College of Engineering, Abu Dhabi University, Abu Dhabi
College of Engineering, Abu Dhabi University, Abu Dhabi
College of Engineering, Abu Dhabi University, Abu Dhabi
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.
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.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.