Hybrid AI Model Predicts City Traffic Three Days Ahead

Un estudio publicado en Neural Computing and Applications propone una arquitectura híbrida para predecir el tráfico urbano hasta 72 horas con un modelo que combina redes neuronales convolucionales (CNN) y bidirectional long short-term memory (BiLSTM). El trabajo, realizado por Mohamed Abd Elkader Hussien y Mohamed AboRizka en la Arab Academy for Science, Technology and Maritime Transport en El Cairo, aprovecha datos de sensores de Internet de las Cosas en redes viales para generar pronósticos más estables a lo largo de días, en lugar de minutos. El artículo explica que los modelos convencionales suelen fallar a horizontes largos porque los errores se acumulan. La CNN extrae patrones espaciales y la BiLSTM aprende dependencias temporales usando la secuencia en ambos sentidos, capturando ciclos diarios, semanales y estacionales.