Upload
pacvslideshare
View
1.763
Download
2
Embed Size (px)
DESCRIPTION
Trabajo en el MAEB2013 de predicción de series temporales a partir de los datos obtenidos en el proyecto SIPESCA.
Citation preview
1/16
Predicción de tráfico mediante co-evolución de Redes Neuronales de
Funciones de Base Radial y selección de variables de entrada
V. Rivas, E. Parras, M. G. Arenas, P. A. Castillo, P. García, J.J. Merelo
2/16
1. Introducción 2. Estado del Arte 3. Experimentos y
Resultados 4. Conclusiones y Trabajo
Futuro 5. Cuestiones
Índice
3
2
4
1
5
3/16
Introducción
• Las instituciones buscan tener más información y más detallada del tráfico debido a: ▫ El aumento de la red viaria con más de 165.000 Km ▫ El intento por automatizar las tareas de control ▫ Las diferentes instituciones propietarias de carreteras
(provinciales, autonómicas y nacionales) • Ante esta complejidad se persigue informar de forma
concreta, detallada y precisa para evitar y preveer saturaciones
• Algunas iniciativas para informar sobre tráfico son: ▫ Google Maps con información del tráfico ▫ DGT financia proyectos de para fomentar la investigación
en este campo
4/16
Introducción II
• Por otro lado, la sociedad actual está cada vez más conectada ▫ 52 millones de clientes de telefonía móvil ▫ Tarifas planas ▫ Móviles con soporte para todo
• Propuesta: ▫ Utilizar los móviles para obtener información sobre el
tráfico de una determinada via y obtener así una serie temporal real que bien modelada se utilice para predecir el tráfico
5/16
Principio básico
• Detectar dispositivos bluetooth (BT) en determinadas vías mediante “Intelify”
• Almacenar dicha información obteniendo una serie temporal
• Modelar la serie temporal mediante redes neuronales de base radial
• Predecir el comportamiento de la serie • Aplicar dicha predicción para desplegar medios que
eviten una saturación en una determinada vía (en un futuro)
6/16
1. Introducción 2. Estado del Arte 3. Experimentos y
Resultados 4. Conclusiones y Trabajo
Futuro 5. Cuestiones
Índice
3
2
4
1
5
7/16
Estado del arte para detección
• Intrusivas ▫ Implican modificación de la vía ▫ Sólo cuentan vehículos pero no los identifican ▫ Ejemplos: Sensores piezoelectricos o tubos neumáticos
• No intrusivas ▫ No necesitan ninguna modificación en la vía ▫ Se colocan en zonas adyacentes a la vía ▫ Ejemplos: Paneles informativos, carteles de
señalización, puestos de meergencias, radares, cámaras, etc.
8/16
Estado del arte de predicción
• Todos intentan modelar de forma numérica el comportamiento de la serie y pueden ser:
• Lineales ▫ ARIMA: funciona bien, pero es difícil de ajustar y lo tiene
que hacer un experto • No lineales ▫ Se ajustan mejor a las series reales ▫ Tampoco son fáciles de manejar
• Otros ámbitos de estudio: ▫ Soft-Computing ▫ Técnicas Fuzzy ▫ Redes neuronales ▫ Regresión ▫ Sistemas expertos
9/16
Estado del arte de predicción II
• Nuestra propuesta es L-Co-R ▫ Toma información de la serie para construir RBFs que
realizarán la predicción final ▫ No necesita ajuste de experto ▫ No necesita preprocesamiento de la serie temporal ▫ Coevoluciona trozos de la serie temporal (lags) junto
con las redes RBFs de forma de ambos elementos se benefician unos de otros, los lags de las redes y las redes de los lags.
10/16
1. Introducción 2. Estado del Arte 3. Experimentos y
Resultados 4. Conclusiones y Trabajo
Futuro 5. Cuestiones
Índice
3
2
4
1
5
11/16
Experimentos y Resultados
• Hemos utilizado seis métodos de predicción ▫ ARIMA ▫ Croston ▫ Theta ▫ Spline ▫ L-Co-R ▫ Media
• Todos están incluidos en R y son ampliamente conocidos y utilizados habitualmente para predicción
• Hemos utilizados 5 series temporales reales captadas por Intelify y hemos predicho con un horizonte de 1.
12/16
Experimentos y Resultados II
• Se han utilizado cinco medidas de error diferentes con cada serie y cada método: ▫ MAE (Mean Absolute Error) ▫ MAPE (Mean Absolute percentage Error ) ▫ MdAPE (Median Absolute Percentage Error) ▫ MASE (Mean Absolute Scaled Error) ▫ MSE (Mean Squared Error)
• L-Co-R se ha ejecutado 30 veces para cada serie y se han utilizado las medias para comparar con los otros métodos
13/16
Experimentos y Resultados II
• Los resultados muestran que L-Co-R es el mejor para cuatro de las cinco medidas de error para todas las series
14/16
1. Introducción 2. Estado del Arte 3. Experimentos y
Resultados 4. Conclusiones y
Trabajo Futuro 5. Cuestiones
Índice
3
2
4
1
5
15/16
Conclusiones y Trabajo Futuro
• La predicción a corto plazo con L-Co-R es mejor que con los otros métodos testeados para cuatro de las cinco medidas de error testeadas
• Aplicar L-Co-R a predicción a medio y largo plazo para preveer situaciones con más margen de tiempo y así permitir a las autoridades actuar.
16/16
1. Introducción 2. Estado del Arte 3. Experimentos y
Resultados 4. Conclusiones y Trabajo
Futuro 5. Cuestiones
Índice
3
2
4
1
5