Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá

ilustraciones, diagramas, fotografías, mapas

Autores:
Preciado Rojas, María Camila
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/86045
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/86045
https://repositorio.unal.edu.co/
Palabra clave:
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
380 - Comercio , comunicaciones, transporte::388 - Transporte
Aprendizaje profundo
Tráfico vial
Predicción de velocidad
Precipitaciones
Bogotá
Deep Learning
Traffic
Speed prediction
Precipitation
Bogota
Aprendizaje profundo
Modelo computacional
Tránsito vehicular
deep learning
computational model
traffic
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
id UNACIONAL2_0d61b176dd326d9aeee914ac8a457758
oai_identifier_str oai:repositorio.unal.edu.co:unal/86045
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
dc.title.translated.eng.fl_str_mv Design and evaluation of a computational model based on deep learning for traffic prediction in a road segment of the city of Bogota
title Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
spellingShingle Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
380 - Comercio , comunicaciones, transporte::388 - Transporte
Aprendizaje profundo
Tráfico vial
Predicción de velocidad
Precipitaciones
Bogotá
Deep Learning
Traffic
Speed prediction
Precipitation
Bogota
Aprendizaje profundo
Modelo computacional
Tránsito vehicular
deep learning
computational model
traffic
title_short Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
title_full Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
title_fullStr Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
title_full_unstemmed Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
title_sort Diseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de Bogotá
dc.creator.fl_str_mv Preciado Rojas, María Camila
dc.contributor.advisor.spa.fl_str_mv Pedraza Bonilla, Cesar Augusto
dc.contributor.author.spa.fl_str_mv Preciado Rojas, María Camila
dc.subject.ddc.spa.fl_str_mv 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
380 - Comercio , comunicaciones, transporte::388 - Transporte
topic 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
380 - Comercio , comunicaciones, transporte::388 - Transporte
Aprendizaje profundo
Tráfico vial
Predicción de velocidad
Precipitaciones
Bogotá
Deep Learning
Traffic
Speed prediction
Precipitation
Bogota
Aprendizaje profundo
Modelo computacional
Tránsito vehicular
deep learning
computational model
traffic
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
Tráfico vial
Predicción de velocidad
Precipitaciones
Bogotá
dc.subject.proposal.eng.fl_str_mv Deep Learning
Traffic
Speed prediction
Precipitation
Bogota
dc.subject.wikidata.spa.fl_str_mv Aprendizaje profundo
Modelo computacional
Tránsito vehicular
dc.subject.wikidata.eng.fl_str_mv deep learning
computational model
traffic
description ilustraciones, diagramas, fotografías, mapas
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-05-07T20:00:56Z
dc.date.available.none.fl_str_mv 2024-05-07T20:00:56Z
dc.date.issued.none.fl_str_mv 2024-05-07
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/86045
dc.identifier.instname.spa.fl_str_mv Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv https://repositorio.unal.edu.co/
url https://repositorio.unal.edu.co/handle/unal/86045
https://repositorio.unal.edu.co/
identifier_str_mv Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv INRIX, «Bogota’s Scorecard Report», Bogota - INRIX 2019 Traffic Scorecard Report. Accedido: 12 de junio de 2021. [En línea]. Disponible en: https://inrix.com/scorecard-city/?city=Bogota&index=1
A. Boukerche y J. Wang, «A performance modeling and analysis of a novel vehicular traffic flow prediction system using a hybrid machine learning- based model», Ad Hoc Networks, vol. 106, p. 102224, sep. 2020, doi: 10.1016/j.adhoc.2020.102224
P. Sun, N. Aljeri, y A. Boukerche, «Machine Learning-Based Models for Real-time Traffic Flow Prediction in Vehicular Networks», IEEE Netw, vol. 34, n.o 3, pp. 178-185, may 2020, doi: 10.1109/MNET.011.1900338
J. Guo, C. Song, y H. Wang, «A Multi-step Traffic Speed Forecasting Model Based on Graph Convolutional LSTM», en Proceedings - 2019 Chinese Automation Congress, CAC 2019, Institute of Electrical and Electronics Engineers Inc., nov. 2019, pp. 2466-2471. doi: 10.1109/CAC48633.2019.8997248
