Diseño y mejora de un predictor de tráfico basado en GNN
En este trabajo se realiza un estudio sobre el efecto de las formas de construcción de grafos y los efectos de las diferentes características disponibles. La previsión de tráfico es un problema cada vez más importante para la gestión y ordenación de las grandes ciudades. Durante los últimos cincuent...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/21383 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/21383 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.17 Informática Tráfico Madrid Aprendizaje profundo GNN Grafo python pytorch DGL Traffic Deep Learning Graph |
| Sumario: | En este trabajo se realiza un estudio sobre el efecto de las formas de construcción de grafos y los efectos de las diferentes características disponibles. La previsión de tráfico es un problema cada vez más importante para la gestión y ordenación de las grandes ciudades. Durante los últimos cincuenta años han ido evolucionando los métodos y las técnicas utilizadas para la tarea de realizar previsiones de tráfico. Desde las primera técnicas puramente estadísticas hasta las actuales basadas en el aprendizaje profundo se ha recorrido un largo camino. Las Graph Neural Networks son la última técnica de moda que se ha aplicado a este problema, siendo un campo que está en rápido y continuo desarrollo. Siendo uno de los principales campos de expansión dentro del aprendizaje profundo. En este trabajo hemos realizado un estudio que ha estudiado el efecto de la forma de construcción de los grafos necesarios y la influencia de las diversas características adicionales al tráfico que se pueden añadir a los nodos. Presentando un conjunto de ellas y comparando su influencia entre ellas. |
|---|