Propuesta de un modelo para la predicción de ruido por tráfico rodado a partir de aprendizaje automático que ofrezca información potencialmente útil en los procesos de gestión ambiental del ruido en entornos urbanos de Bogotá

En la presente investigación se propuso un modelo basado en aprendizaje automático para la predicción de ruido por tráfico rodado en Bogotá. En su planteamiento, se consideran condiciones propias del tránsito vehicular de la ciudad. Las variables de entrada del modelo fueron: aforos vehiculares, rapidez, tipo de flujo y número de carriles. La obtención de los datos de entrada se realizó a través de campañas de medición en las cuales se tomaron grabaciones de audio y video. Las capturas de audio, efectuadas con un micrófono de medición calibrado a 4 metros de altura, permitieron calcular los niveles de ruido mediante el procesamiento por software. Por otro lado, con los datos de video se organizó el conteo y la clasificación del aforo vehicular en cuatro categorías: motos, vehículos livianos, medianos y pesados. El mencionado proceso se llevó a cabo empleando un clasificador entrenado con imágenes de vehículos tomados en campo y de bases de datos libres. Asimismo, con los datos de video se estimó la rapidez vehicular con un algoritmo de procesamiento basado en clasificador de imágenes. Luego, se analizaron las mediciones para unos puntos de medición caracterizando la emisión de ruido de las categorías vehiculares, las vías arterias e intermedias, las situaciones de tránsito y los pavimentos. Posteriormente, con el análisis exploratorio de los datos se encontraron las correlaciones y se hizo un estudio de regresión entre el nivel de ruido y las variables predictoras. Asimismo, con el objetivo de establecer el algoritmo de aprendizaje automático a usar, se compararon cinco modelos que fueron configurados con sus respectivos hiperparámetros, logrados a través de búsqueda de malla. Los resultados determinaron que la regresión basada en perceptrón multicapa (MLP) presentó el mejor ajuste, con un MAE de 0,86 dB para los datos de prueba. Finalmente, el regresor MLP propuesto fue comparado con algunos modelos estadísticos clásicos utilizados para la predicción de ruido por tráfico rodado. Como conclusión principal se destaca que el regresor MLP obtuvo los mejores indicadores de error y ajuste con respecto a los modelos estadísticos.

• Autores: Acosta Agudelo, Óscar Esneider
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2024
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/42510
• Acceso en línea: http://hdl.handle.net/11349/42510
• Palabra clave: Ruido; Trafico; Rodado; Aprendizaje; Automatico; Regresión; Redes; Neuronales; Artificiales; Doctorado en Ingeniería -- Tesis y disertaciones académicas; Predicción de ruido por tráfico rodado; Aprendizaje automático en gestión ambiental; Modelos de regresión para predicción de ruido; Noise; Road traffic; Machine learning; Regression; Artificial Neural Networks; Learning; Networks
• License: Abierto (Texto Completo)