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...
- 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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 |