PIARC, «Medidas de Control del Tránsito | RNO/ITS - PIARC (Asociación Mundial de Carreteras)». Accedido: 12 de junio de 2021. [En línea]. Disponible en: https://rno-its.piarc.org/es/control-de-la-red-gestion-del- transito/medidas-de-control-del-transito
S. Kosolsombat y K. Saraubon, «A Review of the Prediction Method for Intelligent Transport System», en ISCIT 2018 - 18th International Symposium on Communication and Information Technology, Institute of Electrical and Electronics Engineers Inc., dic. 2018, pp. 237-240. doi: 10.1109/ISCIT.2018.8588015
M. S. Ahmed y A. R. Cook, «ANALYSIS OF FREEWAY TRAFFIC TIME- SERIES DATA BY USING BOX-JENKINS TECHNIQUES.», Transp Res Rec, n.o 722, pp. 1-9, 1979, Accedido: 3 de mayo de 2021. [En línea]. Disponible en: https://trid.trb.org/view/148123
A. Boukerche, Y. Tao, y P. Sun, «Artificial intelligence-based vehicular traffic flow prediction methods for supporting intelligent transportation systems», Computer Networks, vol. 182, p. 107484, dic. 2020, doi: 10.1016/j.comnet.2020.107484
L. N. N. Do, H. L. Vu, B. Q. Vo, Z. Liu, y D. Phung, «An effective spatial- temporal attention based neural network for traffic flow prediction», Transp Res Part C Emerg Technol, vol. 108, pp. 12-28, nov. 2019, doi: 10.1016/j.trc.2019.09.008
and Y. L. Y. Li, R. Yu, C. Shahabi, «Diffusion convolutional recurrent neural network: Data-driven traffic forecasting», ArXiv, [En línea]. Disponible en: https://arxiv.org/pdf/1707.01926.pdf
A. Z. Pan, Y. Liang, W. Wang, Y. Yu, Y. Zheng y J. Zhang, «Urban traffic prediction from spatiotemporal data using deep meta learning», Urban- Computing, [En línea]. Disponible en: http://urban- computing.com/pdf/kdd_2019_camera_ready_ST_MetaNet.pdf
X. Ma, Z. Dai, Z. He, J. Ma, Y. Wang, y Y. Wang, «Learning traffic as images: A deep convolutional neural network for large-scale transportation network speed prediction», Sensors (Switzerland), vol. 17, n.o 4, p. 818, abr. 2017, doi: 10.3390/s17040818
J. Z. Y. Liang, K. Ouyang, L. Jing, S. Ruan, Y. Liu y and Y. Z. D. S. Rosenblum, «“Urbanfm: Inferring fine-grained urban flows,” Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining», Urbanfm, [En línea]. Disponible en: http://urban- computing.com/pdf/yuxuanUrbanFMKDD2019.pdf
X. Ma, Z. Tao, Y. Wang, H. Yu, y Y. Wang, «Long short-term memory neural network for traffic speed prediction using remote microwave sensor data», Transp Res Part C Emerg Technol, vol. 54, pp. 187-197, may 2015, doi: 10.1016/j.trc.2015.03.014
X. Bao, D. Jiang, X. Yang, y H. Wang, «An improved deep belief network for traffic prediction considering weather factors», Alexandria Engineering Journal, vol. 60, n.o 1, pp. 413-420, feb. 2021, doi: 10.1016/J.AEJ.2020.09.003
S. de M. de Bogotá, «Estado del tráfico | Secretaría Distrital de Movilidad». Accedido: 29 de octubre de 2021. [En línea]. Disponible en: https://www.movilidadbogota.gov.co/web/estado-del-trafico
D. E. B. CARDONA, «Congestion Vehicular y Politicas Publicas», 2020, [En línea]. Disponible en: https://repository.upb.edu.co/bitstream/handle/20.500.11912/6003/Congestión Vehicular y Politicas Públicas.pdf
R. E. D. Alterna, D. E. L. Sistema, D. E. A. D. E. La, S. García, y D. Cecilia, «PLANTEAMIENTO DE SOLUCION A LA CONGESTION VEHICULAR PRESENTADA EN EL RETORNO DE LA AVENIDA CALLE 80 ENTRE CARRERAS 119 Y 121 EN LA CIUDAD DE BOGOTÁ D.C», 2015
L. Y. Gómez Castro y C. A. Portela Cárdenas, «Planteamiento de soluciones a la congestión vehicular generada por los giros a la izquierda en la intersección de la Calle 116 por Carrera 7a. en Bogotá D.C.», instname:Universidad Piloto de Colombia, 2015, Accedido: 3 de junio de 2021. [En línea]. Disponible en: http://repository.unipiloto.edu.co/handle/20.500.12277/1505
D. C. ALCALDÍA MAYOR DE BOGOTÁ, «Banco Distrital de Programas y Proyectos». [En línea]. Disponible en: http://www.sdp.gov.co/sites/default/files/1032_113_secretaria_distrital_de_m ovilidad.pdf
O. A. C. Cepeda, «Actualización y Calibración del Modelo de Asignación de Tráfico de Hora Pico para Vehículo Particular y Estudio del Modelo a través del Análisis de Resultados y Sensibilidad. Aplicación al Caso de Bogotá.», Unal, [En línea]. Disponible en: https://repositorio.unal.edu.co/bitstream/handle/unal/59026/1026260223.201 6.pdf
R. Fu, Z. Zhang, y L. Li, «Using LSTM and GRU neural network methods for traffic flow prediction», en Proceedings - 2016 31st Youth Academic Annual Conference of Chinese Association of Automation, YAC 2016, Institute of Electrical and Electronics Engineers Inc., ene. 2017, pp. 324-328. doi: 10.1109/YAC.2016.7804912
