Semáforos inteligentes con redes neuronales convolucionales

Se utilizan redes neuronales convolucionales en un simulador de tráfico con el fin de despejar las vías que tengan un mayor flujo de vehículos. La red neuronal analiza el tráfico en las distintas calles de las intersecciones para obtener una decisión según el tiempo que debe durar en verde el semáfo...

Full description

Autores:
Guzmán Avendaño, Felipe Gustavo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/58808
Acceso en línea:
http://hdl.handle.net/1992/58808
Palabra clave:
Redes neuronales
Convolucional
Tráfico
Semáforo
Computer vision
Vehiculo
Carro
Python
PyTorch
Ingeniería
Rights
openAccess
License
Atribución-CompartirIgual 4.0 Internacional
id UNIANDES2_91a41a776465599caeeef79f67fd22ee
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/58808
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.none.fl_str_mv Semáforos inteligentes con redes neuronales convolucionales
title Semáforos inteligentes con redes neuronales convolucionales
spellingShingle Semáforos inteligentes con redes neuronales convolucionales
Redes neuronales
Convolucional
Tráfico
Semáforo
Computer vision
Vehiculo
Carro
Python
PyTorch
Ingeniería
title_short Semáforos inteligentes con redes neuronales convolucionales
title_full Semáforos inteligentes con redes neuronales convolucionales
title_fullStr Semáforos inteligentes con redes neuronales convolucionales
title_full_unstemmed Semáforos inteligentes con redes neuronales convolucionales
title_sort Semáforos inteligentes con redes neuronales convolucionales
dc.creator.fl_str_mv Guzmán Avendaño, Felipe Gustavo
dc.contributor.advisor.none.fl_str_mv Takahashi Rodríguez, Silvia
dc.contributor.author.none.fl_str_mv Guzmán Avendaño, Felipe Gustavo
dc.subject.keyword.none.fl_str_mv Redes neuronales
Convolucional
Tráfico
Semáforo
Computer vision
Vehiculo
Carro
Python
PyTorch
topic Redes neuronales
Convolucional
Tráfico
Semáforo
Computer vision
Vehiculo
Carro
Python
PyTorch
Ingeniería
dc.subject.themes.es_CO.fl_str_mv Ingeniería
description Se utilizan redes neuronales convolucionales en un simulador de tráfico con el fin de despejar las vías que tengan un mayor flujo de vehículos. La red neuronal analiza el tráfico en las distintas calles de las intersecciones para obtener una decisión según el tiempo que debe durar en verde el semáforo, priorizando aquellas vías que tengan una mayor densidad de carros.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-07-13T18:40:52Z
dc.date.available.none.fl_str_mv 2022-07-13T18:40:52Z
dc.date.issued.none.fl_str_mv 2022-06-22
dc.type.es_CO.fl_str_mv Trabajo de grado - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.es_CO.fl_str_mv Text
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/58808
dc.identifier.instname.es_CO.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.es_CO.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.es_CO.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/58808
identifier_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.relation.references.es_CO.fl_str_mv AnyLogic (2018). Traffic Light Phases Optimization. AnyLogic. https://cloud.anylogic.com/model/de6f47f6-072c-4a50-818d-e2625067dfad?mode=SETTINGS&tab=GENERAL
Aston University (2022). AI traffic light system could make traffic jams a distant memory. TechExplore. https://techxplore.com/news/2022-05-ai-traffic-distant-memory.html
Barreto, L. (2020). Bogotá instala el primer controlador de la semaforización inteligente. Bogota.gov. https://bogota.gov.co/mi-ciudad/movilidad/primer-controlador-de-la-semaforizacion-inteligente-fue-instalado
