Predicción del Flujo de Transporte de Carga en la Ciudad mediante Deep Learning
A medida que la población urbana crece, la demanda por bienes y servicios incrementa considerablemente. Esto se traduce en un incremento en la competencia por recursos escasos (como áreas de parqueo o las mismas vías) y en la complejidad de las rutas a tomar para satisfacer a los clientes. Recientemente, el uso de datos de telemetría, como GPS de vehículos, y sensores en posiciones estratégicos (induction loops) permite realizar un análisis de alta resolución (tanto espacial como temporal).
Este proyecto se enfocó en utilizar datos GPS de camiones de carga para elaborar una predicción del flujo de vehículos en el tiempo. Utilizando adaptive structural learning (AdaNet) se puede construir una red neuronal adaptativa. Esto significa que, en función de las entradas y salidas, se construye la red neuronal más simple posible con el mejor desempeño (una ilustración de esto se ve en el siguiente GIF).
Utilizando este algoritmo, y filtrando los datos a las zonas críticas para la logística identificadas en este estudio, se realizó un conjunto de predicciones para una flota de camiones en diferentes intervalos de tiempo (a 5, 10 o 15 minutos en el futuro).