Challenges and opportunities in traffic flow prediction:  review of machine learning and deep learning perspectives

Syed Aleem Uddin Gilani; Murad Al-Rajab; Mahmoud Bakka

doi:10.56294/dm2024378

Artículos originales

Published: 2024-06-29

DOI: https://doi.org/10.56294/dm2024378

Desafíos y oportunidades en la predicción del flujo de tráfico: revisión de las perspectivas de aprendizaje automático y aprendizaje profundo

Resumen

En los últimos tiempos, la predicción del tráfico ha sido esencial para las redes de transporte modernas. Las ciudades inteligentes se basan en sistemas de gestión y predicción del tráfico. Este estudio utiliza técnicas de aprendizaje profundo y aprendizaje automático de última generación para ajustarse a las condiciones cambiantes del tráfico. Los modelos modernos de DL, como LSTM y GRU, se examinan aquí para ver si pueden mejorar la precisión de la predicción y proporcionar información valiosa. La reparación de problemas y errores relacionados con la meteorología requiere modelos híbridos que integren el aprendizaje profundo con el aprendizaje automático. Estos modelos necesitan datos de entrenamiento de primera categoría para ser precisos, flexibles y capaces de generalizar. Los investigadores están explorando continuamente nuevos enfoques, como modelos híbridos, aprendizaje profundo y aprendizaje automático, para descubrir patrones de datos de flujo de tráfico que abarcan varios lugares y períodos de tiempo. Nuestras estimaciones actuales del flujo de tráfico necesitan mejoras. Algunos de los beneficios esperados son menos contaminantes, aire de mayor calidad y un transporte urbano más sencillo. Con el aprendizaje automático y el aprendizaje profundo, este estudio pretende mejorar la gestión del tráfico en las zonas urbanas. Los modelos de memoria larga a corto plazo (LSTM) pueden predecir de forma fiable los patrones de tráfico.

Keywords:

Ciudades inteligentes,

sistemas de transporte inteligentes,

aprendizaje automático (ML),

aprendizaje profundo (DL),

memoria a largo plazo a corto plazo (LSTM),

Cómo citar

Uddin Gilani SA, Al-Rajab M, Bakka M. Desafíos y oportunidades en la predicción del flujo de tráfico: revisión de las perspectivas de aprendizaje automático y aprendizaje profundo. Data and Metadata [Internet]. 29 de junio de 2024 [citado 6 de julio de 2024];3:378. Disponible en: https://dm.saludcyt.ar/index.php/dm/article/view/378

Aviso de derechos de autor/a

Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.

Article metrics

Google scholar: See link

Métricas

Cargando métricas ...

Vol. 3 (2024)

See full issue

Revistas / Journals

Issue

Acerca de

Envíos