Integración de servicios y tecnologías IoT: detección de vehículos y predicción de niveles de tráfico

Las congestiones de tráfico vehicular son un problema que sufren muchas ciudades en el mundo, cada día es mayor la cantidad de personas que pierden valiosas horas de su tiempo atascadas en el tráfico, lo que se traduce en pérdidas económicas y de otra índole. Una posible solución para reducir el tie...

Descripción completa

Detalles Bibliográficos
Autor: Caschetto Siracusa, Vincenzo Antonio
Tipo de recurso: tesis de maestría
Fecha de publicación:2019
País:España
Institución:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:español
OAI Identifier:oai:docta.ucm.es:20.500.14352/14359
Acceso en línea:https://hdl.handle.net/20.500.14352/14359
Access Level:acceso abierto
Palabra clave:004(043.3)
IoT
Redes Neuronales
Tráfico
Azure IoT Hub
Apache Spark
TensorFlow
MongoDB
AWS
Lambda
Amazon API Gateway
Neural Networks
Traffic
AWS Lambda
Informática (Informática)
1203.17 Informática
Descripción
Sumario:Las congestiones de tráfico vehicular son un problema que sufren muchas ciudades en el mundo, cada día es mayor la cantidad de personas que pierden valiosas horas de su tiempo atascadas en el tráfico, lo que se traduce en pérdidas económicas y de otra índole. Una posible solución para reducir el tiempo perdido de los viajeros por congestión y la contaminación creada por los estancamientos, es alertar acerca del flujo de tráfico presente en las vías, de modo que un conductor pueda escoger su ruta conociendo previamente el tráfico existente por zonas. El presente trabajo se focaliza en una solución para monitorizar el flujo vehicular en las vías con el fin de que estos datos sean accesibles por parte de los usuarios, de igual modo, podrán obtener información sobre el tráfico estimado en cierto momento de cualquier día para dichas vías. Esta solución está basada en la integración de servicios y tecnologías de Internet de las Cosas, IoT (Internet of Things), y además está pensada para ser totalmente escalable, de manera que sirva para sensorizar no solo una sino todas las vías que se deseen. El planteamiento de la solución consiste en el uso de cámaras inteligentes con procesamiento de borde (edge computing) que implementan contenedores Docker, éstos son capaces de ejecutar códigos en Python con modelos de redes neuronales entrenadas con TensorFlow para reconocimiento de vehículos, luego este código envía por MQTT a Azure IoT Hub los resultados del análisis y, posteriormente, estos datos se almacenan en una base de datos MongoDB hospedada en Azure. Una vez recolectados estos datos, una función Lambda programada en Python y publicada en AWS, a través de Amazon API Gateway, permite actuar como API Rest para consultas HTTP desde múltiples dispositivos y aplicaciones, que sirven para preguntar el nivel de tráfico actual o estimado en cierta fecha y hora. Para predecir el tráfico en otra fecha se utiliza un modelo de regresión lineal realizada con Apache Spark a partir de los datos obtenidos. En este trabajo se explica el proceso evolutivo de todas las pruebas y cambios realizados para llegar a diseñar la solución que se propone, junto con las evidencias de su viabilidad en base a los resultados obtenidos.

Similares en LA Referencia