Bonus, T y Golan, T. (2019). Objects Counting by Estimating a Density Map With Convolutional Neural Networks. Towards Data Science. https://towardsdatascience.com/objects-counting-by-estimating-a-density-map-with-convolutional-neural-networks-c01086f3b3ec
Ding, Baiqun & Yang, Liu & Xu, He & He, Yongming. (2021). Signal Control Strategy for Supersaturated Traffic at Urban Road Intersections with a Large Technical Grade Gap. Journal of Advanced Transportation. 2021. 1-12. 10.1155/2021/5662371
Gao, G., Gao, J., Liu, Q., Wang, Q., & Wang, Y. (2020). CNN-based Density Estimation and Crowd Counting: A Survey. https://doi.org/10.48550/arXiv.2003.12783
Green, T. (2018). IBM granted patent for AI-managed traffic lights. The next web. https://thenextweb.com/news/ibm-files-patent-for-ai-managed-traffic-lights
Khan, A., Sohail, A., Zahoora, U. et al. A survey of the recent architectures of deep convolutional neural networks. Artif Intell Rev 53, 5455¿5516 (2020). https://doi.org/10.1007/s10462-020-09825-6
Khandelwal, Y. (2021). Crowd Counting using Deep Learning. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/06/crowd-counting-using-deep-learning/
OpenCV. (2013). Canny Edge Detection. OpenCV. https://docs.opencv.org/4.x/da/d22/tutorial_py_canny.html
Pichai, S. (2021). Giving you more sustainable choices with Google. https://blog.google/outreach-initiatives/sustainability/sustainability-2021/
Sisson, P. (2020). Expanding highways and building more roads actually makes traffic worse. Curbed. https://archive.curbed.com/2020/3/6/21166655/highway-traffic-congestion-induced-demand
Totkova Z. (2020). Interconnection Between Driving Style, Traffic Locus of Control, and Impulsivity in Bulgarian Drivers. Behavioral sciences (Basel, Switzerland), 10(2), 58. https://doi.org/10.3390/bs10020058
Urban Street Design Guide (2017). Signal Cycle Lengths. Nacto. https://nacto.org/publication/urban-street-design-guide/intersection-design-elements/traffic-signals/signal-cycle-lengths/
Vásquez, J. (2021). Tránsito de Bogotá tomará decisiones a partir de datos, tecnología e innovación. Bogota.gov. https://bogota.gov.co/mi-ciudad/movilidad/tecnologia-e-innovacion-nuevo-aliado-del-transito-de-bogota
J. Wan and A. Chan, "Adaptive Density Map Generation for Crowd Counting," 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 1130-1139, doi: 10.1109/ICCV.2019.00122
Zhang, Shanghang & Wu, Guanhang & Costeira, Joao & Moura, Jose. (2017). Understanding Traffic Density from Large-Scale Web Camera Data. arXiv:1703.05868v3
dc.rights.license.spa.fl_str_mv Atribución-CompartirIgual 4.0 Internacional
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Atribución-CompartirIgual 4.0 Internacional
http://creativecommons.org/licenses/by-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 28 páginas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Universidad de los Andes
dc.publisher.program.es_CO.fl_str_mv Ingeniería de Sistemas y Computación
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ingeniería
dc.publisher.department.es_CO.fl_str_mv Departamento de Ingeniería Sistemas y Computación
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/72b178df-4490-44c5-a571-50d33e216010/download
https://repositorio.uniandes.edu.co/bitstreams/24387c17-f42a-4cac-8131-94048182c390/download
https://repositorio.uniandes.edu.co/bitstreams/62b8c076-a25f-4445-9f8c-33082cdf1d48/download
https://repositorio.uniandes.edu.co/bitstreams/81345728-93cd-432e-bdf4-0aef80cb3ddd/download
https://repositorio.uniandes.edu.co/bitstreams/550d4dfc-213f-4680-8cba-87857483522b/download
https://repositorio.uniandes.edu.co/bitstreams/ab17d273-649d-4ce2-ac52-0f0d76e44721/download
https://repositorio.uniandes.edu.co/bitstreams/932aa36f-908d-4fb6-859f-d0d822c0beca/download
https://repositorio.uniandes.edu.co/bitstreams/e5fa7360-00fe-4f19-a190-576f6256ab32/download
bitstream.checksum.fl_str_mv 1fac79238c8d0e73521be0e3062ac2ca
6a2902c591d43d52f3331854d6c03573
5aa5c691a1ffe97abd12c2966efcb8d6
9d82eeb90748a85303b7625bc214c67f
572c51949fd8309acd6020355ad14359
fb29f0f89a64238384e40eabb0f80d36
72e5bb38375db04e27f552658a4798c5
84a900c9dd4b2a10095a94649e1ce116
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133923714498560
spelling Atribución-CompartirIgual 4.0 Internacionalhttp://creativecommons.org/licenses/by-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Takahashi Rodríguez, Silviavirtual::7973-1Guzmán Avendaño, Felipe Gustavoa55601c0-c770-4bfe-88e0-49ab11f1f5b06002022-07-13T18:40:52Z2022-07-13T18:40:52Z2022-06-22http://hdl.handle.net/1992/58808instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Se utilizan redes neuronales convolucionales en un simulador de tráfico con el fin de despejar las vías que tengan un mayor flujo de vehículos. La red neuronal analiza el tráfico en las distintas calles de las intersecciones para obtener una decisión según el tiempo que debe durar en verde el semáforo, priorizando aquellas vías que tengan una mayor densidad de carros.Se utilizan redes neuronales convolucionales en un simulador de tráfico con el fin de despejar las vías que tengan un mayor flujo de vehículos. La red neuronal analiza el tráfico en las distintas calles de las intersecciones para obtener una decisión según el tiempo que debe durar en verde el semáforo, priorizando aquellas vías que tengan una mayor densidad de carros.Ingeniero de Sistemas y ComputaciónPregrado28 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónSemáforos inteligentes con redes neuronales convolucionalesTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPRedes neuronalesConvolucionalTráficoSemáforoComputer visionVehiculoCarroPythonPyTorchIngenieríaAnyLogic (2018). Traffic Light Phases Optimization. AnyLogic. https://cloud.anylogic.com/model/de6f47f6-072c-4a50-818d-e2625067dfad?mode=SETTINGS&tab=GENERALAston University (2022). AI traffic light system could make traffic jams a distant memory. TechExplore. https://techxplore.com/news/2022-05-ai-traffic-distant-memory.htmlBarreto, L. (2020). Bogotá instala el primer controlador de la semaforización inteligente. Bogota.gov. https://bogota.gov.co/mi-ciudad/movilidad/primer-controlador-de-la-semaforizacion-inteligente-fue-instaladoBonus, T y Golan, T. (2019). Objects Counting by Estimating a Density Map With Convolutional Neural Networks. Towards Data Science. https://towardsdatascience.com/objects-counting-by-estimating-a-density-map-with-convolutional-neural-networks-c01086f3b3ecDing, Baiqun & Yang, Liu & Xu, He & He, Yongming. (2021). Signal Control Strategy for Supersaturated Traffic at Urban Road Intersections with a Large Technical Grade Gap. Journal of Advanced Transportation. 2021. 1-12. 10.1155/2021/5662371Gao, G., Gao, J., Liu, Q., Wang, Q., & Wang, Y. (2020). CNN-based Density Estimation and Crowd Counting: A Survey. https://doi.org/10.48550/arXiv.2003.12783Green, T. (2018). IBM granted patent for AI-managed traffic lights. The next web. https://thenextweb.com/news/ibm-files-patent-for-ai-managed-traffic-lightsKhan, A., Sohail, A., Zahoora, U. et al. A survey of the recent architectures of deep convolutional neural networks. Artif Intell Rev 53, 5455¿5516 (2020). https://doi.org/10.1007/s10462-020-09825-6Khandelwal, Y. (2021). Crowd Counting using Deep Learning. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/06/crowd-counting-using-deep-learning/OpenCV. (2013). Canny Edge Detection. OpenCV. https://docs.opencv.org/4.x/da/d22/tutorial_py_canny.htmlPichai, S. (2021). Giving you more sustainable choices with Google. https://blog.google/outreach-initiatives/sustainability/sustainability-2021/Sisson, P. (2020). Expanding highways and building more roads actually makes traffic worse. Curbed. https://archive.curbed.com/2020/3/6/21166655/highway-traffic-congestion-induced-demandTotkova Z. (2020). Interconnection Between Driving Style, Traffic Locus of Control, and Impulsivity in Bulgarian Drivers. Behavioral sciences (Basel, Switzerland), 10(2), 58. https://doi.org/10.3390/bs10020058Urban Street Design Guide (2017). Signal Cycle Lengths. Nacto. https://nacto.org/publication/urban-street-design-guide/intersection-design-elements/traffic-signals/signal-cycle-lengths/Vásquez, J. (2021). Tránsito de Bogotá tomará decisiones a partir de datos, tecnología e innovación. Bogota.gov. https://bogota.gov.co/mi-ciudad/movilidad/tecnologia-e-innovacion-nuevo-aliado-del-transito-de-bogotaJ. Wan and A. Chan, "Adaptive Density Map Generation for Crowd Counting," 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 1130-1139, doi: 10.1109/ICCV.2019.00122Zhang, Shanghang & Wu, Guanhang & Costeira, Joao & Moura, Jose. (2017). Understanding Traffic Density from Large-Scale Web Camera Data. arXiv:1703.05868v3201813791Publicationhttps://scholar.google.es/citations?user=x7gjZ04AAAAJvirtual::7973-10000-0001-7971-8979virtual::7973-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000143898virtual::7973-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::7973-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::7973-1ORIGINALDocumentoTesis.pdfDocumentoTesis.pdfDocumento de tesis: Semáforos inteligentes con redes neuronales convolucionalesapplication/pdf994042https://repositorio.uniandes.edu.co/bitstreams/72b178df-4490-44c5-a571-50d33e216010/download1fac79238c8d0e73521be0e3062ac2caMD53FormatoDocumento.pdfFormatoDocumento.pdfHIDEapplication/pdf210200https://repositorio.uniandes.edu.co/bitstreams/24387c17-f42a-4cac-8131-94048182c390/download6a2902c591d43d52f3331854d6c03573MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/62b8c076-a25f-4445-9f8c-33082cdf1d48/download5aa5c691a1ffe97abd12c2966efcb8d6MD51TEXTDocumentoTesis.pdf.txtDocumentoTesis.pdf.txtExtracted texttext/plain39149https://repositorio.uniandes.edu.co/bitstreams/81345728-93cd-432e-bdf4-0aef80cb3ddd/download9d82eeb90748a85303b7625bc214c67fMD55FormatoDocumento.pdf.txtFormatoDocumento.pdf.txtExtracted texttext/plain1145https://repositorio.uniandes.edu.co/bitstreams/550d4dfc-213f-4680-8cba-87857483522b/download572c51949fd8309acd6020355ad14359MD57THUMBNAILDocumentoTesis.pdf.jpgDocumentoTesis.pdf.jpgIM Thumbnailimage/jpeg9399https://repositorio.uniandes.edu.co/bitstreams/ab17d273-649d-4ce2-ac52-0f0d76e44721/downloadfb29f0f89a64238384e40eabb0f80d36MD56FormatoDocumento.pdf.jpgFormatoDocumento.pdf.jpgIM Thumbnailimage/jpeg16060https://repositorio.uniandes.edu.co/bitstreams/932aa36f-908d-4fb6-859f-d0d822c0beca/download72e5bb38375db04e27f552658a4798c5MD58CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81025https://repositorio.uniandes.edu.co/bitstreams/e5fa7360-00fe-4f19-a190-576f6256ab32/download84a900c9dd4b2a10095a94649e1ce116MD521992/58808oai:repositorio.uniandes.edu.co:1992/588082024-03-13 13:33:49.506http://creativecommons.org/licenses/by-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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