B. M. Williams, «Multivariate Vehicular Traffic Flow Prediction: Evaluation of ARIMAX Modeling», Transportation Research Record: Journal of the Transportation Research Board, vol. 1776, n.o 1, pp. 194-200, ene. 2001, doi: 10.3141/1776-25
Q. Hou, J. Leng, G. Ma, W. Liu, y Y. Cheng, «An adaptive hybrid model for short-term urban traffic flow prediction», Physica A: Statistical Mechanics and its Applications, vol. 527, p. 121065, ago. 2019, doi: 10.1016/j.physa.2019.121065
R. Wang, «Research on Short-term Traffic Flow Forecast and Auxiliary Guidance Based on Artificial Intelligence Theory», en Journal of Physics: Conference Series, Institute of Physics Publishing, jun. 2020, p. 12164. doi: 10.1088/1742-6596/1544/1/012164
A. B. Habtie, A. Abraham, y D. Midekso, «A neural network model for road traffic flow estimation», en Advances in Intelligent Systems and Computing, Springer Verlag, 2016, pp. 305-314. doi: 10.1007/978-3-319-27400-3_27
M. Saidallah, A. El Fergougui, y A. E. Elalaoui, «A Comparative Study of Urban Road Traffic Simulators», doi: 10.1051/0
Y. Gala Garcia, «Algoritmos SVM para problemas sobre big data», Tesis Master en Investigación e Innovación en Tecnologıas de la Información y las Comunicaciones, p. 68, 2013
F. Harrou, A. Zeroual, y Y. Sun, «Traffic congestion monitoring using an improved kNN strategy», Measurement (Lond), vol. 156, p. 107534, may 2020, doi: 10.1016/j.measurement.2020.107534
N. Chiabaut y R. Faitout, «Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days», Transp Res Part C Emerg Technol, vol. 124, p. 102920, mar. 2021, doi: 10.1016/j.trc.2020.102920
H. Ghaednia et al., «Deep Learning in Spine Surgery», Semin Spine Surg, p. 100876, abr. 2021, doi: 10.1016/j.semss.2021.100876
S. P. Kumarage, R. P. G. K. S. Rajapaksha, D. De Silva, y J. M. S. J. Bandara, «Traffic Flow Estimation for Urban Roads Based on Crowdsourced Data and Machine Learning Principles», en Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST, Springer Verlag, nov. 2018, pp. 263-273. doi: 10.1007/978-3-319-93710-6_27
H. Wang y B. Raj, «On the Origin of Deep Learning», pp. 1-72, 2017, [En línea]. Disponible en: http://arxiv.org/abs/1702.07800
A. Krizhevsky, I. Sutskever, y G. E. Hinton, «ImageNet classification with deep convolutional neural networks», Commun ACM, vol. 60, n.o 6, pp. 84-90, 2017, doi: 10.1145/3065386
L. Deng, D. Yu, y J. Platt, «Scalable stacking and learning for building deep architectures», en ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, IEEE, mar. 2012, pp. 2133- 2136. doi: 10.1109/ICASSP.2012.6288333
W. Huang, G. Song, H. Hong, y K. Xie, «Deep architecture for traffic flow prediction: Deep belief networks with multitask learning», IEEE Transactions on Intelligent Transportation Systems, vol. 15, n.o 5, pp. 2191- 2201, oct. 2014, doi: 10.1109/TITS.2014.2311123
M. Oquab, L. Bottou, I. Laptev, y J. Sivic, «Learning and Transferring Mid- Level Image Representations using Convolutional Neural Networks»
B. Yu, H. Yin, y Z. Zhu, «Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting». Accedido: 3 de mayo de 2021. [En línea]. Disponible en: https://aaafoundation.org/american- driving-survey-2014-2015
J. Wang, Q. Gu, J. Wu, G. Liu, y Z. Xiong, «Traffic speed prediction and congestion source exploration: A deep learning method», en Proceedings - IEEE International Conference on Data Mining, ICDM, Institute of Electrical and Electronics Engineers Inc., jul. 2016, pp. 499-508. doi: 10.1109/ICDM.2016.0061
Y. Kim, P. Wang, Y. Zhu, y L. Mihaylova, «A Capsule Network for Traffic Speed Prediction in Complex Road Networks», en 2018 Symposium on Sensor Data Fusion: Trends, Solutions, Applications, SDF 2018, Institute of Electrical and Electronics Engineers Inc., jul. 2018. doi: 10.1109/SDF.2018.8547068
L. Vanneschi y M. Castelli, Multilayer perceptrons, vol. 1-3. 2018. doi: 10.1016/B978-0-12-809633-8.20339-7
X. Cheng, R. Zhang, J. Zhou, y W. Xu, «DeepTransport: Learning Spatial- Temporal Dependency for Traffic Condition Forecasting». Accedido: 5 de mayo de 2021. [En línea]. Disponible en: https://github.com/cxysteven/MapBJ
S. George y A. K. Santra, «Fuzzy Inspired Deep Belief Network for the Traffic Flow Prediction in Intelligent Transportation System Using Flow Strength Indicators», Big Data, vol. 8, n.o 4, pp. 291-307, ago. 2020, doi: 10.1089/big.2019.0007
D. A. Tedjopurnomo, Z. Bao, B. Zheng, F. Choudhury, y A. K. Qin, «A Survey on Modern Deep Neural Network for Traffic Prediction: Trends, Methods and Challenges», IEEE Trans Knowl Data Eng, pp. 1-1, jun. 2020, doi: 10.1109/tkde.2020.3001195
H. Yuan y G. Li, «A Survey of Traffic Prediction: from Spatio-Temporal Data to Intelligent Transportation», Data Science and Engineering, vol. 6, n.o 1. Springer Science and Business Media Deutschland GmbH, pp. 63-85, 23 de enero de 2021. doi: 10.1007/s41019-020-00151-z
W. Tu, F. Xiao, L. Li, y L. Fu, «Estimating traffic flow states with smart phone sensor data», Transp Res Part C Emerg Technol, vol. 126, p. 103062, may 2021, doi: 10.1016/j.trc.2021.103062
J. Sanchez, «Precipitaciones Concepto. Tipos». [En línea]. Disponible en: http://hidrologia.usal.es.Pág.1
LocationIQ, «Bounding Box». Accedido: 14 de junio de 2023. [En línea]. Disponible en: https://es.locationiq.com/glossary/bounding-box
L. Romo, J. Zhang, K. Eastin, y C. Xue, «Short-Term Traffic Speed Prediction via Machine Learning», en Communications in Computer and Information Science, vol. 1311, Springer Science and Business Media Deutschland GmbH, 2020, pp. 31-42. doi: 10.1007/978-981-33-4532-4_3
Y. Jia, J. Wu, M. Ben‐Akiva, R. Seshadri, y Y. Du, «Rainfall‐integrated traffic speed prediction using deep learning method», IET Intelligent Transport Systems, vol. 11, n.o 9, pp. 531-536, nov. 2017, doi: 10.1049/iet- its.2016.0257
S. Ren, B. Yang, L. Zhang, y Z. Li, «Traffic speed prediction with convolutional neural network adapted for non-linear spatio-temporal dynamics», en Proceedings of the 7th ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data, BigSpatial 2018, Association for Computing Machinery, Inc, nov. 2018, pp. 32-41. doi: 10.1145/3282834.3282836
X. Bao, D. Jiang, X. Yang, y H. Wang, «An improved deep belief network for traffic prediction considering weather factors», Alexandria Engineering Journal, vol. 60, n.o 1, pp. 413-420, feb. 2021, doi: 10.1016/j.aej.2020.09.003
H. Bi, Z. Ye, y H. Zhu, «Data-driven analysis of weather impacts on urban traffic conditions at the city level», Urban Clim, vol. 41, ene. 2022, doi: 10.1016/j.uclim.2021.101065
F. Vargas Montero, «Análisis de datos de accidentalidad vial de la ciudad de Bogotá a partir de datos abiertos y datos obtenidos desde redes sociales», 2022
Instituto Distrital de Gestión de Riesgos y cambio climático y Alcaldía Mayor de Bogotá, «Sistema de Alerta Bogotá», https://www.sire.gov.co/web/sab. Accedido: 6 de abril de 2023. [En línea]. Disponible en: https://www.sire.gov.co/web/sab
MapTiler, «MapTiler», https://www.maptiler.com/google-maps-coordinates- tile-bounds-projection/#13/-74.06/4.65. Accedido: 9 de mayo de 2023. [En línea]. Disponible en: https://www.maptiler.com/google-maps-coordinates- tile-bounds-projection/#13/-74.06/4.65
FES ARAGON, «“Interpolación” Planeación didáctica del tema». [En línea]. Disponible en: https://www.lifeder.com/interpolacion-lineal/
Y. Jia, J. Wu, M. Ben-Akiva, R. Seshadri, y Y. Du, «Rainfall-integrated traffic speed prediction using deep learning method», IET Intelligent Transport Systems, vol. 11, n.o 9, pp. 531-536, nov. 2017, doi: 10.1049/iet- its.2016.0257
Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, y J. Liu, «LSTM network: a deep learning approach for short‐term traffic forecast», IET Intelligent Transport Systems, vol. 11, n.o 2, pp. 68-75, mar. 2017, doi: 10.1049/iet-its.2016.0208
C. H. Chou, Y. Huang, C. Y. Huang, y V. S. Tseng, «Long-term traffic time prediction using deep learning with integration of weather effect», en Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Verlag, abr. 2019, pp. 123-135. doi: 10.1007/978-3-030-16145-3_10
Z. Lu, W. Lv, Y. Cao, Z. Xie, H. Peng, y B. Du, «LSTM variants meet graph neural networks for road speed prediction», Neurocomputing, vol. 400, pp. 34-45, ago. 2020, doi: 10.1016/j.neucom.2020.03.031
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv vii, 115 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.city.spa.fl_str_mv Bogotá
dc.coverage.country.spa.fl_str_mv Colombia
dc.coverage.region.spa.fl_str_mv Cundinamarca
dc.coverage.tgn.none.fl_str_mv http://vocab.getty.edu/page/tgn/1000838
dc.publisher.spa.fl_str_mv Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv Bogotá, Colombia
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Bogotá
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/86045/1/license.txt
https://repositorio.unal.edu.co/bitstream/unal/86045/2/1051590247.2024.pdf
https://repositorio.unal.edu.co/bitstream/unal/86045/3/1051590247.2024.pdf.jpg
bitstream.checksum.fl_str_mv eb34b1cf90b7e1103fc9dfd26be24b4a
697a4e6be23eb8b2d3516c2d43712daf
