Mostrar el registro sencillo del ítem

Vehicle traffic flow forecasting Costa Rica highway 27

Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica

dc.creatorRivera-Picado, Cristal
dc.creatorMeneses-Guzmán, Marcela
dc.date2022-09-30
dc.date.accessioned2023-02-16T16:05:29Z
dc.date.available2023-02-16T16:05:29Z
dc.identifierhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5892
dc.identifier10.18845/tm.v35i4.5892
dc.identifier.urihttps://hdl.handle.net/2238/14118
dc.descriptionForecasting vehicle traffic flow is considered an important input for traffic planning and management for the countries’ intelligent transport systems (ITS). This article analyzes the hourly flow of light vehicle traffic that drives in highway 27 of Costa Rica in one direction (San Jose-Caldera). The data collected by the ITS of the route is used to forecast the behavior of hourly vehicular traffic. For this, three forecasting methods are proposed, which are compared to select the model with best performance: Seasonal Arima (SARIMA), Seasonal Naïve (SNAIVE), and Autoregression with Neural Network (NNAR).  All three models are evaluated and are considered useful for prediction, however the NNAR model results in better performance when forecasting the hourly time series with the lowest MAPE of 9.4 and is consider a candidate for use in ITS. By applying the cross-validation process in the models, the conclusion is supported that as the NNAR is tested for more days, the prediction results are more stable and accurate.en-US
dc.descriptionEl 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.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.languagespa
dc.publisherEditorial Tecnológica de Costa Rica (entidad editora)es-ES
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5892/6194
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5892/6214
dc.rightsDerechos de autor 2022 Revista Tecnología en Marchaes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es-ES
dc.sourceTecnología en marcha Journal; 2022: Vol. 35 Núm. 4: Octubre-Diciembre 2022; Pág. 138-148en-US
dc.sourceRevista Tecnología en Marcha; 2022: Vol. 35 Núm. 4: Octubre-Diciembre 2022; Pág. 138-148es-ES
dc.source2215-3241
dc.source0379-3982
dc.subjectTraffic flow forecastingen-US
dc.subjectSeasonal ARIMA(SARIAM)en-US
dc.subjectSeasonal Naïve (SNAIVE)en-US
dc.subjectAutogression with Neural Networks (NNAR)en-US
dc.subjectPredicción de flujo de tráficoes-ES
dc.subjectARIMA Estacional (SARIMA)es-ES
dc.subjectIngenuo Estacional (SNAIVE)es-ES
dc.subjectAutoregresión con Redes Neuronales (NNAR)es-ES
dc.titleVehicle traffic flow forecasting Costa Rica highway 27en-US
dc.titlePredicción flujo de tráfico vehicular Ruta 27 en Costa Ricaes-ES
dc.typeartículo original


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem