RIVERA-PICADO, Cristal    MENESES-GUZMAN, Marcela. Predicción flujo de tráfico vehicular Ruta 27 en Costa Rica. []. , 35, 4, pp.138-148. ISSN 0379-3982.  http://dx.doi.org/10.18845/tm.v35i4.5892.

^a

El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la Ruta 27 (San José-Caldera) en Costa Rica. Se aprovechan los datos recolectados por los STI de la ruta para pronosticar el comportamiento de tráfico vehicular horario. Para ello, se proponen tres métodos de predicción, los cuales se comparan para seleccionar el modelo de mejor rendimiento: Arima Estacional (SARIMA), Ingenuo Estacional (SNAIVE)y Autoregresión con Redes Neuronales (NNAR). Los tres modelos de predicción son evaluados y se consideran útiles a la predicción, sin embargo, el modelo de NNAR tiene como resultado un mejor rendimiento al pronosticar la serie de tiempo por hora, teniendo como resultado el menor MAPE de 9.4 y se considera un candidato para ser utilizado en los STI. Al aplicar el proceso de validación cruzada en los modelos, se respalda la conclusión que conforme se prueba el modelo NNAR para más días los resultados de la predicción son más estables y precisos.

Forecasting vehicle traffic flow is considered an important input for traffic planning and management for the countries' intelligent transport systems (ITS). This article analyzes the hourly flow of light vehicle traffic that drives in highway 27 of Costa Rica in one direction (San JoseCaldera). The data collected by the ITS of the route is used to forecast the behavior of hourly vehicular traffic. For this, three forecasting methods are proposed, which are compared to select the model with best performance: Seasonal Arima (SARIMA), Seasonal Naïve (SNAIVE), and Autoregression with Neural Network (NNAR). All three models are evaluated and are considered useful for prediction, however the NNAR model results in better performance when forecasting the hourly time series with the lowest MAPE of 9.4 and is consider a candidate for use in ITS. By applying the cross-validation process in the models, the conclusion is supported that as the NNAR is tested for more days, the prediction results are more stable and accurate.

: .

        · | |     · |     · ( pdf )