UNIVERSIDAD NACIONAL DE ENTRE RÍOS
SECRETARÍA DE INVESTIGACIONES CIENTÍFICAS, TECNOLÓGICAS Y DE
FORMACIÓN DE RECURSOS HUMANOS
DIRECTORES NOVELES
FORMULARIO PARA PRESENTACIÓN DEL PROYECTO DE INVESTIGACIÓN
Denominación del proyecto: Aplicación de Redes Neuronales en la gestión y predicción del
tráfico urbano.
Integrantes: Barboza Marcos, Berta Tomas, Buenar Ramiro.
Inicio del proyecto: Agosto de 2025.
Duración del proyecto (en meses): 6 meses.
Resumen (hasta 200 palabras):
Existen numerosos modelos que buscan predecir aspectos del tráfico, como la velocidad en vías
urbanas e interurbanas, la contaminación acústica causada por el tráfico en las ciudades, e incluso el
flujo de tráfico urbano. Estos modelos se basan en datos históricos obtenidos de cámaras de tráfico o
del tráfico en los teléfonos móviles de las personas. El tráfico excesivo es costoso para la economía y
la sociedad, ya que puede generar tiempos de viaje impredecibles, consumo innecesario de
combustible, aumento del tiempo de viaje y estrés para los conductores. En esta investigación, nuestro
objetivo es desarrollar un modelo que pueda predecir el flujo de tráfico en la ciudad de Concordia,
Entre Ríos. Para lograr esto, planeamos utilizar redes neuronales para modelar las dependencias
espaciales y temporales en los datos de tráfico. Las redes neuronales han demostrado ser eficaces en la
predicción del tráfico, y este estudio buscará aplicar estas técnicas en el contexto específico de
Concordia. Esperamos que nuestra investigación pueda contribuir a mejorar la gestión del tráfico en la
ciudad.
Palabras claves:
●
Procesamiento de imágenes.
●
Aprendizaje Automatizado .
●
Redes Neuronales Artificiales.
●
Predicción Modelo de Tráfico Urbano.
●
Análisis de datos de tráfico.
●
Optimización y gestión de flujo vehicular.
●
Tráfico urbano.
Estado actual del conocimiento sobre el tema:
La red neuronal artificial se define como un sistema informático que consta de varios
subsistemas/elementos interconectados que procesan los datos recibidos de entradas externas. El concepto de
red neuronal artificial está muy influenciado por la estructura neuronal de los mamíferos, a lo largo de la historia
los científicos han intentado modelar su funcionamiento en ordenadores. Este esfuerzo ha dado lugar a la
Computación Neuronal o Redes Neuronales Artificiales, modelos computacionales compuestos por nodos
interconectados llamados neuronas artificiales.
El funcionamiento de una red neuronal es un proceso complejo que se puede dividir en varias etapas.
Comienza con la entrada de datos, donde la red recibe información en diversas formas, como imágenes, texto,
sonidos, entre otros.
Esta información es procesada por las capas ocultas. Estas capas intermedias realizan cálculos
matemáticos complejos. Cada neurona en una capa oculta recibe entradas ponderadas de las neuronas de la capa
anterior, realiza una suma ponderada y aplica una función de activación para determinar su salida.
La ponderación y la función de activación juegan un papel crucial en este proceso. Cada conexión
entre neuronas tiene un peso que indica su importancia en la transmisión de la señal. Durante el entrenamiento,
estos pesos se ajustan para minimizar el error entre las salidas reales y las salidas deseadas. Ello determina si
una neurona se activa o no en función de la suma ponderada de sus entradas.
La capa de salida es la etapa final del proceso. Esta capa procesa la información para producir la salida
deseada, que puede ser una clasificación, una predicción, una respuesta a una pregunta, entre otros resultados.
Durante el entrenamiento, se utiliza la retropropagación del error. En esta etapa, se compara la salida
de la red con la salida deseada, y se calcula un error. Este error se retro propaga a través de la red para ajustar los
pesos de las conexiones, utilizando algoritmos como el de retropropagación del gradiente, con el objetivo de
minimizar el error en futuras predicciones.
Finalmente, a través del aprendizaje, la red neuronal, con el tiempo y el entrenamiento con conjuntos
de datos etiquetados, aprende a reconocer patrones y a realizar tareas específicas con mayor precisión.
