Académique Documents
Professionnel Documents
Culture Documents
Edward Santa Mara Dvila , Leonardo Flores Gonzlez , D. Coarita Tintaya , Yeltsin L. Valero , Walter J. Montenegro
Resumen: El presenta trabajo desarrolla un modelo basado en redes neuronales artificiales a travs de un aprendizaje supervisado
(Backpropagation), el cual nos permite predecir el comportamiento considerando variables que intervienen en la congestin vehicular.
Estas variables se determinan a travs de mediciones en la Av. Javier Prado en el tramo desde la Av. Aviacin hasta la Av. Rosa Toro
(2km), en sentido OESTE-ESTE. Las variables de entrada fueron medidas solo en el carril principal (va expresa), a travs de ortofotos
para el caso de las variables: (1) Geometra de la va tanto al inicio como al fin del tramo, (2) Nmero de carriles tanto al inicio como al
fin del tramo; y a travs de filmaciones de los das lunes, mircoles y viernes para el caso de las siguiente variables: (3)Horario,
(4)Intensidad vehicular tanto en el inicio como el fin del tramo, (5)Nmero de maniobras de conductores(cambio de carril del vehculo),
(6) Intensidad vehicular en las rampas de entrada y salida de la va principal a lo largo del tramo. Mientras que para el caso de la
variable de salida (7) Velocidad promedio en el fin de tramo, esta fue medida a travs de filmaciones. Finalmente el modelo basado en
redes neuronales artificiales predice la velocidad promedio en el final del tramo a travs de un entrenamiento supervisado tal y como
se muestra en los resultados.
Palabras Claves: Congestin Vehicular, Redes Neuronales Artificiales, Intensidad Vehicular, Velocidad de Vehculos, Maniobras de
Conductores, Av. Javier Prado, Anlisis de Sensibilidad.
1. INTRODUCCION
2. PROBLEMA GENERAL
4. HIPTESIS GENERAL
3. OBJETIVO GENERAL
Desarrollar un modelo de simulacin de trfico basado en redes
neuronales, empleando las variables que tienen influencia en el
sistema, para determinar el comportamiento vehicular en cada
tramo de la autopista, a partir de bases de datos consistentes y
videos.
5. MARCO TERICO
5.1. RED NEURONAL ARTIFICIAL (RNA)
Un modelo simple de las RNA, est constituido por un
vector
, el cual representa a un
conjunto se n seales, donde a travs de la dentrita
ingresa a la neurona, la cual est asociada a un peso, dicho
peso la representaremos como
. Al conjunto de n
dentritas le corresponde el vector pesos, por lo que
cuando el vector de seales llega al cuerpo de la red, esta
se representa mediante el producto de cada seal por su
peso, ms un valor denominado ganancia o sesgo, dicho
sesgo ser representado por . Todo lo mencionado
( )
( )
8. METODOLOGA DE MODELAMIENTO DE LA
RED NEURONAL ARTIFICIAL
Variable 1
Horario (Hr)
Variable 2
Intensidad Vehicular
en Q1
Variable 3
Geometra de la Va en
Q1
Variable 4
Nmero de Carriles en
Q1
Variable 5
Nmero de Maniobras
en Q2
Variable 6
Intensidad Vehicular
en E1
Variable 7
Intensidad Vehicular
en S1
Variable 8
Intensidad Vehicular
en E2
Variable 9
Intensidad Vehicular
en S2
Variable 10
Intensidad Vehicular
en E3
Variable 11
Intensidad Vehicular
en Q2
Variable 12
Geometra de la Va en
Q2
9. RESULTADOS
8.3. ENTRENAMIENTO,
VALIDACIN
VERIFICACIN DE LA RNA
9.2. VALIDACIN
BACKPROPAGATION
DE
LA
RNA
9.1. ENTRENAMIENTO
BACKPROPAGATION
DE
LA
RNA
9.3. VERIFICACIN
10.
CONCLUSIONES Y RECOMENDACIONES
11.
BIBLIOGRAFIA
Bravo, M., Briceo, L., Cominetti, R., Cortes, C. E., & Martinez, F.