Estimación de volúmenes de tráfico en vías no monitorizadas

Abstract

Este proyecto consiste en el desarrollo de un sistema capaz de estimar el volumen de tráfico en vías urbanas que no disponen de sensores de monitoreo, empleando técnicas de Inteligencia Artificial aplicadas sobre grafos. Para ello se han aplicado y comparado diferentes modelos de aprendizaje, incluyendo arquitecturas avanzadas de redes neuronales gráficas como GraphSAGE y GIN, así como un método de postprocesado denominado Correct & Smooth (C&S), utilizando como caso de estudio la red viaria real de la ciudad de Barcelona. El enfoque más eficaz resultó ser la combinación de un modelo de red neuronal simple (MLP) con el postprocesado C&S, con el que se logró reducir el error absoluto medio de estimación hasta en un 60 % frente a métodos de referencia. Estos resultados demuestran la viabilidad de predecir el tráfico en calles no monitorizadas mediante modelos de IA, lo que permitiría optimizar la gestión de la movilidad urbana ahorrando costos en la instalación de sensores adicionales.

This project involves the development of a system capable of estimating traffic volume on urban roads that lack monitoring sensors, using Artificial Intelligence techniques applied to graphs. To achieve this, different learning models have been applied and compared, including advanced graph neural network architectures such as GraphSAGE and GIN, as well as a post-processing method called Correct & Smooth (C&S), using the real road network of the city of Barcelona as a case study. The most effective approach turned out to be the combination of a simple neural network model (MLP) with the C&S post-processing method, which achieved a reduction of up to 60% in the mean absolute error compared to baseline methods. These results demonstrate the feasibility of predicting traffic on unmonitored streets using AI models, which could help optimize urban mobility management while reducing the cost of installing additional sensors.