Estudio de predicción de flujo de tráfico a corto plazo basado en el filtro de Kalman y la transformación Wavelet

Abstract

La predicción del flujo de tráfico a corto plazo es un componente importante para el desarrollo de aplicaciones proactivas en los sistemas inteligentes de transporte (ITS). En especial es importante para los sistemas de control y gestión de tráfico dado que estos mejoran la eficacia y seguridad de las operaciones de tráfico, pero debido a la naturaleza estocástica del proceso que gobierna el flujo de tráfico, es una tarea desafiante encontrar algoritmos de predicción que sean precisos y robustos. La tarea se complica más debido a la falta de disponibilidad de datos en gran parte de los sistemas de transporte de los países en vías de desarrollo. La presente tesis propone y estudia un método de predicción de flujo de tráfico a corto plazo basado en el filtro de Kalman y la transformada wavelet discreta con una base de datos limitada de dos días de observación. El análisis wavelet discreto mediante la técnica de umbralización de coeficientes ayuda a filtrar o reducir el ruido que contienen los datos y el filtro de Kalman proyecta el flujo de tráfico un intervalo de tiempo discreto hacia el futuro con base en los datos filtrados. Ambos procesos de filtrado y proyección son integrados en un sólo proceso recursivo en tiempo real. Se estudia la influencia en la precisión de predicción de 1) diferentes tipos de coeficientes que puede integrar el vector de estado del sistema, 2) el tipo de filtro de Kalman empleado (convencional o adaptativo), y 3) la activación (si o no) del filtrado de ruido dentro del proceso de predicción. En total se tiene tres parámetros cuya variación en conjunto genera doce modelos de predicción. La evaluación del desempeño de predicción de los modelos se realizó bajo condiciones normales y disruptivas de tráfico. Se concluye de la investigación que el proceso de filtrado de ruido mejora notablemente el desempeño de la predicción bajo condiciones normales de tráfico. Sin embargo, esto empeora bajo condiciones disruptivas. Los modelos de predicción basados exclusivamente en el filtro de Kalman adaptativo son los más robustos del conjunto de modelos frente a cualquier condición de tráfico y su precisión de predicción varía de acuerdo al tipo de vector de estado empleado.

Short-term traffic flow prediction is an important component for proactive application development in Intelligent Transportation Systems (ITS). It is especially important for traffic management and control systems since these improve the efficiency and safety of traffic operations, but due to the stochastic nature of the process that governs traffic flow, it is a challenging task to find prediction algorithms that are accurate and robust. The task is further complicated by the lack of data availability in much of the transport systems of developing countries. This thesis proposes and studies a short-term traffic flow prediction method based on the Kalman filter and the discrete wavelet transform with a limited database of two days of observation. Discrete wavelet analysis using the coefficient thresholding technique helps filter or reduce noise contained in the data and the Kalman filter projects traffic flow onestep ahead based on the filtered data. Both filtering and projection processes are integrated in a single recursive real time process. The present thesis investigates the influence on the prediction accuracy of 1) different types of coefficients that can be integrated by the system state vector, 2) the type of Kalman filter used (conventional or adaptive), and 3) activation (true or false) of the noise filtering within the prediction process. In total, there are three parameters whose variation together generates twelve prediction models. Prediction models evaluation were performed under normal and disruptive traffic conditions. It is concluded from the research that the noise filtering process significantly improves the prediction performance under normal traffic conditions. However, this worsens under disruptive conditions. Prediction models based exclusively on the Adaptive Kalman filter are the most robust of the set of models proposed in face of any kind of traffic condition and their prediction accuracy varies according to the type of state vector used.