Diseño y comparación de modelos para la predicción del flujo de tráfico

La organización del tráfico es un problema que tienen que afrontar día a día la mayoría de las grandes ciudades del mundo. Una de las herramientas que ayuda a mantener una vías más libres y con circulación más fluida es conocer con la mayor precisión posible el estado del tráfico en las próximas hor...

Descripción completa

Detalles Bibliográficos
Autor: Sobrini García, Elena
Tipo de recurso: tesis de maestría
Fecha de publicación:2022
País:España
Institución:Universidad Nacional de Educación a Distancia
Repositorio:e-spacio. Repositorio Institucional de la UNED
Idioma:español
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/14607
Acceso en línea:https://hdl.handle.net/20.500.14468/14607
Access Level:acceso abierto
Palabra clave:1203.04 Inteligencia artificial
id ES_4f4eb6a50f06a0ff2c77003d6c561221
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/14607
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diseño y comparación de modelos para la predicción del flujo de tráficoSobrini García, Elena1203.04 Inteligencia artificialLa organización del tráfico es un problema que tienen que afrontar día a día la mayoría de las grandes ciudades del mundo. Una de las herramientas que ayuda a mantener una vías más libres y con circulación más fluida es conocer con la mayor precisión posible el estado del tráfico en las próximas horas. En este proyecto se utilizan los datos públicos de tráfico y meteorología disponibles en el Portal de datos abiertos del Ayuntamiento de Madrid para diseñar, evaluar y comparar modelos predictivos del flujo de tráfico en la misma ciudad. Los modelos comparados varían en cuanto a las variables utilizadas, las transformaciones aplicadas y el modelo de aprendizaje automático usado. Además, algunos de los modelos son de predicción a corto plazo, mientras que otros, son de predicción a largo plazo. Podemos agrupar los modelos utilizados en los siguientes tipos: modelos básicos de referencia, modelos de regresión lineal, modelos de potenciación del gradiente y un modelo de redes neuronales en grafos. Los modelos de regresión lineal y de potenciación del gradiente los vamos a considerar modelos a largo plazo, mientras que el modelo de redes neuronales en grafos, a corto plazo. Estos dos grupos los comparamos con sus correspondientes modelos de referencia y veremos en qué casos una estructura más compleja obtiene mejores resultados que las sencillas de referencia. Finalmente, se extraen conclusiones y se proponen futuras vías de trabajo en el área.The organization of the traffic is a problem that most of the big cities in the world have to face day after day. One of the tools that helps by keeping a smoother flow of traffic is to know as accurately as possible the traffic conditions for the next few hours. In this project, the public data about the traffic and meteorology of the city of Madrid, published by the local government, are used to design, evaluate and compare predictive models of the traffic flow in the city. The models compared vary in terms of the variables used, the transformations applied and the machine learning methods used. Moreover, some of the models are for short-term forecasting, while the others are for long-term forecasting. We can group the models into the following sets: basic benchmark models, linear regression models, gradient boosting models and a graph neural network model. The linear regression and the gradient boosting models are the long-term forecasting methods, while the graph neural network model (GNN) is a short-term forecasting method. We are going to compare these two groups with the corresponding baseline models and assess when a more complex model achieves a better result than a simple one. Finally, conclusions are drawn and future avenues of work in the area are proposed.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia ArtificialCaminero Herráez, Agustín CarlosMuñoz Mansilla, María del Rocíoe-Spacio UNED20242024-05-2020222022-06-2720222022-06-27master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14607reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/146072026-06-06T12:38:31Z
dc.title.none.fl_str_mv Diseño y comparación de modelos para la predicción del flujo de tráfico
title Diseño y comparación de modelos para la predicción del flujo de tráfico
spellingShingle Diseño y comparación de modelos para la predicción del flujo de tráfico
Sobrini García, Elena
1203.04 Inteligencia artificial
title_short Diseño y comparación de modelos para la predicción del flujo de tráfico
title_full Diseño y comparación de modelos para la predicción del flujo de tráfico
title_fullStr Diseño y comparación de modelos para la predicción del flujo de tráfico
title_full_unstemmed Diseño y comparación de modelos para la predicción del flujo de tráfico
title_sort Diseño y comparación de modelos para la predicción del flujo de tráfico
dc.creator.none.fl_str_mv Sobrini García, Elena
author Sobrini García, Elena
author_facet Sobrini García, Elena
author_role author
dc.contributor.none.fl_str_mv Caminero Herráez, Agustín Carlos
Muñoz Mansilla, María del Rocío
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
topic 1203.04 Inteligencia artificial
description La organización del tráfico es un problema que tienen que afrontar día a día la mayoría de las grandes ciudades del mundo. Una de las herramientas que ayuda a mantener una vías más libres y con circulación más fluida es conocer con la mayor precisión posible el estado del tráfico en las próximas horas. En este proyecto se utilizan los datos públicos de tráfico y meteorología disponibles en el Portal de datos abiertos del Ayuntamiento de Madrid para diseñar, evaluar y comparar modelos predictivos del flujo de tráfico en la misma ciudad. Los modelos comparados varían en cuanto a las variables utilizadas, las transformaciones aplicadas y el modelo de aprendizaje automático usado. Además, algunos de los modelos son de predicción a corto plazo, mientras que otros, son de predicción a largo plazo. Podemos agrupar los modelos utilizados en los siguientes tipos: modelos básicos de referencia, modelos de regresión lineal, modelos de potenciación del gradiente y un modelo de redes neuronales en grafos. Los modelos de regresión lineal y de potenciación del gradiente los vamos a considerar modelos a largo plazo, mientras que el modelo de redes neuronales en grafos, a corto plazo. Estos dos grupos los comparamos con sus correspondientes modelos de referencia y veremos en qué casos una estructura más compleja obtiene mejores resultados que las sencillas de referencia. Finalmente, se extraen conclusiones y se proponen futuras vías de trabajo en el área.
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-06-27
2022
2022-06-27
2024
2024-05-20
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/14607
url https://hdl.handle.net/20.500.14468/14607
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869407811790700544
score 15,811543

Similares en LA Referencia