Implementación de una red neuronal para el control del tráfico en un cruce de vías.

Abstract

[ES] Debido al aumento de la población en las ciudades, el tráfico de vehículos está creciendo continuamente. Los planes de movilidad urbanísticos de hace décadas no contemplaban este crecimiento de la población y de vehículos. Por ello, la circulación en estas ciudades es cada vez más complicada e irritante. El presente trabajo se enfoca en el desarrollo e implementación de una red neuronal orientada a la optimización de los tiempos de espera en un cruce de vías regulado por semáforos. Este proyecto, que utiliza la programación en Python como herramienta principal, se centra en la predicción de los flujos de tráfico en cada una de las entradas de la intersección. En este trabajo se plantean y analizan diversos modelos de redes neuronales con el fin de determinar cuál resulta más eficaz para resolver este problema de predicción de la intensidad del tráfico. Las redes neuronales se han entrenado con los datos recopilados a lo largo de un año, que se han obtenido de unas espiras electromagnéticas ubicadas en cada una de las entradas del cruce. La implementación de esta red neuronal tendrá un impacto positivo en la vida de todos los usuarios de la vía pública ya que nos permitirá reducir las emisiones contaminantes generadas por los atascos y mejorar la eficiencia del tráfico.

[EN] Due to the increase in population in cities, vehicle traffic is continuously growing. Urban mobility plans from decades ago did not anticipate this population and vehicle growth. Consequently, traffic circulation in these cities is becoming increasingly complicated and frustrating. This work focuses on the development and implementation of a neural network aimed at optimizing waiting times at a traffic light-controlled intersection. This project, which uses Python programming as the main tool, focuses on predicting traffic flows at each of the intersection's entries. Various neural network models are proposed and analyzed in this work to determine which one is most effective in solving this traffic intensity prediction problem. The neural networks have been trained with data collected over a year, obtained from electromagnetic loops located at each entry of the intersection. The implementation of this neural network will have a positive impact on the lives of all road users as it will allow us to reduce pollutant emissions generated by traffic jams and improve traffic efficiency.