Big Data – Análisis de tráfico y optimización de rutas con machine learning
En este proyecto se van a analizar un conjunto de datos de acceso libre utilizando sistemas y metodologías Big Data sobre el comportamiento del tráfico vehicular en la ciudad de Madrid desde julio de 2022 hasta junio de 2023. El estudio analizará los datos de tráfico para crear un mapa de calor con...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/149566 |
| Acceso en línea: | http://hdl.handle.net/10609/149566 |
| Access Level: | acceso abierto |
| Palabra clave: | optimización computación distribuida big data aprendizaje automático machine learning optimization distributed computing optimització aprenentatge automàtic computació distribuïda Machine learning -- FMDP Aprenentatge automàtic -- TFM |
| Sumario: | En este proyecto se van a analizar un conjunto de datos de acceso libre utilizando sistemas y metodologías Big Data sobre el comportamiento del tráfico vehicular en la ciudad de Madrid desde julio de 2022 hasta junio de 2023. El estudio analizará los datos de tráfico para crear un mapa de calor con las zonas con más tráfico durante cada hora, según el día. Con este análisis se crearán modelos de machine learning o inteligencia artificial para optimizar las rutas. De esta forma podremos calcular la ruta optima prediciendo el tráfico que ocurrirá a lo largo del trayecto. Se van a entrenar varios algoritmos, optimizados para acortar el trayecto para obtener la ruta más ecológica o para encontrar la ruta más rápida. Estos modelos podrían ser utilizados para reducir costes de operación en empresas repartidoras y de transporte, reduciendo el tiempo del trayecto y la polución. En el proyecto sólo se utilizan datos de tráfico para la ciudad de Madrid durante un año para no aumentar la complejidad de hardware requerido durante el procesado. Solamente sirve como un modelo para demonstrar la viabilidad y el estudio de los sistemas requeridos. Para el análisis se empleará un entorno virtualizado con contenedores y PySpark para cargar y analizar los datos. Con librerías de Python se crearán los distintos modelos y algoritmos. |
|---|