En la gestión del tráfico de autopistas urbanas, la efectividad operativa de la tecnología de gemelos digitales depende de la disponibilidad de datos de tráfico en tiempo real de alta resolución. Para ser un soporte activo en la toma de decisiones dentro de la gestión del tráfico, un gemelo digital debe incluir tanto condiciones de tráfico predichas como observaciones en tiempo real.
El pronóstico del tráfico en autopistas sigue siendo un desafío debido a la complejidad espacio-temporal y la naturaleza no lineal y variable en el tiempo de la dinámica del tráfico. Los modelos de aprendizaje profundo basados en secuencias ofrecen ventajas claras sobre los modelos clásicos de aprendizaje automático y estadísticos al capturar dependencias temporales a largo plazo en datos de tráfico de series temporales, sin embargo, las limitaciones en la precisión del pronóstico y la complejidad del modelo señalan la necesidad de mejoras adicionales.
Para mejorar el pronóstico del tráfico en autopistas, se introduce un modelo de Pronóstico de Tráfico basado en Transformadores con Conciencia Geográfica (GATTF), que explota las relaciones geográficas entre sensores distribuidos utilizando su Información Mutua (MI). El modelo ha sido evaluado utilizando datos en tiempo real de la red de autopistas de Ginebra en Suiza y los resultados confirman que la incorporación de la conciencia geográfica a través de MI mejora la precisión del pronóstico de GATTF en comparación con un transformador estándar, sin aumentar la complejidad del modelo.
En Q2BSTUDIO nos especializamos en el desarrollo de aplicaciones a medida y servicios de cloud, incluyendo inteligencia artificial, ciberseguridad, servicios cloud en AWS y Azure, inteligencia de negocio y mucho más. Nuestro equipo de expertos puede ayudarte a implementar soluciones tecnológicas avanzadas para tu empresa, como agentes de IA, Power BI y automatización de procesos.
