Traffic forecasting in Bogota, Colombia, with attention temporal graph convolutional network (A3T-GCN)

Abstract

En el contexto de la gestión del tráfico urbano, los Sistemas Inteligentes de Transporte (SIT) avanzados requieren modelos de predicción del tráfico flexibles, eficientes y precisos. Estos modelos son esenciales para mejorar la seguridad vial, reducir la congestión y proporcionar asistencia a los usuarios y a las autoridades municipales. Sin embargo, los modelos convencionales, como ARIMA, las máquinas de vectores de apoyo y las redes neuronales artificiales (RNA), tienen una capacidad limitada para captar la no linealidad y la dinámica espaciotemporal de los datos de tráfico. Para hacer frente a estos retos, este estudio emplea el modelo A3T-GCN, que integra mecanismos de atención y redes convolucionales gráficas para procesar eficazmente los datos de tráfico. En concreto, este estudio se centra en la predicción de los flujos de tráfico en Bogotá, una ciudad conocida por su grave congestión de tráfico. Para adaptar el modelo A3T-GCN a este contexto, se utilizaron datos de velocidad de tráfico de la Plataforma Abierta de Datos de Bogotá. Los resultados demuestran el rendimiento superior del enfoque propuesto en comparación con los modelos ARIMA y RNA convencionales. Se observaron notables mejoras en RMSE, MAE, precisión y varianza explicada, así como estabilidad a lo largo de diversos horizontes de predicción. Además, el modelo se empleó para simular un escenario de congestión de tráfico, ilustrando así su capacidad de respuesta y adaptación a cambios repentinos en las series temporales de velocidad. Los resultados demuestran la validez y adaptabilidad del modelo A3T-GCN para la previsión del tráfico en Bogotá y destacan su potencial como herramienta fiable para los usuarios y las autoridades de gestión urbana.