III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

*E-mail juherrera@ug.uchile.cl Graph Based Traffic Forecasting on Santiago's Road Networh from GPS Data 1 Departamento de Ciencias de la Computación, Universidad de Chile Juan Pablo Herrera 1 * Eduardo Graells Garrido 1 Hernán Sarmiento Albornoz 1 Resumen En las gro ndes ciudades. la gestión de tránsito es una tarea que requiere de riguroso monitoreo humano y toma de decisiones en tiempo real (por ejemplo. aumentar el tiempo de luz verde a ejes principales en hora punta). Con tal de agi- lizar lo anterior. se han estudiado diversas técnicas de aprendizaje automático para predecir el flujo vehicular en ciudades en EEUU y China. Debido a la falta de herramientas no propietarias de este tipo para Santiago, presentamos nuestra metodología para entrenar un modelo de aprendizaje profundo para predicción de tráfico en la ciudad. con datos de GPS de vehículos de la empresa Awto y datos geográficos de OpenStreetMap [lJ_ El primer conjunto de datos contiene ~123 mili. de pulsos con atributos de po- sición en el tiempo entre 2022 y 2023. mientras que el segundo contiene una representación de la red vial de Santiago, en forma de grafo. El modelo predic- tivo propuesto (Figura 1). utiliza redes neuronales de grafos espacio-temporales (STGNNs en inglés): una categoría de arquitecturas de redes neuronales que permite procesar series de tiempo de grafos y que. a diferencia de modelos an- teriores. incorpora íntegramente la estructura del grafo a analizar [2J_ Para ésto. las STGNN combinan una red neuronal de grafos con métodos de aprendizaje temporal (ej.Transformer) y han superado el rendimiento de otros modelos en diversos conjuntos de datos relevantes en la literatura [ 21 . Preliminarmente. se logró cruzar ambos conjuntos de datos mediante el algo- ritmo de mop-match,ng Lorgest Common Subsequence í3 1 . que permite localizar trazas de GPS dentro de componentes de un mapa con alta precisión. Posterior- mente. se calculó la velocidad promedio y se generó una serie de tiempo de flujo de grafos de la red vial de Santiago. Figura1: arquitectura del rrwdelo predictivo. 61 _ Refere1wías [I] Mordechai Haklay y PatrickWeber. 2008. Openstreetmap: User- generated street maps. IEEEPervasive Comput. 7, 4 (2008), 12-18. [2] Guangyin Jin, Yuxuan Liang, Yuchen Fang, Zezhi Shao, Jincai Huang, Junbo Zhang, y Yu Zheng. 2023. Spatio- temporal graph neural networks for predictive learning in urban computing: Asurvey. IEEE Trans. Knowl. Data Eng. 36, 10 (2023), 5388-5408. [3] Lei Zhu, Jacob R Holden, y JeffreyD Gonder. 2017. Trajectory segmentation map- matching approach for large-scale, high- resolution GPS data. Transp. Res. Rec. 2645, 1 (2017), 67-75- 02