1ec453f58c019bac43e4183309bcbca2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1806886302154489856
spelling Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Pedraza Bonilla, Cesar Augustoc9f3a45785520d570c3ce7b608546d43Preciado Rojas, María Camilaeac1310d74414b2aed601bec151bbe502024-05-07T20:00:56Z2024-05-07T20:00:56Z2024-05-07https://repositorio.unal.edu.co/handle/unal/86045Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, fotografías, mapasLa congestión del tráfico en Bogotá se agrava cada vez más, y no es simplemente una percepción de los residentes, ya que la ciudad ha mantenido una posición destacada en los rankings de congestión a nivel mundial. Esto otorga la urgencia de abordar y contribuir de alguna manera a este desafío significativo. Este estudio se enfoca en diversos aspectos, desde la obtención y análisis de datos de velocidad promedio y precipitaciones en un segmento vial de Bogotá, hasta el desarrollo de un modelo computacional destinado a predecir la velocidad promedio. Este enfoque tiene como objetivo ofrecer una perspectiva inicial y valiosa hacia la solución de la problemática del tráfico en la ciudad. En el marco de este estudio, se planteó el diseño de un modelo LSTM utilizando datos reales de alta calidad provenientes de un segmento vial en Bogotá. Esta aproximación no solo condujo a resultados sobresalientes en la predicción de la velocidad promedio, sino que también proporcionó diversas ventajas en comparación con otras investigaciones. (Texto tomado de la fuente).The traffic congestion in Bogotá is escalating, and it is not merely a perception of the residents; the city has consistently ranked high in global congestion indices. This underscores the urgency to address and contribute in some manner to this significant challenge. This study encompasses various facets, ranging from the acquisition and analysis of data on average speed and precipitation in a Bogotá road segment to the development of a computational model aimed at predicting average speed. The objective of this approach is to provide an initial and valuable perspective towards addressing the traffic issue in the city. As part of this study, the design of an LSTM model was proposed using high-quality real-world data from a road segment in Bogotá. This approach not only led to outstanding results in predicting average speed but also yielded several advantages compared to other research.MaestríaMagíster en Ingeniería - Ingeniería de Sistemas y ComputaciónSe utilizó la metodología CRISP-MD, utilizando sólo las primeras 5 fases es decir: 1) comprensión empresarial, 2) comprensión de datos 3) preparación de datos 4) modelado y 5) evaluación. Junto con un diseño de investigación con un enfoque de tipología cuantitativa y con un tipo de estudio exploratorioSistemas inteligentesvii, 115 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y ComputaciónFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores380 - Comercio , comunicaciones, transporte::388 - TransporteAprendizaje profundoTráfico vialPredicción de velocidadPrecipitacionesBogotáDeep LearningTrafficSpeed predictionPrecipitationBogotaAprendizaje profundoModelo computacionalTránsito vehiculardeep learningcomputational modeltrafficDiseño y evaluación de un modelo computacional basado en aprendizaje profundo para la predicción del tráfico vial en un segmento de vía de la ciudad de BogotáDesign and evaluation of a computational model based on deep learning for traffic prediction in a road segment of the city of BogotaTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBogotáColombiaCundinamarcahttp://vocab.getty.edu/page/tgn/1000838INRIX, «Bogota’s Scorecard Report», Bogota - INRIX 2019 Traffic Scorecard Report. Accedido: 12 de junio de 2021. [En línea]. Disponible en: https://inrix.com/scorecard-city/?city=Bogota&index=1A. Boukerche y J. Wang, «A performance modeling and analysis of a novel vehicular traffic flow prediction system using a hybrid machine learning- based model», Ad Hoc Networks, vol. 106, p. 102224, sep. 2020, doi: 10.1016/j.adhoc.2020.102224P. Sun, N. Aljeri, y A. Boukerche, «Machine Learning-Based Models for Real-time Traffic Flow Prediction in Vehicular Networks», IEEE Netw, vol. 34, n.o 3, pp. 178-185, may 2020, doi: 10.1109/MNET.011.1900338J. Guo, C. Song, y H. Wang, «A Multi-step Traffic Speed Forecasting Model Based on Graph Convolutional LSTM», en Proceedings - 2019 Chinese Automation Congress, CAC 2019, Institute of Electrical and Electronics Engineers Inc., nov. 2019, pp. 2466-2471. doi: 