Análisis de trayectorias utilizando técnicas de minería de datos

Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten id...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Reyes Zambrano, Gary Xavier
Otros Autores:	Lanzarini, Laura Cristina
Formato:	Tesis Tesis de doctorado
Lenguaje:	Español
Publicado:	2024
Materias:	Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/174995 https://doi.org/10.35537/10915/174995
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-174995
record_format	dspace
spelling	I19-R120-10915-1749952024-12-18T04:19:41Z http://sedici.unlp.edu.ar/handle/10915/174995 https://doi.org/10.35537/10915/174995 Análisis de trayectorias utilizando técnicas de minería de datos Reyes Zambrano, Gary Xavier 2024-12-12 2024 2024-12-17T15:00:41Z Lanzarini, Laura Cristina Hasperué, Waldo es Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanas Doctor en Ciencias Informáticas Universidad Nacional de La Plata Facultad de Informática Tesis Tesis de doctorado http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular
spellingShingle	Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular Reyes Zambrano, Gary Xavier Análisis de trayectorias utilizando técnicas de minería de datos
topic_facet	Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular
description	Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanas
author2	Lanzarini, Laura Cristina
author_facet	Lanzarini, Laura Cristina Reyes Zambrano, Gary Xavier
format	Tesis Tesis de doctorado
author	Reyes Zambrano, Gary Xavier
author_sort	Reyes Zambrano, Gary Xavier
title	Análisis de trayectorias utilizando técnicas de minería de datos
title_short	Análisis de trayectorias utilizando técnicas de minería de datos
title_full	Análisis de trayectorias utilizando técnicas de minería de datos
title_fullStr	Análisis de trayectorias utilizando técnicas de minería de datos
title_full_unstemmed	Análisis de trayectorias utilizando técnicas de minería de datos
title_sort	análisis de trayectorias utilizando técnicas de minería de datos
publishDate	2024
url	http://sedici.unlp.edu.ar/handle/10915/174995 https://doi.org/10.35537/10915/174995
work_keys_str_mv	AT reyeszambranogaryxavier analisisdetrayectoriasutilizandotecnicasdemineriadedatos
_version_	1842398860181241856

Análisis de trayectorias utilizando técnicas de minería de datos

Ejemplares similares