🤖 AI

Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

Este artículo propone FLO-EMD, un marco híbrido que integra la atención guiada por movimiento con la Descomposición Modal Empírica para capturar conjuntamente el contexto espacial y las dinámicas temporales no estacionarias, logrando una precisión del 97,5 % en la clasificación de niveles de congestión de tráfico en diversos entornos de vigilancia.

Autores originales: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Publicado 2026-05-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de averiguar qué tan malo es el tráfico solo mirando una transmisión de video de una cámara de autopista. Tienes dos formas principales de hacerlo, pero ambas tienen un defecto:

El enfoque de "foto estática": Miras la imagen y cuentas los coches. ¿El problema? Una foto de un estacionamiento lleno se ve igual que una foto de un embotellamiento, aunque uno esté detenido y el otro se mueva lentamente. Podrías ser engañado por el escenario estático (como la pintura de la carretera o las barreras de seguridad) en lugar de los coches reales.
El enfoque de "onda sonora": Escuchas el tráfico como un ingeniero de sonido, analizando el ritmo de los coches que pasan por un punto específico. ¿El problema? No puedes ver dónde está ocurriendo el embotellamiento en la pantalla. Sabes que hay un problema, pero no sabes si está en el carril izquierdo o en el derecho.

Este artículo presenta un nuevo sistema llamado FLO-EMD que actúa como un detective de tráfico superinteligente que combina lo mejor de ambos mundos. Así es como funciona, usando analogías simples:

1. El "detective de movimiento" (Flujo óptico)

En lugar de solo mirar los colores de los coches (RGB), el sistema primero mira cómo se mueven las cosas. Crea un "mapa de viento" invisible (llamado flujo óptico) que muestra la dirección y la velocidad de cada píxel en el video.

La analogía: Imagina observar un río. Una cámara normal ve las rocas y el color del agua. El "detective de movimiento" ignora las rocas y solo mira las corrientes que giran. Esto ayuda al sistema a ignorar cosas estáticas como señales de tráfico o sombras que no se mueven, centrándose solo en los coches que realmente importan.

2. El "filtro de enfoque" (Atención guiada por flujo)

Una vez que el sistema sabe dónde está el movimiento, usa esa información para decirle a sus "ojos" dónde mirar.

La analogía: Piensa en un foco en un escenario. Por lo general, un foco podría brillar en la parte más colorida del escenario (como una cortina roja brillante). Pero este sistema usa al "detective de movimiento" para mover el foco. Si los coches se mueven en el carril izquierdo, el foco se mueve allí. Si el carril derecho está vacío, el foco se atenúa. Esto evita que el sistema se distraiga con el ruido de fondo estático.

3. El "analizador de ritmo" (Descomposición modal empírica)

El tráfico no es constante; se detiene, arranca y oscila. Las computadoras estándar a menudo intentan ajustar el tráfico a una caja rígida y predecible (como un metrónomo). Este sistema utiliza una técnica llamada Descomposición Modal Empírica (EMD) para descomponer el ritmo del tráfico en sus partes naturales y desordenadas.

La analogía: Imagina a un músico tocando un solo de jazz complejo. Un grabador estándar podría intentar forzar ese solo en un compás simple de 4/4. La EMD es como un productor musical genio que escucha el solo y lo descompone en sus capas únicas: los golpes rápidos de la batería, la línea de bajo lenta y las pausas repentinas. Esto permite que el sistema entienda la verdadera naturaleza del flujo de tráfico, incluso si es caótico o cambia repentinamente.

4. El "veredicto final"

El sistema toma el "filtro de enfoque" (lo que ve) y el "analizador de ritmo" (cómo se mueve el tráfico con el tiempo) y los combina.

El resultado: Puede distinguir entre Ligero (coches circulando libremente), Medio (coches frenando pero moviéndose) y Pesado (coches detenidos o arrastrándose) con una precisión del 97.5%.

¿Por qué es esto importante?

Funciona bajo la lluvia y la niebla: Como se centra en los patrones de movimiento en lugar de solo en imágenes claras, no se confunde tan fácilmente cuando el clima es malo.
Utiliza cámaras existentes: No necesitas instalar nuevos sensores en la carretera. Puede usar las cámaras de CCTV que las ciudades ya tienen.
Es honesto sobre lo que ve: El sistema puede mostrarte un "mapa de calor" de exactamente qué parte de la carretera está mirando, demostrando que no está adivinando solo basándose en el fondo.

