Atcnet: un enfoque novedoso para predecir la visibilidad de carreteras utilizando redes de transformadores de cápsulas mejoradas con atención
Autores: Li, Wen; Yang, Xuekun; Yuan, Guowu; Xu, Dan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Atcnet: un enfoque novedoso para predecir la visibilidad de carreteras utilizando redes de transformadores de cápsulas mejoradas con atención
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Desastres meteorológicos
Predicción de visibilidad en carreteras
Modelo ATCNet
Transformer
Redes Capsule
Mecanismos de autoatención
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 55
Citaciones: Sin citaciones
Los desastres meteorológicos en las carreteras pueden reducir significativamente la eficiencia del tráfico. La baja visibilidad causada por la densa niebla es un desastre meteorológico grave que aumenta considerablemente la incidencia de accidentes de tráfico en las carreteras. Predecir con precisión la visibilidad en las carreteras y tomar contramedidas oportunas puede mitigar el impacto de los desastres meteorológicos y mejorar la seguridad del tráfico. Este documento presenta el modelo ATCNet para la predicción de la visibilidad en las carreteras. En ATCNet, integramos Transformer, Capsule Networks (CapsNet) y mecanismos de autoatención para aprovechar sus respectivas fortalezas complementarias. El componente Transformer captura eficazmente las características temporales de los datos, mientras que la Capsule Network decodifica eficientemente las correlaciones espaciales y las estructuras jerárquicas entre los elementos meteorológicos multidimensionales. El mecanismo de autoatención, como paso final de refinamiento de decisiones, garantiza que toda la información jerárquica temporal y espacial clave sea plenamente considerada, mejorando significativamente la precisión y confiabilidad de las predicciones. Este enfoque integrado es crucial para comprender las tareas de predicción de visibilidad en carreteras influenciadas por variaciones temporales y complejidades espaciales. Además, este estudio proporciona un conjunto de datos de acceso público auto recopilado, WD13VIS, para la investigación meteorológica relacionada con el tráfico en carreteras de alta montaña. Este estudio evalúa el rendimiento del modelo en términos de Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE). Los resultados experimentales muestran que nuestro ATCNet reduce el MSE y el MAE en un 1.21% y un 3.7% en el conjunto de datos WD13VIS en comparación con la última arquitectura de modelo de predicción de series temporales. En el conjunto de datos comparativo WDVigoVis, nuestro ATCNet reduce el MSE y el MAE en un 2.05% y un 5.4%, respectivamente. Las predicciones de nuestro modelo son precisas y efectivas, y nuestro modelo muestra un progreso significativo en comparación con modelos competidores, demostrando una fuerte universalidad. Este modelo se ha integrado en sistemas prácticos y ha logrado resultados positivos.
Descripción
Los desastres meteorológicos en las carreteras pueden reducir significativamente la eficiencia del tráfico. La baja visibilidad causada por la densa niebla es un desastre meteorológico grave que aumenta considerablemente la incidencia de accidentes de tráfico en las carreteras. Predecir con precisión la visibilidad en las carreteras y tomar contramedidas oportunas puede mitigar el impacto de los desastres meteorológicos y mejorar la seguridad del tráfico. Este documento presenta el modelo ATCNet para la predicción de la visibilidad en las carreteras. En ATCNet, integramos Transformer, Capsule Networks (CapsNet) y mecanismos de autoatención para aprovechar sus respectivas fortalezas complementarias. El componente Transformer captura eficazmente las características temporales de los datos, mientras que la Capsule Network decodifica eficientemente las correlaciones espaciales y las estructuras jerárquicas entre los elementos meteorológicos multidimensionales. El mecanismo de autoatención, como paso final de refinamiento de decisiones, garantiza que toda la información jerárquica temporal y espacial clave sea plenamente considerada, mejorando significativamente la precisión y confiabilidad de las predicciones. Este enfoque integrado es crucial para comprender las tareas de predicción de visibilidad en carreteras influenciadas por variaciones temporales y complejidades espaciales. Además, este estudio proporciona un conjunto de datos de acceso público auto recopilado, WD13VIS, para la investigación meteorológica relacionada con el tráfico en carreteras de alta montaña. Este estudio evalúa el rendimiento del modelo en términos de Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE). Los resultados experimentales muestran que nuestro ATCNet reduce el MSE y el MAE en un 1.21% y un 3.7% en el conjunto de datos WD13VIS en comparación con la última arquitectura de modelo de predicción de series temporales. En el conjunto de datos comparativo WDVigoVis, nuestro ATCNet reduce el MSE y el MAE en un 2.05% y un 5.4%, respectivamente. Las predicciones de nuestro modelo son precisas y efectivas, y nuestro modelo muestra un progreso significativo en comparación con modelos competidores, demostrando una fuerte universalidad. Este modelo se ha integrado en sistemas prácticos y ha logrado resultados positivos.