Detección, análisis y predicción de patrones de movilidad urbana

Actualmente, a causa de la disponibilidad limitada de estacionamiento en la calle y la congestión de tráfico asociada, encontrar un espacio libre donde estacionar se ha convertido en uno de los principales problemas de los conductores. El tráfico causado por los vehículos que buscan un lugar libre p...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Goicoechea, María Pía, Mastieri, Julián Ezequiel
Formato:	Artículo revista
Lenguaje:	Español
Publicado:	Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas 2021
Materias:	Computación Sistemas de predicción de estacionamiento Procesamiento de datos Modelo de predicción GCNN Graph Convolutional Neural Network RNN Recurrent Neural Networks Tandil Buenos Aires Argentina Redes neuronales Sistema Único de Movilidad Ordenada SUMO Estacionamiento de vehículos Movilidad urbana
Acceso en línea:	Goicoechea, M. P. y Mastieri, J. E. (2021, Abril). Detección, análisis y predicción de patrones de movilidad urbana [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina.
Aporte de:	Repositorio Institucional de Acceso Abierto (RIDAA) de Universidad Nacional del Centro

id	I21-R190-123456789-2657
record_format	ojs
institution	Universidad Nacional del Centro
institution_str	I-21
repository_str	R-190
container_title_str	Repositorio Institucional de Acceso Abierto (RIDAA)
language	Español
format	Artículo revista
topic	Computación Sistemas de predicción de estacionamiento Procesamiento de datos Modelo de predicción GCNN Graph Convolutional Neural Network RNN Recurrent Neural Networks Tandil Buenos Aires Argentina Redes neuronales Sistema Único de Movilidad Ordenada SUMO Estacionamiento de vehículos Movilidad urbana
spellingShingle	Computación Sistemas de predicción de estacionamiento Procesamiento de datos Modelo de predicción GCNN Graph Convolutional Neural Network RNN Recurrent Neural Networks Tandil Buenos Aires Argentina Redes neuronales Sistema Único de Movilidad Ordenada SUMO Estacionamiento de vehículos Movilidad urbana Goicoechea, María Pía Mastieri, Julián Ezequiel Detección, análisis y predicción de patrones de movilidad urbana
topic_facet	Computación Sistemas de predicción de estacionamiento Procesamiento de datos Modelo de predicción GCNN Graph Convolutional Neural Network RNN Recurrent Neural Networks Tandil Buenos Aires Argentina Redes neuronales Sistema Único de Movilidad Ordenada SUMO Estacionamiento de vehículos Movilidad urbana
author	Goicoechea, María Pía Mastieri, Julián Ezequiel
author_facet	Goicoechea, María Pía Mastieri, Julián Ezequiel
author_sort	Goicoechea, María Pía
title	Detección, análisis y predicción de patrones de movilidad urbana
title_short	Detección, análisis y predicción de patrones de movilidad urbana
title_full	Detección, análisis y predicción de patrones de movilidad urbana
title_fullStr	Detección, análisis y predicción de patrones de movilidad urbana
title_full_unstemmed	Detección, análisis y predicción de patrones de movilidad urbana
title_sort	detección, análisis y predicción de patrones de movilidad urbana
description	Actualmente, a causa de la disponibilidad limitada de estacionamiento en la calle y la congestión de tráfico asociada, encontrar un espacio libre donde estacionar se ha convertido en uno de los principales problemas de los conductores. El tráfico causado por los vehículos que buscan un lugar libre para estacionar produce grandes pérdidas de tiempo, combustible y dinero. Es por esto que los sistemas de predicción de estacionamiento han recibido atención creciente en el último tiempo. Una predicción precisa de la cantidad de lugares ocupados es fundamental para administrar de manera óptima los recursos limitados de estacionamiento. Aunque actualmente existen diversas soluciones que proveen información acerca de la disponibilidad del estacionamiento en tiempo real, estas están lejos de resolver el problema. Esto se debe a que si el conductor realiza la consulta al salir de su casa para dirigirse hacia una zona donde hay espacios libres, probablemente al momento de su llegada esa situación ya haya cambiado y la información consultada haya quedado obsoleta. Es por esta causa, que una solución más adecuada para los conductores sería disponer de un sistema que sea capaz de estimar, con una cierta anticipación, la cantidad de lugares disponibles al momento de su llegada. Este trabajo se centra en la creación de un modelo capaz de estimar el nivel de ocupación de estacionamiento como intermedio para determinar qué lugares tienen una mayor probabilidad de encontrarse disponibles en cada cuadra del centro comercial de la ciudad de Tandil, Argentina para un día e intervalo horario específicos. Dicho modelo utiliza datos recolectados de los 95 parquímetros repartidos a lo largo de toda la zona céntrica durante todo el año 2019, provistos por el Municipio de la ciudad de Tandil. Con el fin de lograr predicciones lo más precisas posibles, se evaluó la inclusión en el modelo de información externa correspondiente a los datos climáticos, las vacaciones escolares y las infracciones. Luego, se seleccionó el conjunto óptimo de variables a utilizar, los valores más apropiados para los híper-parámetros, el grupo de datos que se emplearían para el entrenamiento y testeo y se procedió a crear el modelo de predicción. Este modelo está basado en la utilización de redes convolucionales gráficas junto con redes neuronales recurrentes con memoria a corto y largo plazo. A través de diversas evaluaciones experimentales, se comparó el modelo de este trabajo con otros de la literatura. Como resultado se pudo concluir que el modelo propuesto en este trabajo supera a los modelos base por un margen significativo. Asimismo, las evaluaciones realizadas permitieron demostrar que la inclusión de todas las fuentes de información disponibles no necesariamente aportaba más información a la predicción. En este sentido, se determinó que el mejor modelo incluía la información extraída de los parquímetros y los datos climáticos.
publisher	Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publishDate	2021
url	Goicoechea, M. P. y Mastieri, J. E. (2021, Abril). Detección, análisis y predicción de patrones de movilidad urbana [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina.
work_keys_str_mv	AT goicoecheamariapia deteccionanalisisypredicciondepatronesdemovilidadurbana AT mastierijulianezequiel deteccionanalisisypredicciondepatronesdemovilidadurbana
first_indexed	2022-07-04T14:38:01Z
last_indexed	2022-07-04T14:38:01Z
bdutipo_str	Revistas
_version_	1764819786237214720

Detección, análisis y predicción de patrones de movilidad urbana

Ejemplares similares