Αναγνώριση Χωροχρονικών Συσχετίσεων για την Πρόβλεψη Κυκλοφορίας σε Αστικά Οδικά Δίκτυα με χρήση Τεχνικών Μηχανικής Μάθησης

Abstract

Η βραχυπρόθεσμη πρόβλεψη κυκλοφοριακών συνθηκών είναι ένα πεδίο έρευνας που συγκεντρώνει υψηλό ενδιαφέρον, λόγω της σπουδαιότητάς του στον έλεγχο και τη διαχείριση της κυκλοφορίας και στο σχεδιασμό έξυπνων μεταφορικών συστημάτων. Η πρόσφατη εισαγωγή τεχνικών Μηχανικής Μάθησης σε συνδυασμό με την πληθώρα διαθέσιμων δεδομένων που συλλέγονται από τις έξυπνες φορητές συσκευές των χρηστών του δικτύου έχει διευρύνει τους ορίζοντες των ερευνητών και έχει καταστήσει δυνατή την εφαρμογή καινοτόμων προσεγγίσεων. Παρ’ όλα αυτά, οι ερευνητές δε θα πρέπει να υποτιμούν τη σημασία των χωρικών και χρονικών εξαρτήσεων ενός οδικού δικτύου και τις κλασικές στατιστικές μεθόδους πρόβλεψης, οι οποίες επίσης προσφέρουν καλύτερη επεξηγηματικότητα. Σε αυτή την εργασία, εντοπίζονται οι χωροχρονικές συσχετίσεις του οδικού δικτύου του κέντρου της κινεζικής πόλης Σιάν, με χρήση της συσχέτισης κατά Pearson, της Αμοιβαίας Πληροφορίας και του αλγορίθμου Dynamic Time Warping στις χρονοσειρές της ταχύτητας των τμημάτων του οδικού δικτύου. Από τις παραπάνω μεθοδολογίες, η Αμοιβαία Πληροφορία κρίνεται ως περισσότερο κατάλληλη στη συγκεκριμένη περίπτωση, καθώς οδηγεί σε ένα ακριβές πρότυπο πρόβλεψης Μπεϋζιανού Δικτύου. Τα συμπεράσματα της παραπάνω ανάλυσης αξιοποιούνται στην ανάπτυξη δύο δικτύων LSTM για την μεσοπρόθεσμη και βραχυπρόθεσμη πρόβλεψη των κυκλοφοριακών συνθηκών ενός οδικού τμήματος του οδικού δικτύου με ακρίβεια 89% και 86% αντίστοιχα. Η μεγάλη ακρίβεια των προβλέψεων αφενός τονίζει τη σπουδαιότητα της πραγματοποίησης ανάλυσης χωροχρονικών συσχετίσεων πριν την εφαρμογή αλγορίθμων πρόβλεψης και αφετέρου πιστοποιεί την καταλληλότητα του δικτύου LSTM στην πρόβλεψη χρονοσειρών.