10.1109/CAC48633.2019.8997248PIARC, «Medidas de Control del Tránsito | RNO/ITS - PIARC (Asociación Mundial de Carreteras)». Accedido: 12 de junio de 2021. [En línea]. Disponible en: https://rno-its.piarc.org/es/control-de-la-red-gestion-del- transito/medidas-de-control-del-transitoS. Kosolsombat y K. Saraubon, «A Review of the Prediction Method for Intelligent Transport System», en ISCIT 2018 - 18th International Symposium on Communication and Information Technology, Institute of Electrical and Electronics Engineers Inc., dic. 2018, pp. 237-240. doi: 10.1109/ISCIT.2018.8588015M. S. Ahmed y A. R. Cook, «ANALYSIS OF FREEWAY TRAFFIC TIME- SERIES DATA BY USING BOX-JENKINS TECHNIQUES.», Transp Res Rec, n.o 722, pp. 1-9, 1979, Accedido: 3 de mayo de 2021. [En línea]. Disponible en: https://trid.trb.org/view/148123A. Boukerche, Y. Tao, y P. Sun, «Artificial intelligence-based vehicular traffic flow prediction methods for supporting intelligent transportation systems», Computer Networks, vol. 182, p. 107484, dic. 2020, doi: 10.1016/j.comnet.2020.107484L. N. N. Do, H. L. Vu, B. Q. Vo, Z. Liu, y D. Phung, «An effective spatial- temporal attention based neural network for traffic flow prediction», Transp Res Part C Emerg Technol, vol. 108, pp. 12-28, nov. 2019, doi: 10.1016/j.trc.2019.09.008and Y. L. Y. Li, R. Yu, C. Shahabi, «Diffusion convolutional recurrent neural network: Data-driven traffic forecasting», ArXiv, [En línea]. Disponible en: https://arxiv.org/pdf/1707.01926.pdfA. Z. Pan, Y. Liang, W. Wang, Y. Yu, Y. Zheng y J. Zhang, «Urban traffic prediction from spatiotemporal data using deep meta learning», Urban- Computing, [En línea]. Disponible en: http://urban- computing.com/pdf/kdd_2019_camera_ready_ST_MetaNet.pdfX. Ma, Z. Dai, Z. He, J. Ma, Y. Wang, y Y. Wang, «Learning traffic as images: A deep convolutional neural network for large-scale transportation network speed prediction», Sensors (Switzerland), vol. 17, n.o 4, p. 818, abr. 2017, doi: 10.3390/s17040818J. Z. Y. Liang, K. Ouyang, L. Jing, S. Ruan, Y. Liu y and Y. Z. D. S. Rosenblum, «“Urbanfm: Inferring fine-grained urban flows,” Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining», Urbanfm, [En línea]. Disponible en: http://urban- computing.com/pdf/yuxuanUrbanFMKDD2019.pdfX. Ma, Z. Tao, Y. Wang, H. Yu, y Y. Wang, «Long short-term memory neural network for traffic speed prediction using remote microwave sensor data», Transp Res Part C Emerg Technol, vol. 54, pp. 187-197, may 2015, doi: 10.1016/j.trc.2015.03.014X. Bao, D. Jiang, X. Yang, y H. Wang, «An improved deep belief network for traffic prediction considering weather factors», Alexandria Engineering Journal, vol. 60, n.o 1, pp. 413-420, feb. 2021, doi: 10.1016/J.AEJ.2020.09.003S. de M. de Bogotá, «Estado del tráfico | Secretaría Distrital de Movilidad». Accedido: 29 de octubre de 2021. [En línea]. Disponible en: https://www.movilidadbogota.gov.co/web/estado-del-traficoD. E. B. CARDONA, «Congestion Vehicular y Politicas Publicas», 2020, [En línea]. Disponible en: https://repository.upb.edu.co/bitstream/handle/20.500.11912/6003/Congestión Vehicular y Politicas Públicas.pdfR. E. D. Alterna, D. E. L. Sistema, D. E. A. D. E. La, S. García, y D. Cecilia, «PLANTEAMIENTO DE SOLUCION A LA CONGESTION VEHICULAR PRESENTADA EN EL RETORNO DE LA AVENIDA CALLE 80 ENTRE CARRERAS 119 Y 121 EN LA CIUDAD DE BOGOTÁ D.C», 2015L. Y. Gómez Castro y C. A. Portela Cárdenas, «Planteamiento de soluciones a la congestión vehicular generada por los giros a la izquierda en la intersección de la Calle 116 por Carrera 7a. en Bogotá D.C.», instname:Universidad Piloto de Colombia, 2015, Accedido: 3 de junio de 2021. [En línea]. Disponible en: http://repository.unipiloto.edu.co/handle/20.500.12277/1505D. C. ALCALDÍA MAYOR DE BOGOTÁ, «Banco Distrital de Programas y Proyectos». [En línea]. Disponible en: http://www.sdp.gov.co/sites/default/files/1032_113_secretaria_distrital_de_m ovilidad.pdfO. A. C. Cepeda, «Actualización y Calibración del Modelo de Asignación de Tráfico de Hora Pico para Vehículo Particular y Estudio del Modelo a través del Análisis de Resultados y Sensibilidad. Aplicación al Caso de Bogotá.», Unal, [En línea]. Disponible en: https://repositorio.unal.edu.co/bitstream/handle/unal/59026/1026260223.201 6.pdfR. Fu, Z. Zhang, y L. Li, «Using LSTM and GRU neural network methods for traffic flow prediction», en Proceedings - 2016 31st Youth Academic Annual Conference of Chinese Association of Automation, YAC 2016, Institute of Electrical and Electronics