Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica
El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la R...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Instituto Tecnológico de Costa Rica
2022-09-01
|
| Series: | Tecnología en Marcha |
| Subjects: | |
| Online Access: | https://172.20.14.50/index.php/tec_marcha/article/view/5892 |
| _version_ | 1827786563491201024 |
|---|---|
| author | Cristal Rivera-Picado Marcela Meneses-Guzmán |
| author_facet | Cristal Rivera-Picado Marcela Meneses-Guzmán |
| author_sort | Cristal Rivera-Picado |
| collection | DOAJ |
| description |
El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la Ruta 27 (San José-Caldera) en Costa Rica. Se aprovechan los datos recolectados por los STI de la ruta para pronosticar el comportamiento de tráfico vehicular horario. Para ello, se proponen tres métodos de predicción, los cuales se comparan para seleccionar el modelo de mejor rendimiento: Arima Estacional (SARIMA), Ingenuo Estacional (SNAIVE)y Autoregresión con Redes Neuronales (NNAR). Los tres modelos de predicción son evaluados y se consideran útiles a la predicción, sin embargo, el modelo de NNAR tiene como resultado un mejor rendimiento al pronosticar la serie de tiempo por hora, teniendo como resultado el menor MAPE de 9.4 y se considera un candidato para ser utilizado en los STI. Al aplicar el proceso de validación cruzada en los modelos, se respalda la conclusión que conforme se prueba el modelo NNAR para más días los resultados de la predicción son más estables y precisos.
|
| first_indexed | 2024-03-11T16:37:02Z |
| format | Article |
| id | doaj.art-6354b40bf4eb4ee29536f3286cfbca88 |
| institution | Directory Open Access Journal |
| issn | 0379-3982 2215-3241 |
| language | Spanish |
| last_indexed | 2024-03-11T16:37:02Z |
| publishDate | 2022-09-01 |
| publisher | Instituto Tecnológico de Costa Rica |
| record_format | Article |
| series | Tecnología en Marcha |
| spelling | doaj.art-6354b40bf4eb4ee29536f3286cfbca882023-10-23T14:27:43ZspaInstituto Tecnológico de Costa RicaTecnología en Marcha0379-39822215-32412022-09-0135410.18845/tm.v35i4.5892Predicción flujo de tráfico vehicular Ruta 27 en Costa RicaCristal Rivera-Picado0Marcela Meneses-Guzmán1Ingeniera en Producción Industrial, Instituto Tecnológico de Costa RicaEscuela Ingeniería en Producción Industrial, Instituto Tecnológico de Costa Rica El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la Ruta 27 (San José-Caldera) en Costa Rica. Se aprovechan los datos recolectados por los STI de la ruta para pronosticar el comportamiento de tráfico vehicular horario. Para ello, se proponen tres métodos de predicción, los cuales se comparan para seleccionar el modelo de mejor rendimiento: Arima Estacional (SARIMA), Ingenuo Estacional (SNAIVE)y Autoregresión con Redes Neuronales (NNAR). Los tres modelos de predicción son evaluados y se consideran útiles a la predicción, sin embargo, el modelo de NNAR tiene como resultado un mejor rendimiento al pronosticar la serie de tiempo por hora, teniendo como resultado el menor MAPE de 9.4 y se considera un candidato para ser utilizado en los STI. Al aplicar el proceso de validación cruzada en los modelos, se respalda la conclusión que conforme se prueba el modelo NNAR para más días los resultados de la predicción son más estables y precisos. https://172.20.14.50/index.php/tec_marcha/article/view/5892Predicción de flujo de tráficoARIMA Estacional (SARIMA)Ingenuo Estacional (SNAIVE)Autoregresión con Redes Neuronales (NNAR) |
| spellingShingle | Cristal Rivera-Picado Marcela Meneses-Guzmán Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica Tecnología en Marcha Predicción de flujo de tráfico ARIMA Estacional (SARIMA) Ingenuo Estacional (SNAIVE) Autoregresión con Redes Neuronales (NNAR) |
| title | Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica |
| title_full | Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica |
| title_fullStr | Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica |
| title_full_unstemmed | Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica |
| title_short | Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica |
| title_sort | prediccion flujo de trafico vehicular ruta 27 en costa rica |
| topic | Predicción de flujo de tráfico ARIMA Estacional (SARIMA) Ingenuo Estacional (SNAIVE) Autoregresión con Redes Neuronales (NNAR) |
| url | https://172.20.14.50/index.php/tec_marcha/article/view/5892 |
| work_keys_str_mv | AT cristalriverapicado prediccionflujodetraficovehicularruta27encostarica AT marcelamenesesguzman prediccionflujodetraficovehicularruta27encostarica |