Existen dos tipos de congestión del tráfico: recurrente y no recurrente. La congestión recurrente es la
congestión del tráfico que se produce de forma regular. Por ejemplo, se espera que el flujo de tráfico durante las
horas pico sea intenso porque esas son las horas del día en las que la mayoría comienza o termina su trabajo o
clases. Mientras tanto, la congestión no recurrente se refiere al intenso flujo de tráfico debido a eventos
inesperados como accidentes o averías de automóviles.
Uno de los modelos más utilizados hoy en día en la predicción de la congestión de flujos de tráfico
son las redes neuronales debido a su gran eficacia. En el artículo (Sun, Shangyu, Huayi Wu, and Longgang
Xiang. 2020), los autores proponen un modelo de predicción del flujo de tráfico a corto plazo en toda una ciudad
basado en una red neuronal convolucional profunda, denominada TFFNET (Traffic Flow Forecasting
NETwork). El modelo tiene en cuenta las dependencias espaciales y temporales del flujo de tráfico y, además, es
capaz de tener en cuenta factores externos, como pueden ser accidentes, periodos vacacionales u otro tipo de
eventos, haciendo uso de otra red neuronal totalmente conectada fusionada con la salida del componente
principal de TFFNET. El modelo toma como datos de entrada unas imágenes generadas a partir de unas trazas
GPS de taxis. Otro ejemplo es el propuesto en (Licheng Qu, Wei Li, Wenjing Li, Dongfang Ma, Yinhai Wang. ,
2019), donde los autores utilizan un modelo basado en una red neuronal profunda para la predicción del flujo de
tráfico de un día completo en la ciudad de Seattle. El modelo utiliza un algoritmo de aprendizaje supervisado
multicapa para extraer la relación potencial entre los datos de flujo de tráfico, y una combinación de factores
clave contextuales. Debido al coste temporal de entrenar una red neuronal profunda, proponen un método de
entrenamiento por lotes, reduciendo así el coste temporal en entrenamiento de la red propuesta. Por otro lado, en
el artículo (Dai Guowen, Ma Changxi, Xu Xuecai, 2019), los autores proponen un modelo de predicción del
flujo de tráfico a corto plazo que combina el análisis estacional con una red neuronal GRU. El modelo utiliza un
algoritmo de detección de características espacio-temporales para definir el intervalo de tiempo de entrada y el
volumen de datos espaciales óptimos; después la red GRU procesa la información de dichas características para
realizar las predicciones. Finalmente, en el artículo (Kang Danqing, Yisheng Lv, Chen Yuan-yuan. , 2017), Kang
et al. definen un modelo basado en redes neuronales LSTM para tener en cuenta dependencias temporales a
corto y largo plazo. En el artículo, los autores realizan un estudio sobre el efecto de las diferentes
configuraciones de entrada en el rendimiento de la predicción del flujo de tráfico.
La investigación en predicción de tráfico urbano es extensa y ha generado algunas plataformas
interesantes como C2SMART (University Transportation Center, New York University via a grant to the
University of Washington. , 2019), una iniciativa conjunta de varias universidades americanas que utiliza
técnicas de inteligencia artificial para la detección de congestión en redes urbanas. La plataforma C2SMART
utiliza los datos de velocidad registrados en los enlaces y cruces de las calles del centro de Seattle. La principal
misión de esta plataforma consiste en utilizar los datos generados por las nuevas fuentes emergentes y las
tecnologías de detección no tradicionales para desarrollar plataformas de intercambio de datos seguras e
interoperables, y soluciones orientadas al sistema. Además de tratar la movilidad urbana, C2SMART realiza
análisis urbanos para ciudades inteligentes y proporciona soporte para diseño de infraestructuras de transporte
resistentes, seguras e inteligentes.
Otra de las herramientas que sin duda ha tenido un mayor impacto en la predicción de tráfico es la
aplicación Google Maps. Esta aplicación, además de ofrecer la mejor ruta a un destino, es capaz de predecir el
tráfico que habrá en un determinado tramo a una cierta hora. Como se habla en (Traffic Prediction With
Advanced Graph Neural Networks, 2020), el modelo que usa Google Maps para estas predicciones es una red
neuronal basada en grafos. El modelo combina las condiciones del estado actual de una determinada área con
patrones históricos de las carreteras de todo el mundo, a lo que se añade información adicional sobre calidad de
la carretera, velocidad permitida, etc. Utilizar una red neuronal basada en grafos permite diseñar conexiones
complejas para controlar no solo el tráfico posterior o anterior, sino también a lo largo de las carreteras
adyacentes y las intersecciones.
