Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
El tráfico urbano se ha convertido en un problema crítico con muchas implicaciones en diferentes áreas. El principal reto a la hora de estudiarlo está en la enorme cantidad de datos que se generan en muy poco tiempo, lo que sitúa su análisis dentro del ámbito del big data. En este trabajo exploramos...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| 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:20.500.14468/30310 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/30310 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.17 Informática Big Data Contenedores Sistemas distribuidos Deep Learning Predicción de tráfico Spark Docker Containers Distributed Systems Traffic Prediction |
| Sumario: | El tráfico urbano se ha convertido en un problema crítico con muchas implicaciones en diferentes áreas. El principal reto a la hora de estudiarlo está en la enorme cantidad de datos que se generan en muy poco tiempo, lo que sitúa su análisis dentro del ámbito del big data. En este trabajo exploramos marcos computacionales escalables y técnicas avanzadas de modelado para el análisis y la predicción automatizada del tráfico. Nos apoyamos en arquitecturas basadas en contenedores que permiten un despliegue flexible, aislamiento de recursos y escalabilidad horizontal en entornos cloud-native, integrando Apache Spark como motor principal para el procesamiento distribuido de datos. Esta combinación resulta especialmente adecuada para manejar flujos de información en tiempo real. Sobre esta infraestructura, implementamos y evaluamos modelos de Deep Learning para predecir el tráfico, tomando Madrid como ejemplo de ciudad occidental moderna. |
|---|