Documente Academic
Documente Profesional
Documente Cultură
Palabras Claves: Congestin Vehicular, Redes Neuronales Artificiales, Intensidad Vehicular, Velocidad de Vehculos, Maniobras de
Conductores, Av. Javier Prado, Anlisis de Sensibilidad.
1
anteriormente se puede expresar a travs de la siguiente lo que el aprendizaje matemticamente consiste en
expresin matemtica: minimizar la funcin del error medio cuadrtico:
+ = 1 1 + 2 2 + + +
() =
=| () |
Finalmente esta expresin es transformada mediante una
Con ello lo que se espera es que la respuesta de la red est
funcin de transferencia , la cual es opcional y se explica
lo ms cercana posible al valor esperado, es decir que E(x),
a mayor detalle en el captulo 5.2. La Figura 1 se presenta
encuentre un mnimo local. Con ello se puede decir que la
un diagrama en el cual se grafica la estructura de una RNA.
RNA ha sido entrenada.
() =
2
por la Municipalidad de San Borja a lo largo de la zona de
estudio.
3
Intensidad Vehicular
Variable 11
en Q2
Tabla 2. Combinaciones con su valor de correlacin
Geometra de la Va en
Variable 12
Q2
Nmero de capas: 2
8.3. ENTRENAMIENTO, VALIDACIN Y
Nmero de neuronas de capa 1: 3
VERIFICACIN DE LA RNA
Nmero de neuronas de capa 2 (salida): 1
El proceso de entrenamiento, validacin y verificacin de la
RNA se realiz a travs de software MATLAB, en el cual la Funcin de transferencia de capa 1: tansig
sintaxis de la RNA Backpropagation es como se muestra a
Funcin de transferencia de capa 2 (salida): purelin
continuacin:
Funcin de entrenamiento: trainlm
4
9.2. VALIDACIN DE LA RNA
Con esa configuracin se encontr un valor de correlacin BACKPROPAGATION
R=0.78297, tal como se muestra a continuacin: La validacin ha tomado un 25% de los datos ingresados y
se ha obtenido un valor de correlacin de R=0.0.64427
5
JOrtuzar, J. d., & G.Willumsen, L. (2008). MODELOS DE
TRANSPORTE. Espaa: Ediciones de la Universidad de
Catabria.
Pueblo, D. d. (2008). El Transporte Urbano en Lima Metropolitana:
Un desafio en defensa de la vida. Lima.
Rdenas, R. G. (2001). Metodologia para el diseo de redes de
transporte y para la elaboracion de algoritmos en
programacion matematica convexa diferenciable.
Espaa.
En la Figurase aprecia que la red aprende mejor el S., A. N., C., H., & Pedraza. (2011). Redes Neuronales y prediccion
comportamiento de 15 pm a 21 pm del da registrado. de trafico. Bogota, Colombia.
Mientras que para el resto del da se tiene un buen S., O. P. (2012). Los retos del desarrollo de infraestructura de
estimado de la velocidad. transporte urbano en Lima Metropolitana a traves de
asociaciones publico-privadas. Lima.
10. CONCLUSIONES Y RECOMENDACIONES S.A, S. (n.d.). Soluciones inteligentes para el trafico de hoy y del
maana. Siemens Traffic Solutions, 14.
Se ha determinado un modelo basado en redes neuronales de Pedro C. Espinoza. Introduccin a las Redes Neuronales Artificiales
aprendizaje supervisado con un factor de correlacin total de Seccin de Postgrado de la Facultad de Ingeniera
0.78 que puede predecir el comportamiento del trfico a partir Industrial y de Sistemas.
de variables como la geometra de la va, intensidad vehicular
en la va en el inicio de tramo como fin de tramo, intensidad
vehicular en las entradas a la va y salida de la misma, nmero
de carriles de la va, maniobras de conductores.
11. BIBLIOGRAFIA
Bravo, M., Briceo, L., Cominetti, R., Cortes, C. E., & Martinez, F.
(2009). An integrated behavioral model of the land-use
and transport systems with work congestion and location
externalities. Transportation Research Part B, 13.
Henry, J., Laurens, B., & Livertalis, B. (1972). Study of the traffic
Flow Control on the Paris A6-B6-C6 Freeway Complex.
Automatica vol.8, 609-620.