Predicción de saturación vehicular en intersecciones críticas de Sincelejo mediante aprendizaje híbrido y explicabilidad local
Fuente:
Zenodo
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Recurso digital |
| Publicado: |
Zenodo
2025
|
| Materias: | |
| Acceso en línea: | |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1866901931150016512 |
|---|---|
| author | Sierra, Javier E. Medina, Boris Sierra, Maria Fernanda |
| author_facet | Sierra, Javier E. Medina, Boris Sierra, Maria Fernanda |
| contents | <p><span lang="ES">Este artículo desarrolla una variante metodológica para el estudio del tráfico urbano en Sincelejo orientada a la predicción de saturación vehicular en intersecciones críticas. La propuesta se distancia de los enfoques centrados exclusivamente en grandes redes de sensores y modelos de grafo a gran escala, y plantea en su lugar una arquitectura híbrida apropiada para ciudades intermedias con instrumentación limitada. El esquema combina una red convolucional temporal (TCN), capaz de capturar ritmos de corto plazo, con un modelo XGBoost que incorpora variables contextuales como clima, calendario, estado semafórico y eventos locales. Sobre esa base se estima el índice de saturación futura a horizontes de 15, 30 y 60 minutos y se añade una capa de explicabilidad local para traducir la predicción en recomendaciones operativas. El trabajo integra formulación matemática, diseño experimental y resultados ilustrativos construidos para mostrar cómo debería evaluarse un sistema de este tipo en una ciudad como Sincelejo. Los resultados metodológicos sugieren que la combinación de memoria temporal, variables exógenas e interpretabilidad ofrece una ruta viable para apoyar la gestión semafórica, la priorización de corredores y la emisión de alertas tempranas de congestión.</span></p> |
| format | Recurso digital |
| id | zenodo_https___doi_org_10_5281_zenodo_19005390 |
| institution | Zenodo |
| language | |
| publishDate | 2025 |
| publisher | Zenodo |
| record_format | zenodo |
| spellingShingle | Predicción de saturación vehicular en intersecciones críticas de Sincelejo mediante aprendizaje híbrido y explicabilidad local Sierra, Javier E. Medina, Boris Sierra, Maria Fernanda tráfico urbano intersecciones críticas inteligencia artificial <p><span lang="ES">Este artículo desarrolla una variante metodológica para el estudio del tráfico urbano en Sincelejo orientada a la predicción de saturación vehicular en intersecciones críticas. La propuesta se distancia de los enfoques centrados exclusivamente en grandes redes de sensores y modelos de grafo a gran escala, y plantea en su lugar una arquitectura híbrida apropiada para ciudades intermedias con instrumentación limitada. El esquema combina una red convolucional temporal (TCN), capaz de capturar ritmos de corto plazo, con un modelo XGBoost que incorpora variables contextuales como clima, calendario, estado semafórico y eventos locales. Sobre esa base se estima el índice de saturación futura a horizontes de 15, 30 y 60 minutos y se añade una capa de explicabilidad local para traducir la predicción en recomendaciones operativas. El trabajo integra formulación matemática, diseño experimental y resultados ilustrativos construidos para mostrar cómo debería evaluarse un sistema de este tipo en una ciudad como Sincelejo. Los resultados metodológicos sugieren que la combinación de memoria temporal, variables exógenas e interpretabilidad ofrece una ruta viable para apoyar la gestión semafórica, la priorización de corredores y la emisión de alertas tempranas de congestión.</span></p> |
| title | Predicción de saturación vehicular en intersecciones críticas de Sincelejo mediante aprendizaje híbrido y explicabilidad local |
| topic | tráfico urbano intersecciones críticas inteligencia artificial |
| url | https://doi.org/10.5281/zenodo.19005390 |