Calibration of mobility and traffic simulation models through machine learning

Abstract

La movilidad urbana es uno de los principales elementos del transporte inteligente, debido a su importancia y avance tecnológico, los ingenieros de tráfico aprovechan los modelos computacionales de movilidad y simulación de tráfico. Sin embargo, para obtener un escenario similar a la vida real es necesario cambiar parámetros en el simulador. Este proceso es iterativo y requiere mucho tiempo. Tradicionalmente se realiza de forma manual, es decir, el ingeniero de tráfico va cambiando los parámetros del simulador hasta obtener un escenario similar al observado. La importancia de las simulaciones radica en que ayudan a mejorar el flujo de tráfico y predecir la congestión si algo cambia en la red. Simulation of Urban Mobility (SUMO) es una herramienta muy popular en el mundo de la simulación de tráfico. Este software es un paquete de tráfico microscópico y de código abierto que simula el comportamiento de la red urbana. Sin embargo, estas simulaciones son computacionalmente costosas debido a problemas en el tamaño del escenario y la cantidad de vehículos. La cantidad de automóviles en un sistema puede llevar mucho tiempo de procesamiento y calibración, por lo tanto, esta investigación propone una metodología para calibrar automáticamente simulaciones de tráfico mediante el conteo de automóviles en tiempo real para obtener datos precisos de entrada del simulador. Primero, se realizan muchas simulaciones para crear un extenso conjunto de datos de ejemplos utilizando diferentes volúmenes de vehículos en los carriles de entrada y probabilidades en los carriles de intersección. Luego, los datos se intercambian de entrada/salida a salida/entrada para entrenar los modelos. Se aplican diferentes técnicas de aprendizaje automático, como Redes Neuronales Artificiales, Bosque Aleatorio (RF) y k-Vecino más cercano (kNN) que son capaces de estimar resultados de los parámetros de entrada para la simulación. Se presenta otra opción de calibración que combina modelos de aprendizaje automático y un algoritmo genético si el método propuesto no funciona bien. Se seleccionó la ciudad de Ibarra como principal área para la calibración y dos escenarios alternativos con alta prevalencia en áreas urbanas, así como el hecho de que sus estructuras de red difieren entre sí. Los resultados han demostrado que las redes neuronales tienen un mejor rendimiento en el primer escenario para predecir valores de entrada al simulador. En el segundo escenario, las redes neuronales también tuvieron un mejor rendimiento, sin embargo, los resultados no fueron tan precisos. Es por ello que se realizó la alternativa que combina modelos de aprendizaje automático con un algoritmo genético. kNN logró un mejor rendimiento al predecir las salidas del simulador sin su ejecución. Una vez desarrollado un modelo con alta precisión, se implementó un algoritmo genético para obtener los valores de entrada de la simulación teniendo el conteo de automóviles en las intersecciones.