Hipótesis o Justificación
La implementación de un sistema de gestión del tránsito vehicular basado en redes neuronales en
Concordia, Entre Ríos, conducirá a una reducción significativa de la congestión vehicular en áreas concurridas
de la ciudad.
Las redes neuronales pueden analizar grandes cantidades de datos de tráfico en tiempo real, como la
densidad del tráfico, el número de vehículos en la calle y la velocidad de los mismos. Con esta información, las
redes neuronales pueden predecir cómo se desarrollará el tránsito en un momento determinado y tomar
decisiones para optimizar la circulación. Por ejemplo, ajustar los tiempos de los semáforos en función de la
cantidad de vehículos en las intersecciones o calles y la hora del día puede reducir los tiempos de espera y
mejorar el flujo de tránsito. Además, al llevar el control de las rutas de los vehículos en función de las
condiciones del tráfico ayudaría a reducir la congestión en las calles principales de la ciudad.
Objetivos
●
Analizar grandes conjuntos de datos de tráfico vehicular para entrenar y validar el modelo propuesto.
●
Comparar el rendimiento de diferentes modelos preexistentes de gestión y predicción de tráfico urbano
aplicando redes neuronales.
●
Evaluar la aplicabilidad del modelo en el sistema de transporte local para mejorar la movilidad urbana.
●
Seleccionar un modelo de red neuronal que pueda predecir patrones de tráfico vehicular de manera
precisa en nuestra ciudad.
●
Implementar un prototipo de predicción y gestión de tráfico urbano basado en redes neuronales.
●
Evaluar la eficacia del prototipo en diferentes escenarios reales.
Bibliografía:
●
Sun, Shangyu, Huayi Wu, Longgang Xiang. (2020). "City-Wide Traffic Flow Forecasting Using a
Deep Convolutional Neural Network" Sensors 20, no. 2: 421. https://doi.org/10.3390/s20020421
●
Licheng Qu, Wei Li, Wenjing Li, Dongfang Ma, Yinhai Wang. (2019). Daily long-term traffic flow
forecasting based on a deep neural network. Expert Systems with Applications, 121:304–312.
doi:https://doi.org/10.1016/j. eswa.2018.12.031.
●
Dai Guowen, Ma Changxi, Xu Xuecai. (2019). Short-Term Traffic Flow Prediction Method for Urban
Road Sections Based on Space–Time Analysis and GRU. IEEE Access. PP. 1-1.
10.1109/ACCESS.2019.2941280.
●
Kang Danqing, Yisheng Lv, Chen Yuan-yuan. (2017). Short-term traffic flow prediction with LSTM
recurrent neural network. 1-6. 10.1109/ITSC.2017.8317872.
●
University Transportation Center (funded by USDOT) at the New York University via a grant to the
University of Washington. (2019). An artificial intelligence platform for network-wide congestion
detectionand prediction usingmultisourcedata. [Online; accessed 10-septiembre-2021]. URL: https:
//c2smart.engineering.nyu.edu/wp-content/uploads/2019/07/Transportation_AI%20Platform_FinalRepo
rt_ C2SMART_Wang.pdf
●
Traffic prediction with advanced Graph Neural Networks. (2020, September 3). Google DeepMind.
https://deepmind.google/discover/blog/traffic-prediction-with-advanced-graph-neural-networks/
●
M. Villanueva Espinosa, (2002). “Las redes neuronales artificiales y su importancia como herramienta
en la toma de decisiones”.
●
Aaron Don M. Africa, Francis Xavier Asuncion, Janos Lance Tiberio, Raymund Miguel Francisco A.
Munchua. (2019). Sensor-based Traffic Control Network with Neural Network Based Control System.
Published in International Journal of… 25 August 2019. ISSN 2278-3091
●
Serrano, A. Soria , E. Martín ,D. (2009-2010). Redes Neuronales Artificiales.
http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf
●
Arregocés E. V. y Sánchez E. C. (2011). Redes Neuronales Artificiales: Una Revisión del Estado del
Arte, Aplicaciones Y Tendencias Futuras, Investigación y Desarrollo en TIC, Vol 2 No 1 pp. 18-27.
https://core.ac.uk/download/pdf/267928931.pdf
●
Basogain, X. Redes Neuronales Artificiales y sus Aplicaciones.
https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del
-curso.pdf