Desarrollo de un modelo de microsimulación del tránsito vehicular basado en redes neuronales artificiales en una vía expresa

Abstract

El presente trabajo, desarrolla una metodología de calibración de un modelo de microsimulación de tránsito usando Redes Neuronales Artificiales de retroalimentación y mapas de auto-organización, para el análisis se ha tomado mediciones en campo y se ha realizado filmaciones en el intercambio vial a desnivel de la intersección de la Vía Expresa Av. Javier Prado y la Vía Expresa Av. Paseo de la República, estas filmaciones han permitido determinar parámetros como flujo vehicular, tiempos de viaje, tipología de vehículos, velocidad promedio de viaje, entre otros parámetros. Una vez obtenido los datos se ingresan al software Vissim 8.0, en el cual se han establecido 200 escenarios diferentes de simulación, teniendo como parámetros de entrada el comportamiento del conductor y como parámetro de salida el tiempo de viaje, velocidades, y longitudes de cola. Finalmente, con la data obtenida se han agrupado mediante el uso de redes neuronales de mapas de auto-organización para posteriormente realizar el entrenamiento, validación y verificación con una arquitectura de una red neuronal de retroalimentación, encontrándose una correlación de 0.97, con dicho arquitectura de la red neuronal se han determinado los parámetros óptimos de calibración para los datos de ingreso al software Vissim, encontrándose un error menor al 5%.

The present work develops a methodology of calibration of a model of microsimulation of traffic using Artificial Neural Networks of backpropagation and maps of self-organization, for the analysis has been taken in field measurements and has been made in the road of the Expressway Av. Javier Prado and Av. Paseo de la República, these filming have allowed us to determine parameters such as traffic flow, travel times, vehicle typology, average speed of travel, among other parameters. Once the data has been obtained, the Vissim 8.0 software is entered, in which 200 different simulation scenarios have been established, having as input parameters the behavior of the driver and as an output parameter the travel time, travel speeds, and lengths of tail. Finally, with the obtained data, they have been grouped through the use of neural networks of self-organization maps to subsequently carry out the training, validation and verification with an architecture of a neural network of feedback, finding a correlation of R = 0.97, with said architecture of the neural network, the optimal calibration parameters were determined for the input data to Vissim software, with an error lower than 5%.