detección automática de incidentes (dai)

Una importante función que el software ITS puede proveer para las Operaciones de Redes de Carreteras es la capacidad de detectar incidentes y condiciones anormales a través de un análisis automático de los datos de supervisión del tránsito en tiempo real. El desarrollo de los algoritmos de Detección Automática de Incidentes (Automatic Incident Detection (AID)) comenzó en los años 1970, y desde ese tiempo muchos algoritmos se han desarrollado. Ellos han tenido un éxito desigual, primeramente debido a su relativamente alta tasa de falsas alarma (medida como una relación entre el número de detecciones falsas y el número total de observaciones).

Tipos de algoritmos dai

Los algoritmos AID puede ser ampliamente divididos en cuatro grupos basados en el principio de operación del algoritmo. Estos grupos son:

• Algoritmos de Reconocimiento o del tipo comparativo de Patrones;
• Algoritmos de la Teoría de Catástrofes;
• Algoritmos basados en Estadísticas;
• Algoritmos basados en Inteligencia Artificial.

algoritmos de reconocimiento o del tipo comparativo de patrones 

Estos son los algoritmos AID comúnmente más usados. Ellos están basados en la premisa de que la ocurrencia de un incidente ocasiona un incremento en la densidad del tránsito aguas arriba y un decrecimiento en la densidad del tránsito aguas abajo. El Algoritmo California es uno de los primeros algoritmos AID del tipo comparativo que fueron desarrollados – y es, frecuentemente, usado para comparaciones y benchmarking. Desde que el se desarroll+o el primer algoritmo original California, se han realizado ajustes para su performance. Al menos 10 nuevos algoritmos han sido producidos, de los cuales el 7 y el 8 son los más exitosos. El algoritmo TSC 7 representa un intento para reducir la tasa de falsa alarma del algoritmo original. El algoritmo TSC 8 prueba repetidamente los efectos de la congestión aguas arriba de un probable incidente y monitorea otras características del tránsito. 

algoritmos de la teoría de catástrofes

La Teoría de la Catástrofe deriva su nombre de los cambios repentinos que tienen lugar en una variable que está siendo monitoreada  – mientras que variables relacionadas, que también estpan siendo monitoreadas, muestran cambios suaves y continuos. Para la detección de incidentes, los algoritmos de la teoría de la catástrofe monitorean las variables fundamentales del flujo vehicular – velocidad, flujo y ocupación del carril (densidad). Cuando el algoritmo detecta una drástica caída en la velocidad, sin una inmediata cambio correspondiente en la ocupación y en el flujo, ésto es un indicador de que un incidente ha probablemente ocurrido. El algoritmo McMaster desarrollado en la Universidad de McMaster en Cánada es un buen ejemplo de un algoritmo basado en este concepto.

algoritmos basados en estadísticas

Métodos estadísticos o de serires de tiempos son utilizados para pronosticar estados o condiciones futuras de tránsito. A través de las comparación de datos de tránsito observados en tiempo real con datos pronósticos, los cambios inesperados son clasificados como incidentes. Un ejemplo de este tipo de algoritmos, es el algoritmo de series de tiempos, llamado Auto-Regressive Integrated Moving-Average (ARIMA). ARIMA es utilizado para proveer pronósticos de ocupaciones de tránsito a corto plazo basados en datos observados de tres intervalos de tiempo previos. El algoritmo también calcula con el intervalo de confiabilidad de 95%. Si las observaciones fallan fuera del rango del 95% como predice el modelo, se asume que ha ocurrido un incidente. 

algoritmos basados en inteligencia Artificial 

Varios conceptos de Inteligencia Artificial (AI) han sido aplicados a problemas en la ingeniería y en la planificación del transporte. La detección automática de incidentes es una aplicación. La detección de incidentes es un buen ejemplo de un grupo de problemas conocidos como problemas de clasificación o de reconocimiento de patrones -  para los cuales las teorías son bastante efectivas para encontrar una solución. Entre los conceptos más aplicados al problema de la detección de incidentes está el llamado Artificial Neural Networks (ANNs). Este usa algoritmos complejos y múltiples procesadores computarizados para reconocer patrones y conexiones en los datos de entrada.