Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo

Autores
Vázquez, Raimundo; Torres, Carlos; Marighetti, Jorge Omar
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Se desarrolla un procedimiento que permite a una App predecir el estado del tránsito complejo articulado con una API de Google Maps y librerías de Maquina de Aprendizaje. Para tales fines se define una zona de tráfico vehicular donde se estiman los tiempos invertidos por un conductor al recorrer dichas calles. Cada uno de los ejemplos se asocia a un estado de tráfico en cuatro categorías: bajo, medio, moderado y alto. De esta manera se crea un conjunto de entrenamiento que es la base de información de un algoritmo de inteligencia artificial. Se elige una red neuronal del tipo MultiplayerPerceptron de una sola capa y 28 neuronas. El clasificador dio una TP Rate elevada y FP Rate muy bajo, indicando instancias de clasificación muy satisfactoria para las cuatro categorías. La Precisión del modelo muestra una buena sensibilidad y la Memoria una adecuada especificidad. El área ROC supera en todos los casos el valor 0.9, reflejando un test muy bueno. La matriz de confusión está formada por una sola diagonal acusando una buena sensibilidad y precisión.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Peer Reviewed
Materia
estado del tránsito
densidad de tráfico
estimación del tráfico
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2022-08-23T13:23:36Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/6886
Acceder
id RIAUTN_d4ec2f6ad350e41def35735e77def407
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/6886
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejoVázquez, RaimundoTorres, CarlosMarighetti, Jorge Omarestado del tránsitodensidad de tráficoestimación del tráficoSe desarrolla un procedimiento que permite a una App predecir el estado del tránsito complejo articulado con una API de Google Maps y librerías de Maquina de Aprendizaje. Para tales fines se define una zona de tráfico vehicular donde se estiman los tiempos invertidos por un conductor al recorrer dichas calles. Cada uno de los ejemplos se asocia a un estado de tráfico en cuatro categorías: bajo, medio, moderado y alto. De esta manera se crea un conjunto de entrenamiento que es la base de información de un algoritmo de inteligencia artificial. Se elige una red neuronal del tipo MultiplayerPerceptron de una sola capa y 28 neuronas. El clasificador dio una TP Rate elevada y FP Rate muy bajo, indicando instancias de clasificación muy satisfactoria para las cuatro categorías. La Precisión del modelo muestra una buena sensibilidad y la Memoria una adecuada especificidad. El área ROC supera en todos los casos el valor 0.9, reflejando un test muy bueno. La matriz de confusión está formada por una sola diagonal acusando una buena sensibilidad y precisión.Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.Peer Reviewed2022-08-23T13:23:36Z2022-08-23T13:23:36Z2021-03-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdf2422-6424http://hdl.handle.net/20.500.12272/6886http://dx.doi.org/10.30972/eitt.704777spainfo:eu-repo/semantics/openAccess2022-08-23T13:23:36Zhttp://creativecommons.org/licenses/by-nc-sa/4.0/Atribución-NoComercial-CompartirIgual 4.0 InternacionalAcceso Abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:46:18Zoai:ria.utn.edu.ar:20.500.12272/6886instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:46:19.882Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
title Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
spellingShingle Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
Vázquez, Raimundo
estado del tránsito
densidad de tráfico
estimación del tráfico
title_short Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
title_full Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
title_fullStr Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
title_full_unstemmed Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
title_sort Fusión y análisis de datos para la toma de decisiones en un escenario vehicular complejo
dc.creator.none.fl_str_mv Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
author Vázquez, Raimundo
author_facet Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
author_role author
author2 Torres, Carlos
Marighetti, Jorge Omar
author2_role author
author
dc.subject.none.fl_str_mv estado del tránsito
densidad de tráfico
estimación del tráfico
topic estado del tránsito
densidad de tráfico
estimación del tráfico
dc.description.none.fl_txt_mv Se desarrolla un procedimiento que permite a una App predecir el estado del tránsito complejo articulado con una API de Google Maps y librerías de Maquina de Aprendizaje. Para tales fines se define una zona de tráfico vehicular donde se estiman los tiempos invertidos por un conductor al recorrer dichas calles. Cada uno de los ejemplos se asocia a un estado de tráfico en cuatro categorías: bajo, medio, moderado y alto. De esta manera se crea un conjunto de entrenamiento que es la base de información de un algoritmo de inteligencia artificial. Se elige una red neuronal del tipo MultiplayerPerceptron de una sola capa y 28 neuronas. El clasificador dio una TP Rate elevada y FP Rate muy bajo, indicando instancias de clasificación muy satisfactoria para las cuatro categorías. La Precisión del modelo muestra una buena sensibilidad y la Memoria una adecuada especificidad. El área ROC supera en todos los casos el valor 0.9, reflejando un test muy bueno. La matriz de confusión está formada por una sola diagonal acusando una buena sensibilidad y precisión.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Peer Reviewed
description Se desarrolla un procedimiento que permite a una App predecir el estado del tránsito complejo articulado con una API de Google Maps y librerías de Maquina de Aprendizaje. Para tales fines se define una zona de tráfico vehicular donde se estiman los tiempos invertidos por un conductor al recorrer dichas calles. Cada uno de los ejemplos se asocia a un estado de tráfico en cuatro categorías: bajo, medio, moderado y alto. De esta manera se crea un conjunto de entrenamiento que es la base de información de un algoritmo de inteligencia artificial. Se elige una red neuronal del tipo MultiplayerPerceptron de una sola capa y 28 neuronas. El clasificador dio una TP Rate elevada y FP Rate muy bajo, indicando instancias de clasificación muy satisfactoria para las cuatro categorías. La Precisión del modelo muestra una buena sensibilidad y la Memoria una adecuada especificidad. El área ROC supera en todos los casos el valor 0.9, reflejando un test muy bueno. La matriz de confusión está formada por una sola diagonal acusando una buena sensibilidad y precisión.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-01
2022-08-23T13:23:36Z
2022-08-23T13:23:36Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv 2422-6424
http://hdl.handle.net/20.500.12272/6886
http://dx.doi.org/10.30972/eitt.704777
identifier_str_mv 2422-6424
url http://hdl.handle.net/20.500.12272/6886
http://dx.doi.org/10.30972/eitt.704777
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2022-08-23T13:23:36Z
http://creativecommons.org/licenses/by-nc-sa/4.0/
Atribución-NoComercial-CompartirIgual 4.0 Internacional
Acceso Abierto
eu_rights_str_mv openAccess
rights_invalid_str_mv 2022-08-23T13:23:36Z
http://creativecommons.org/licenses/by-nc-sa/4.0/
Atribución-NoComercial-CompartirIgual 4.0 Internacional
Acceso Abierto
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230919512752128
score 13.265058

Publicaciones similares