La conclusión

Los autores probaron esto en más de 1.000 clips de video de autopistas en EE. UU., que abarcan días soleados, noches lluviosas y condiciones nevadas. Superó a todos los otros métodos existentes (como los modelos estándar de video con IA) porque no solo "miró" el tráfico; "sintió" el movimiento y entendió el ritmo del embotellamiento.

Lo que NO es:
El artículo no afirma que este sistema pueda predecir futuros embotellamientos antes de que ocurran, ni afirma que pueda solucionar el tráfico. Es estrictamente una herramienta para clasificar (etiquetar) lo que está sucediendo ahora mismo en la transmisión de video. También señala que, aunque funciona muy bien en autopistas, aún no ha sido probado completamente en intersecciones urbanas complejas con coches girando en todas direcciones.

Resumen Técnico: Marco Híbrido de Clasificación de Congestión FLO-EMD

Planteamiento del Problema
La clasificación precisa de la congestión de tráfico requiere modelos que capturen simultáneamente el contexto de la escena vial y el movimiento no estacionario del tráfico. Los enfoques existentes suelen tratar estos requisitos de forma aislada. Los métodos basados en visión a menudo dependen de indicios de apariencia y agrupación temporal estándar, lo que puede sesgar las predicciones hacia la infraestructura estática en lugar de los estados dinámicos del tráfico. Por el contrario, los enfoques basados en señales (por ejemplo, utilizando detectores de bucle) caracterizan bien las dinámicas temporales pero carecen del contexto espacial necesario para la localización a nivel de escena. Además, los modelos basados en visión sufren frecuentemente de mecanismos de atención que se desvían hacia elementos estáticos de alto contraste (por ejemplo, marcas de carril, sombras) en lugar de regiones relevantes para el movimiento, y a menudo no logran descomponer explícitamente patrones de movimiento no estacionario como las oscilaciones de parada y arranque.

Metodología: El Marco FLO-EMD
El artículo propone FLO-EMD, un marco híbrido que acopla la atención guiada por movimiento con una descomposición temporal empírica y basada en datos. La arquitectura procesa fragmentos de video de tráfico a través de espaldas (backbones) paralelas de RGB y flujo óptico denso, integrándolos mediante un diseño de doble flujo.

Extracción de Flujo Óptico y Caracterización del Movimiento:
- Se estima el flujo óptico denso entre cuadros consecutivos utilizando el algoritmo de Farneback.
- En lugar de alimentar campos de flujo crudos directamente a una red profunda para el modelado temporal, el sistema agrega estadísticas de flujo en descriptores de movimiento compactos a nivel de cuadro. Estos incluyen la media espacial y la desviación estándar de la magnitud del flujo ( $\mu_M, \sigma_M$ ) y de la dirección del flujo ( $\mu_D, \sigma_D$ ).
- Estos descriptores forman "trazas de movimiento" de series temporales que representan la dinámica de congestión a nivel de escena.
Espalda de Doble Flujo y Atención Guiada por Flujo:
- El marco emplea dos codificadores convolucionales paralelos: uno para cuadros RGB y otro para campos de flujo óptico. Ambos producen mapas de características alineados espacialmente y por canal.
- Un Mecanismo de Atención Guiada por Flujo (un bloque CBAM mejorado) utiliza las características del flujo óptico para refinar las características RGB.
  - Atención de Canal: Calculada a partir de descriptores agrupados de las características tanto RGB como de flujo para enfatizar los canales de características relevantes para el movimiento.
  - Atención Espacial: Incorpora un mapa de magnitud de flujo redimensionado junto con estadísticas RGB para reponderar regiones espaciales, asegurando que el modelo se centre en áreas activas del tráfico en lugar de infraestructura estática.
Descomposición Modal Empírica (EMD) para Análisis Temporal:
- Las trazas de movimiento compactas (los cuatro descriptores estadísticos a lo largo del tiempo) se descomponen utilizando Descomposición Modal Empírica (EMD).
- La EMD descompone adaptativamente la serie temporal no estacionaria en Funciones de Modo Intrínseco (IMF) sin suposiciones de frecuencia fija.
- El artículo retiene $N=4$ IMFs por descriptor. Cada IMF se resume mediante su media y desviación estándar temporales, creando una incrustación de dimensión fija (32 características escalares por fragmento) que captura dinámicas temporales multiescala.
Fusión de Características y Clasificación:
- Las representaciones espacio-temporales aprendidas (de los flujos RGB y de flujo procesados por BiLSTM y agrupación basada en atención) se fusionan con la incrustación de movimiento derivada de la EMD.
- Un Perceptrón Multicapa (MLP) final clasifica el vector fusionado en tres estados de congestión: Ligera, Media y Pesada.
- El entrenamiento utiliza pérdida de entropía cruzada con suavizado de etiquetas para mejorar la generalización.

