Una comparativa entre redes neuronales artificiales y métodos clásicos para la predicción de la movilidad entre zonas de transporte.Aplicación práctica en el Campo de Gibraltar, España

  1. Pedro J. Rodríguez-Rueda 1
  2. Ignacio J. Turias-Domínguez 2
  1. 1 Consorcio de Transporte del Campo de Gibraltar. Algeciras, Cádiz, España
  2. 2 Departamento de Ingeniería Informática. Grupo de investigación TEP024 Modelado Inteligente de Sistemas, Universidad de Cádiz, Algeciras, Cádiz, España
Revista:
DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín

ISSN: 0012-7353

Ano de publicación: 2017

Volume: 84

Número: 200

Páxinas: 209-216

Tipo: Artigo

DOI: 10.15446/DYNA.V84N200.56571 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Outras publicacións en: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín

Resumo

Traffic issues are more common every day due to the great technological development of humanity. Therefore, the control is essential to optimize infrastructure and public transport. To achieve this goal, it is necessary to make an estimate of the demand of the mobility. An alternative method, based on Artificial Neural Networks (ANNs), has been analyzed in this work comparing to traditional prediction techniques. The aim is to obtain an estimation procedure using simple, economical input variables which are easy to find. Unlike traditional models. These new models are able to perform a better fitting of input-output mapping. The results are encouraging and therefore the ability of ANNs is shown to estimate mobility between zones.

Referencias bibliográficas

  • Zamorano C., Bigas, J.M. y Sastre C.J., Manual para la planificación, financiación e implantación de sistemas de transporte urbano, Madrid, Ediciones Colegio de Caminos, Canales y Puertos, 2004
  • Comisión de Transportes del CICCP. Libro Verde de Intermodalidad, Ed. Colegio de Caminos, Canales y Puertos. Madrid. 2005
  • Rapkin, C.A. and Mitchell, R.B., Urban traffic: A function of land. University of Pennsylvania, Pennsylvania, USA, 1954
  • Voorhees, A.M., A general theory of traffic movement. Ed. Institute of Traffic Engineers, New Haven, 1955.
  • Standard & Poor’s, Traffic risk in star-up toll facilities, Ed. Credit Market Services, London, 2002.
  • Standard & Poor’s, Traffic forecasting risk. Study update 2003, Ed. Financial Services, London, 2003.
  • Estudio de viabilidad y anteproyecto relativo a instalaciones tranviarias en Murcia (España), Empresa Epypsa, Murcia, septiembre 2007.
  • Herce-Vallejo, M., Instrumentos y metodología de planes de movilidad y transporte en las ciudades medias colombianas, Universidad Politécnica de Cataluña, Barcelona, 2008.
  • Davalo, E. and Naim, P., Neural Networks (Computer Science Series), Ed. Scholium Intl, 1991.
  • Hua, J. and Faghri, A., Applications of artificial neural networks to intelligent vehicle-highway systems, Transportation Research Record 1453, pp. 83-90, 1994.
  • Ruiz-Aguilar, J.J., Turias, I.J. and Jiménez-Come, M.J., A two-stage procedure for forecasting freight inspection at border inspection posts using SOMs and support vector regression, International Journal of Production Research, 53, pp. 2119-2130, 2015. DOI: 10.1080/00207543.2014.965852
  • Ruiz-Aguilar, J.J., Turias, I.J. and Jiménez-Come, M.J., Hybrid approaches based on SARIMA and artificial neural networks for inspection time series forecasting, Journal Transportation Research Part E - Logistic and Transportation Review, 67, pp. 1-13, 2014. DOI: 10.1016/J.TRE.2014.03.009
  • Ruiz-Aguilar, J.J., Turias, I.J., Moscoso-López, J.A. and Jiménez Come, M.J., Forecasting of short-term flow freight congestion: A study case of Algeciras Bay Port (Spain), DYNA 83(195), pp. 163- 172, 2016. DOI: 10.15446/DYNA.V83N195.47027.
  • Ortúzar, J.D. y Willumsem, L.G., Modelos de Transporte (Transport Modelling), Universidad de Cantabria, Cantabria, España, 2008.
  • Muñoz-Monge C., Ramos-Ábalos, E.M., de Oña-López, R. y de Oña- López, J., Modelo simplificado para estimar la demanda de viajeros en los servicios de un corredor de transporte público, IX Congreso Internacional del Transporte, Madrid, España, 2010.
  • Bishop, C.M., Neural networks for pattern recognition. Oxford University Press, Oxford, 2008.
  • Ministerio de Transportes y Comunicaciones de Perú, Metodología de actualización del modelo de transportes del área metropolitana de Lima y Callao, Ministerio de Transportes y Comunicaciones de Perú, Lima, Perú, 2010.
  • Dougherty, M., A review of neural networks applied to transport. The Institute for Transport Studies, University of Leeds, Journal Transportation Research Part-C, 4, pp. 247-260, 1995. DOI: 10.1016/0968-090X(95)00009-8
  • Consejería de Obras Públicas y Transportes y EPYSA, Estudio movilidad en día laborable en el Campo de Gibraltar, Sevilla, España, 1995.
  • Tema-Grupo Consultor S.A y Pereda 4 Estudio, Estudio sobre movilidad y modelización de la demanda de transporte en la ciudad de Málaga. Encuesta domiciliaria de movilidad en día laborable en la ciudad de Málaga, Málaga, España, 2001.
  • Parry, K. and Hazelton, M.L., Estimation of origin–destination matrices from link counts and sporadic routing data. Institute of Fundamental Sciences, Massey University, Palmerston North, New Zealand, Journal Transportation Research Part B Methodological, pp. 175-188, 2012. DOI: 10.1016/J.TRB.2014.06.002.
  • Cerda-Troncoso, J., Calibración de modelos gravitacionales acotados en origen, para predecir variaciones en el total atraído de movilidad laboral. Report de Recerca Nº 4. Universidad Politécnica de Cataluña, Barcelona, España, 2010.
  • González, C. y Sarmiento, I., Modelación de la distribución de viajeros de Aburrá utilizando el modelo gravitatorio, DYNA, 76(158), pp. 199-208, 2009.
  • Rumelhart, D.E., Hinton, G.E. and Williams, R.J., Learning internal representations by error propagation. In: Parallel Distributed Processing, The PDP Research Group, eds., vols. I and II, Bradford Books and MIT Press, Cambridge, 1986.
  • Marquardt, DW., An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial and Applied Mathematics, 11(2), pp. 431-441, 1963.
  • Anuario Estadístico, Ayuntamiento de Madrid, Área de Gobierno de Seguridad y Servicios, Dirección General de Movilidad, Madrid, España, 2005.
  • Hornik, K., Stinchcombe, M. and White, H., Multilayer feedforward networks are universal approximators. Neural Networks, 2, pp. 359- 366, 1989.
Fonte de datos: Dialnet