Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid

Índice general

1. Introducción

2. Planteamiento del problema

2.1. Objetivos

2.2. Metodología

3. Estado del arte

4. Datos

4.1. Histórico de datos del tráfico desde 2013

4.2. Ubicación de los puntos de medida del tráfico

4.3. Selección de la propiedad objeto de estudio

4.4. Análisis exploratorio de la propiedad carga

4.5. Fallas en los datos

5. Métodos paramétricos

5.1. Fundamentos

5.2. Método STL con estacionalidad única

5.3. Método MSTL - STL multiestacional

5.4. Método ARIMA

5.5. Método SARIMA - ARIMA estacional

6. Métodos basados en Deep Learning

6.1. Estrategias de pronóstico

6.2. Redes autorregresivas

6.3. LSTM univariado

6.4. LSTM con variables exógenas

7. Resultados

7.1. Métricas de error

7.2. Mejores métodos por familia

7.3. Comparación de resultados del mejor método por familia

7.4. Resultados segmentando por porcentaje de fallas en los datos

7.5. Reproductibilidad

8. Conclusiones

8.1. Trabajo futuro

Objetivos y temas de investigación

El objetivo principal de este trabajo es desarrollar y evaluar diversos modelos predictivos, tanto paramétricos como basados en redes neuronales, para pronosticar el flujo de tráfico en la ciudad de Madrid a partir de datos históricos, analizando su desempeño bajo diferentes horizontes temporales y condiciones de calidad de los datos.

• Análisis y preprocesamiento de grandes volúmenes de datos históricos de tráfico urbano.
• Evaluación comparativa de modelos de series temporales (ARIMA, STL, MSTL, SARIMA).
• Implementación y entrenamiento de arquitecturas de aprendizaje profundo (LSTM).
• Determinación de la influencia de variables exógenas en la precisión del pronóstico.
• Análisis de robustez de los algoritmos frente a la presencia de fallas en los datos.

Auszug aus dem Buch

Resumen de capítulos

Introducción: Presenta la problemática del tráfico y el papel de los Sistemas Inteligentes de Transporte, definiendo la relevancia de los pronósticos estratégicos y a corto plazo.

Planteamiento del problema: Define los objetivos de la investigación, que incluyen la recopilación de datos históricos, la evaluación de métodos de pronóstico y la comparación entre enfoques paramétricos y de Deep Learning.

Estado del arte: Realiza una revisión de las técnicas existentes para la predicción de tráfico, categorizando los modelos en paramétricos, no paramétricos y simulaciones.

Datos: Describe el proceso de extracción, limpieza y análisis exploratorio de los archivos de tráfico, abordando la heterogeneidad y los errores detectados en los registros.

Métodos paramétricos: Detalla la base teórica de modelos clásicos de series temporales como STL, MSTL, ARIMA y SARIMA aplicados al flujo de tráfico.

Métodos basados en Deep Learning: Explica el funcionamiento de las redes neuronales recurrentes, particularmente las unidades LSTM, para capturar dependencias temporales complejas.

Resultados: Presenta la comparativa experimental entre los distintos modelos propuestos utilizando métricas de error como RMSE y MAPE, segmentadas por horizonte y calidad de los datos.

Conclusiones: Resume los hallazgos principales, destacando la competitividad de los modelos LSTM frente a los tradicionales y abriendo líneas de investigación futura.

Palabras clave

Pronóstico de tráfico, Series temporales, Inteligencia Artificial, Sistemas Inteligentes de Transporte (ITS), Modelos ARIMA, Redes neuronales recurrentes, LSTM, Aprendizaje profundo, Análisis de carga, Estacionalidad, Madrid, RMSE, MAPE, Preprocesamiento de datos, Validación de modelos.

Preguntas frecuentes

¿Cuál es el propósito fundamental de esta investigación?

El objetivo principal es desarrollar y comparar modelos predictivos para el flujo de tráfico en Madrid, evaluando si las técnicas de aprendizaje profundo pueden superar a los métodos estadísticos paramétricos clásicos.

¿Qué campos temáticos abarca este estudio?

La investigación integra áreas como la ingeniería de tráfico, el análisis de series temporales, el aprendizaje automático (machine learning) y el procesamiento de grandes volúmenes de datos.

¿Qué interrogante busca responder la tesis?

Se busca determinar si los modelos basados en aprendizaje profundo, específicamente las redes LSTM, ofrecen un mejor rendimiento que los modelos paramétricos tradicionales en la predicción del flujo de tráfico.

¿Qué metodología científica se emplea en el trabajo?

Se utiliza una metodología comparativa que abarca la revisión del estado del arte, el tratamiento exhaustivo de datos reales, la implementación de múltiples algoritmos de predicción y la validación mediante métricas de error.

¿Qué aspectos se tratan en el cuerpo central de la obra?

El trabajo cubre desde la fundamentación teórica de los modelos (paramétricos y redes neuronales) hasta la ejecución práctica de experimentos, análisis de resultados bajo condiciones de error y la reproductibilidad mediante herramientas de programación.

¿Qué términos definen mejor el contenido de esta tesis?

Los conceptos más relevantes incluyen el pronóstico de tráfico, modelos ARIMA, redes LSTM, análisis de estacionalidad, sistemas inteligentes de transporte y validación de errores en series temporales.

¿Cómo influye la calidad de los datos en los resultados obtenidos?

El estudio demuestra que la presencia de datos faltantes o fallidos afecta significativamente el rendimiento, obligando a realizar tareas de limpieza y segmentación para asegurar la validez de las predicciones.

¿Qué papel juegan las variables exógenas en los modelos LSTM?

La inclusión de variables como la hora del día y el día de la semana mejora la capacidad del modelo para aprender patrones humanos, lo que resulta en un mejor rendimiento del pronóstico frente a modelos univariados.