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...

Descripción completa

Detalles Bibliográficos
Autor: Frías Lobillo, Juan Manuel
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
id ES_ca34d0b5c6b41573afcf5440db0ced7e
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/30310
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y DockerFrías Lobillo, Juan Manuel1203.17 InformáticaBig DataContenedoresSistemas distribuidosDeep LearningPredicción de tráficoSparkDockerBig DataContainersDistributed SystemsDeep LearningTraffic PredictionSparkDockerEl 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.Caminero Herráez, Agustín CarlosMuñoz Mansilla, María del Rocíoe-Spacio UNED20252025-10-0220252025-09-0120252025-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/30310reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/303102026-06-06T12:38:31Z
dc.title.none.fl_str_mv Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
title Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
spellingShingle Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
Frías Lobillo, Juan Manuel
1203.17 Informática
Big Data
Contenedores
Sistemas distribuidos
Deep Learning
Predicción de tráfico
Spark
Docker
Big Data
Containers
Distributed Systems
Deep Learning
Traffic Prediction
Spark
Docker
title_short Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
title_full Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
title_fullStr Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
title_full_unstemmed Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
title_sort Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker
dc.creator.none.fl_str_mv Frías Lobillo, Juan Manuel
author Frías Lobillo, Juan Manuel
author_facet Frías Lobillo, Juan Manuel
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 1203.17 Informática
Big Data
Contenedores
Sistemas distribuidos
Deep Learning
Predicción de tráfico
Spark
Docker
Big Data
Containers
Distributed Systems
Deep Learning
Traffic Prediction
Spark
Docker
topic 1203.17 Informática
Big Data
Contenedores
Sistemas distribuidos
Deep Learning
Predicción de tráfico
Spark
Docker
Big Data
Containers
Distributed Systems
Deep Learning
Traffic Prediction
Spark
Docker
description 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.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-10-02
2025
2025-09-01
2025
2025-09-01
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/20.500.14468/30310
url https://hdl.handle.net/20.500.14468/30310
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
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
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_ 1869419459348791296
score 15,812429

Similares en LA Referencia