Método de predicción de velocidad para una red de tráfico de gran escala usando una convolutional neural network con separable convolution

• Autor: Loaiza Fabian, Arnold Christian
• Formato: tesis de maestría
• Fecha de Publicación: 2018
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:UNSA/7535
• Enlace del recurso: http://repositorio.unsa.edu.pe/handle/UNSA/7535
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje Profundo; Convolutional Neural Network; Separable Convolution; Red de Tráfico; Velocidad; Ciudades Inteligentes; https://purl.org/pe-repo/ocde/ford#2.02.03

Esta investigación propone la reducción del tiempo de convergencia del método de predicción de velocidad basado en una convolutional neural network (CNN) para toda una red de tráfico, manteniendo el performance de todas las tareas de predicciones del método CNN. El método propuesto llamado CNNSEP incluye una capa de separable convolution en su configuración, que permite reducir el tiempo de convergencia del método de predicción basado en CNN, manteniendo el performance de todas las tareas de predicciones de velocidad para toda una red de tráfico. Además se realiza otra configuración llamado CNNSEP2 que permite reducir el error de las predicciones del método CNN, pero no reduce el tiempo de convergencia del método CNN. Para esta investigación, se utilizan datos reales del sistema web de California llamado Caltrans Performance Measurement System (PeMS). Finalmente los resultados demuestran que el método propuesto CNNSEP, reduce el tiempo de convergencia en todas las tareas de predición, manteniendo un performance similar en sus predicciones como el método basado en CNN.