Engineers Inc., ene. 2017, pp. 324-328. doi: 10.1109/YAC.2016.7804912B. M. Williams, «Multivariate Vehicular Traffic Flow Prediction: Evaluation of ARIMAX Modeling», Transportation Research Record: Journal of the Transportation Research Board, vol. 1776, n.o 1, pp. 194-200, ene. 2001, doi: 10.3141/1776-25Q. Hou, J. Leng, G. Ma, W. Liu, y Y. Cheng, «An adaptive hybrid model for short-term urban traffic flow prediction», Physica A: Statistical Mechanics and its Applications, vol. 527, p. 121065, ago. 2019, doi: 10.1016/j.physa.2019.121065R. Wang, «Research on Short-term Traffic Flow Forecast and Auxiliary Guidance Based on Artificial Intelligence Theory», en Journal of Physics: Conference Series, Institute of Physics Publishing, jun. 2020, p. 12164. doi: 10.1088/1742-6596/1544/1/012164A. B. Habtie, A. Abraham, y D. Midekso, «A neural network model for road traffic flow estimation», en Advances in Intelligent Systems and Computing, Springer Verlag, 2016, pp. 305-314. doi: 10.1007/978-3-319-27400-3_27M. Saidallah, A. El Fergougui, y A. E. Elalaoui, «A Comparative Study of Urban Road Traffic Simulators», doi: 10.1051/0Y. Gala Garcia, «Algoritmos SVM para problemas sobre big data», Tesis Master en Investigación e Innovación en Tecnologıas de la Información y las Comunicaciones, p. 68, 2013F. Harrou, A. Zeroual, y Y. Sun, «Traffic congestion monitoring using an improved kNN strategy», Measurement (Lond), vol. 156, p. 107534, may 2020, doi: 10.1016/j.measurement.2020.107534N. Chiabaut y R. Faitout, «Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days», Transp Res Part C Emerg Technol, vol. 124, p. 102920, mar. 2021, doi: 10.1016/j.trc.2020.102920H. Ghaednia et al., «Deep Learning in Spine Surgery», Semin Spine Surg, p. 100876, abr. 2021, doi: 10.1016/j.semss.2021.100876S. P. Kumarage, R. P. G. K. S. Rajapaksha, D. De Silva, y J. M. S. J. Bandara, «Traffic Flow Estimation for Urban Roads Based on Crowdsourced Data and Machine Learning Principles», en Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST, Springer Verlag, nov. 2018, pp. 263-273. doi: 10.1007/978-3-319-93710-6_27H. Wang y B. Raj, «On the Origin of Deep Learning», pp. 1-72, 2017, [En línea]. Disponible en: http://arxiv.org/abs/1702.07800A. Krizhevsky, I. Sutskever, y G. E. Hinton, «ImageNet classification with deep convolutional neural networks», Commun ACM, vol. 60, n.o 6, pp. 84-90, 2017, doi: 10.1145/3065386L. Deng, D. Yu, y J. Platt, «Scalable stacking and learning for building deep architectures», en ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, IEEE, mar. 2012, pp. 2133- 2136. doi: 10.1109/ICASSP.2012.6288333W. Huang, G. Song, H. Hong, y K. Xie, «Deep architecture for traffic flow prediction: Deep belief networks with multitask learning», IEEE Transactions on Intelligent Transportation Systems, vol. 15, n.o 5, pp. 2191- 2201, oct. 2014, doi: 10.1109/TITS.2014.2311123M. Oquab, L. Bottou, I. Laptev, y J. Sivic, «Learning and Transferring Mid- Level Image Representations using Convolutional Neural Networks»B. Yu, H. Yin, y Z. Zhu, «Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting». Accedido: 3 de mayo de 2021. [En línea]. Disponible en: https://aaafoundation.org/american- driving-survey-2014-2015J. Wang, Q. Gu, J. Wu, G. Liu, y Z. Xiong, «Traffic speed prediction and congestion source exploration: A deep learning method», en Proceedings - IEEE International Conference on Data Mining, ICDM, Institute of Electrical and Electronics Engineers Inc., jul. 2016, pp. 499-508. doi: 10.1109/ICDM.2016.0061Y. Kim, P. Wang, Y. Zhu, y L. Mihaylova, «A Capsule Network for Traffic Speed Prediction in Complex Road Networks», en 2018 Symposium on Sensor Data Fusion: Trends, Solutions, Applications, SDF 2018, Institute of Electrical and Electronics Engineers Inc., jul. 2018. doi: 10.1109/SDF.2018.8547068L. Vanneschi y M. Castelli, Multilayer perceptrons, vol. 1-3. 