Modelo neuronal de demanda de transporte en redes viales urbanas

Abstract

Esta tesis explora las posibilidades de uso de las redes neuronales de retropropagación en el problema de la estimación de demanda de transporte centrándose en aspectos de diseño metodológico y de arquitectura/estructura de las redes. Estudia también el uso de mapas auto-organizados de Kohonen como herramienta para el análisis de datos y para la construcción de conjuntos de entrenamiento y testeo de redes de retropropagación. Mediante una serie de experimentos se encuentran varios elementos que inciden en el proceso de aprendizaje de las redes de retropropagación y que no se toman actualmente en consideración en modelación de demanda de transporte, dentro de los que resaltan el tipo de función de activación utilizada; la composición del conjunto de entrenamiento; la secuencia de presentación de pares de entrenamiento. Estos factores pueden llevar a encontrar mejores soluciones y/o a tener un mayor control del tipo de solución alcanzada y por lo tanto se sugiere prestarles mayor atención. Se propuso una metodología que incluyó estos elementos combinados con los tradicionales de una manera bastante específica, de la cual se obtuvo buenos resultados. Las redes de Kohonen mostraron en los experimentos realizados ser una excelente herramienta, permitiendo a) Mayor facilidad para encontrar registros de datos anómalos; b) Revisar la hipótesis de que las variables independientes elegidas pueden explicar la variable dependiente; construir segmentaciones de datos que permitan el uso de más de una especificación de modelo predictivo; reducir el número de pares de entrenamiento necesarios en una red de retropropagación.

This thesis explores the possibilities of using backpropagation neural networks on the problem of estimating transport demand focusing on methodological aspects of design and architecture / structure of the networks. He also studied the use of Kohonen self-organizing as a tool for data analysis and for the construction of training and testing sets backpropagation network maps. Through a series of experiments are several elements that affect the process of learning and backpropagation networks that are not currently taken into account in modeling transport demand within that highlight the type of activation function used; the composition of the training set; presentation sequence of training pairs. These factors can lead to better solutions and / or have greater control on the type of solution reached and therefore suggests further attention. A methodology that included these traditional elements combined with a fairly specific way, which was obtained good results was proposed. Kohonen networks showed in experiments be an excellent tool, allowing a) easier to find records of anomalous data; b) review the hypothesis that the independent variables chosen may explain the dependent variable; Slicers build enabling the use of more than one specification of predictive model; pairs to reduce the number of necessary training a backpropagation network.