcción de un sistema predictivo de congestión de tráfico basado en aprendizaje automático

Engineering notes

Engineering notes will be added by the aipentium editorial team.

Chinese explanation / 中文解读

中文解读待补充：本站会优先为大语言模型、生成式AI、ChatGPT相关技术、计算机视觉、深度学习等高价值论文补充中文说明。

Original abstract

Resumen: Este proyecto desarrolla un sistema de predicción de la intensidad del tráfico urbano mediante técnicas de aprendizaje profundo, con el objetivo de mejorar la toma de decisiones de movilidad. A diferencia de otras plataformas centradas en la visualización del estado actual, la solución propuesta busca anticipar comportamientos futuros, y se plantea como una alternativa abierta, replicable y específicamente orientada a la predicción. Para lograrlo, se ha diseñado una arquitectura modular basada en el lenguaje Python, capaz de integrar múltiples fuentes de datos abiertos: registros históricos del tráfico, datos históricos de situación meteorológica, y coordenadas espaciales de los sensores de medición. El sistema aplica un proceso de limpieza, interpolación temporal y transformación de variables, incluyendo la codificación cíclica del tiempo y la conversión espacial a coordenadas UTM, lo que permite una fusión precisa entre datos geográficos y meteorológicos mediante técnicas como la ponderación por distancia inversa (IDW). El modelo predictivo se basa en una red neuronal LSTM, especialmente adaptada para secuencias temporales multivariables. Se entrena utilizando una estrategia de ventana deslizante a 32 muestras (7 horas y 45 minutos) para predecir la intensidad de tráfico en el siguiente intervalo. El sistema incorpora además mecanismo de IterableDataset para manejar grandes volúmenes de datos de entrenamiento sin comprometer la estabilidad del entorno. Los resultados obtenidos muestran una precisión robusta en escenarios de validación, con errores de predicción (MAE y RMSE) aceptable. Además, se ha desarrollado una interfaz web interactiva, que permite el despliegue local del sistema, con capacidad de ingestión de datos en tiempo real y visualización directa de las predicciones. Ente trabajo demuestra la viabilidad técnica y operativa de aplicar aprendizaje profundo al análisis de tráfico urbano, y sienta las bases para su evolución futura hacia sistemas más generalizables, robustos y útiles en contexto reales de ciudad inteligente. Abstract This Project develops an urban traffic intensity prediction system using deep learning techniques, with the aim of improving mobility decision-making. Unlike other platforms focused on visualizing the current state, the proposed solution seeks to anticipate future behaviors, and is positioned as an open, replicable alternative specifically oriented towards prediction. To achieve this, a modular architecture based on the Python language has been designed, capable of integrating multiple open data sources: historical traffic records, historical weather situation data, and spatial coordinates of measurement sensors. The system applies a process of cleaning, temporal interpolation, and variable transformation, including cyclic encoding of time and spatial conversion to UTM coordinates, allowing for precise fusion between geographical and meteorological data through techniques such as inverse distance weighting (IDW). The predictive model is based on an LSTM neural network, especially adapted for multivariate time sequences. It is trained using a sliding window strategy of 32 samples (7 hours and 45 minutes) to predict traffic intensity in the next interval. The system additionally incorporates an IterableDataset mechanism to handle large volumes of training data without compromising the stability of the environment. The obtained results show robust accuracy in validation scenarios, with acceptable prediction errors (MAE and RMSE). Furthermore, an interactive web interface has been developed, allowing for the local deployment of the system, with the capacity for real-time data ingestion and direct visualization of predictions. This work demonstrates the technical and operational feasibility of applying deep learning to urban traffic analysis and lays the groundwork for its future evolution towards more generalizable, robust, and useful systems in real smart city contexts.

Links and sources

Comments