Contribuciones Clave

Aplicación de la EMD al Flujo Óptico: El estudio introduce la aplicación de la Descomposición Modal Empírica a series temporales de flujo óptico. Esto permite la descomposición adaptativa del movimiento de tráfico no estacionario en funciones de modo intrínseco, caracterizando dinámicas temporales multiescala críticas para distinguir niveles de congestión, ofreciendo una alternativa robusta al análisis temporal de ventana fija.
Marco Híbrido Señal-Visión: El artículo presenta una arquitectura unificada que combina sinérgicamente el procesamiento de señales clásico (EMD) con el aprendizaje profundo moderno (codificadores duales y atención). Esta integración une el análisis espacial de video y el reconocimiento de patrones temporales, abordando las limitaciones de los enfoques puramente basados en visión o puramente basados en sensores.

Resultados Experimentales
El marco se evaluó en un conjunto de datos de 1.050 fragmentos de cinco segundos procedentes de cuatro redes de vigilancia (Seattle I-5, AI-City Challenge 2021, Tennessee TDOT y NYC 511NY), que cubren diversas condiciones incluyendo escenarios despejados, lluviosos, nevados, con niebla y nocturnos.

Rendimiento: FLO-EMD logró una precisión de prueba general del 97,5% con una puntuación F1 ponderada de 0,9742, superando a líneas base establecidas que incluyen modelos basados en Transformers (TimeSformer, Video Swin Transformer), modelos basados en CNN (X3D, TANet) y pipelines híbridos (TSM, YOLO+LSTM).
Robustez: El modelo demostró un rendimiento consistente en diversas condiciones ambientales, con la precisión más baja observada en condiciones de lluvia (93,50%) y la más alta en días despejados (98,50%).
Estudios de Ablación:
- Eliminar la atención guiada por flujo resultó en una caída significativa del rendimiento y un aumento del sobreajuste, confirmando la necesidad de un refinamiento de características condicionado al movimiento.
- Eliminar la rama de EMD redujo la precisión, validando el valor de la descomposición temporal adaptativa.
- El análisis de sensibilidad indicó que retener 4 IMFs proporcionaba el equilibrio óptimo entre capturar comportamientos temporales distintos y evitar el sobreajuste a fluctuaciones de corta duración.
Interpretabilidad: Las visualizaciones de atención mostraron que el mecanismo guiado por flujo se centró exitosamente en regiones activas del tráfico (por ejemplo, colas de vehículos) en lugar de elementos de fondo estáticos, aunque ocasionalmente se asignó cierta atención a los arcenes debido a artefactos de flujo.

Significado y Afirmaciones
El artículo afirma que FLO-EMD proporciona una solución unificada que vincula la evidencia de movimiento con la selección de características espaciales mientras preserva la caracterización temporal adaptativa a los datos. Al aprovechar la infraestructura existente de CCTV, el método permite a las agencias de transporte ampliar la cobertura de monitoreo sin instalar sensores adicionales en la carretera. Los autores afirman que la naturaleza explícitamente impulsada por el movimiento del marco respalda una operación confiable bajo condiciones climáticas adversas y de poca luz, lo que lo hace adecuado para el monitoreo rutinario de corredores y el apoyo a la toma de decisiones operativas en tiempo real dentro de los sistemas de transporte inteligentes. El estudio concluye que combinar el análisis espacial condicionado al movimiento con la descomposición temporal adaptativa es una dirección efectiva para la clasificación confiable de la congestión, aunque reconoce limitaciones en cuanto a la generalización a intersecciones urbanas complejas y la posibilidad de que la atención se vea influenciada por artefactos de borde.