2018. doi: 10.1016/B978-0-12-809633-8.20339-7X. Cheng, R. Zhang, J. Zhou, y W. Xu, «DeepTransport: Learning Spatial- Temporal Dependency for Traffic Condition Forecasting». Accedido: 5 de mayo de 2021. [En línea]. Disponible en: https://github.com/cxysteven/MapBJS. George y A. K. Santra, «Fuzzy Inspired Deep Belief Network for the Traffic Flow Prediction in Intelligent Transportation System Using Flow Strength Indicators», Big Data, vol. 8, n.o 4, pp. 291-307, ago. 2020, doi: 10.1089/big.2019.0007D. A. Tedjopurnomo, Z. Bao, B. Zheng, F. Choudhury, y A. K. Qin, «A Survey on Modern Deep Neural Network for Traffic Prediction: Trends, Methods and Challenges», IEEE Trans Knowl Data Eng, pp. 1-1, jun. 2020, doi: 10.1109/tkde.2020.3001195H. Yuan y G. Li, «A Survey of Traffic Prediction: from Spatio-Temporal Data to Intelligent Transportation», Data Science and Engineering, vol. 6, n.o 1. Springer Science and Business Media Deutschland GmbH, pp. 63-85, 23 de enero de 2021. doi: 10.1007/s41019-020-00151-zW. Tu, F. Xiao, L. Li, y L. Fu, «Estimating traffic flow states with smart phone sensor data», Transp Res Part C Emerg Technol, vol. 126, p. 103062, may 2021, doi: 10.1016/j.trc.2021.103062J. Sanchez, «Precipitaciones Concepto. Tipos». [En línea]. Disponible en: http://hidrologia.usal.es.Pág.1LocationIQ, «Bounding Box». Accedido: 14 de junio de 2023. [En línea]. Disponible en: https://es.locationiq.com/glossary/bounding-boxL. Romo, J. Zhang, K. Eastin, y C. Xue, «Short-Term Traffic Speed Prediction via Machine Learning», en Communications in Computer and Information Science, vol. 1311, Springer Science and Business Media Deutschland GmbH, 2020, pp. 31-42. doi: 10.1007/978-981-33-4532-4_3Y. Jia, J. Wu, M. Ben‐Akiva, R. Seshadri, y Y. Du, «Rainfall‐integrated traffic speed prediction using deep learning method», IET Intelligent Transport Systems, vol. 11, n.o 9, pp. 531-536, nov. 2017, doi: 10.1049/iet- its.2016.0257S. Ren, B. Yang, L. Zhang, y Z. Li, «Traffic speed prediction with convolutional neural network adapted for non-linear spatio-temporal dynamics», en Proceedings of the 7th ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data, BigSpatial 2018, Association for Computing Machinery, Inc, nov. 2018, pp. 32-41. doi: 10.1145/3282834.3282836X. Bao, D. Jiang, X. Yang, y H. Wang, «An improved deep belief network for traffic prediction considering weather factors», Alexandria Engineering Journal, vol. 60, n.o 1, pp. 413-420, feb. 2021, doi: 10.1016/j.aej.2020.09.003H. Bi, Z. Ye, y H. Zhu, «Data-driven analysis of weather impacts on urban traffic conditions at the city level», Urban Clim, vol. 41, ene. 2022, doi: 10.1016/j.uclim.2021.101065F. Vargas Montero, «Análisis de datos de accidentalidad vial de la ciudad de Bogotá a partir de datos abiertos y datos obtenidos desde redes sociales», 2022Instituto Distrital de Gestión de Riesgos y cambio climático y Alcaldía Mayor de Bogotá, «Sistema de Alerta Bogotá», https://www.sire.gov.co/web/sab. Accedido: 6 de abril de 2023. [En línea]. Disponible en: https://www.sire.gov.co/web/sabMapTiler, «MapTiler», https://www.maptiler.com/google-maps-coordinates- tile-bounds-projection/#13/-74.06/4.65. Accedido: 9 de mayo de 2023. [En línea]. Disponible en: https://www.maptiler.com/google-maps-coordinates- tile-bounds-projection/#13/-74.06/4.65FES ARAGON, «“Interpolación” Planeación didáctica del tema». [En línea]. Disponible en: https://www.lifeder.com/interpolacion-lineal/Y. Jia, J. Wu, M. Ben-Akiva, R. Seshadri, y Y. Du, «Rainfall-integrated traffic speed prediction using deep learning method», IET Intelligent Transport Systems, vol. 11, n.o 9, pp. 531-536, nov. 2017, doi: 10.1049/iet- its.2016.0257Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, y J. Liu, «LSTM network: a deep learning approach for short‐term traffic forecast», IET Intelligent Transport Systems, vol. 11, n.o 2, pp. 68-75, mar. 2017, doi: 10.1049/iet-its.2016.0208C. H. Chou, Y. Huang, C. Y. Huang, y V. S. Tseng, «Long-term traffic time prediction using deep learning with integration of weather effect», en Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Verlag, abr. 2019, pp. 123-135. doi: 10.1007/978-3-030-16145-3_10Z. Lu, W. Lv, Y. Cao, Z. Xie, H. Peng, y B. Du, «LSTM variants meet graph neural networks for road speed prediction», Neurocomputing, vol. 400, pp. 34-45, ago. 2020, doi: 10.1016/j.neucom.2020.03.031EstudiantesInvestigadoresPúblico generalLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/86045/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1051590247.2024.pdf1051590247.2024.pdfTesis de Maestría en Ingeniería - Ingeniería de Sistemas y Computaciónapplication/pdf11095725https://repositorio.unal.edu.co/bitstream/unal/86045/2/1051590247.2024.pdf697a4e6be23eb8b2d3516c2d43712dafMD52THUMBNAIL1051590247.2024.pdf.jpg1051590247.2024.pdf.jpgGenerated Thumbnailimage/jpeg4822https://repositorio.unal.edu.co/bitstream/unal/86045/3/1051590247.2024.pdf.jpg1ec453f58c019bac43e4183309bcbca2MD53unal/86045oai:repositorio.unal.edu.co:unal/860452024-05-07 23:04:46.651Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Publicaciones similares