Detalles MARC
| 000 -CABECERA |
|---|
| Campo de control de longitud fija |
04803nam a22003737a 4500 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| Campo de control |
EC-UrYT |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Campo de control |
20231123143335.0 |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Campo de control de longitud fija |
150116t9999 mx r gr 000 0 spa d |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro transcriptor |
EC-UrYT |
| 041 ## - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto/banda sonora o título independiente |
eng |
| Código de lengua del sumario o resumen |
spa |
| 100 1# - PUNTO DE ACCESO PRINCIPAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
De la Cruz Paucar, Franklin Steven |
| 9 (RLIN) |
15389 |
| Término indicativo de función |
autor |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Calibration of mobility and traffic simulation models through machine learning/ |
| Mención de responsabilidad etc. |
Franklin Steven De la Cruz Paucar, tutor Tito Rolando Armas Andrade |
| 264 #4 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Lugar de producción |
Urcuquí, |
| Fecha de producción |
2023 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
102 hojas : |
| Otras características físicas |
ilustraciones (algunas a color) ; |
| Dimensiones |
30 cm + |
| Material anejo |
1 CD-ROM |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Trabajo de integración curricular |
| Tipo de título |
(Ingeniero/a en Tecnologías de la Información). |
| Nombre de la institución que otorga el título |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Ciudad de la institución que otorga el título |
Urcuquí, |
| Año de obtención del título |
2023 |
| 504 ## - NOTA DE BIBLIOGRAFÍA; ETC. |
|---|
| Nota de bibliografía etc. |
Incluye referencias bibliográficas (páginas 75-82) |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
Trabajo de integración curricular con acceso abierto |
| 516 ## - NOTA DE TIPO DE ARCHIVO DE ORDENADOR O DE DATOS |
|---|
| Nota de tipo de archivo de ordenador o de datos |
Texto (Hypertexto links) |
| 520 ## - NOTA DE SUMARIO; ETC. |
|---|
| Sumario etc. |
La movilidad urbana es uno de los principales elementos del transporte inteligente, debido a su importancia y avance tecnológico, los ingenieros de tráfico aprovechan los modelos computacionales de movilidad y simulación de tráfico. Sin embargo, para obtener un escenario similar a la vida real es necesario cambiar parámetros en el simulador. Este proceso es iterativo y requiere mucho tiempo. Tradicionalmente se realiza de forma manual, es decir, el ingeniero de tráfico va cambiando los parámetros del simulador hasta obtener un escenario similar al observado. La importancia de las simulaciones radica en que ayudan a mejorar el flujo de tráfico y predecir la congestión si algo cambia en la red. Simulation of Urban Mobility (SUMO) es una herramienta muy popular en el mundo de la simulación de tráfico. Este software es un paquete de tráfico microscópico y de código abierto que simula el comportamiento de la red urbana. Sin embargo, estas simulaciones son computacionalmente costosas debido a problemas en el tamaño del escenario y la cantidad de vehículos. La cantidad de automóviles en un sistema puede llevar mucho tiempo de procesamiento y calibración, por lo tanto, esta investigación propone una metodología para calibrar automáticamente simulaciones de tráfico mediante el conteo de automóviles en tiempo real para obtener datos precisos de entrada del simulador. Primero, se realizan muchas simulaciones para crear un extenso conjunto de datos de ejemplos utilizando diferentes volúmenes de vehículos en los carriles de entrada y probabilidades en los carriles de intersección. Luego, los datos se intercambian de entrada/salida a salida/entrada para entrenar los modelos. Se aplican diferentes técnicas de aprendizaje automático, como Redes Neuronales Artificiales, Bosque Aleatorio (RF) y k-Vecino más cercano (kNN) que son capaces de estimar resultados de los parámetros de entrada para la simulación. Se presenta otra opción de calibración que combina modelos de aprendizaje automático y un algoritmo genético si el método propuesto no funciona bien. Se seleccionó la ciudad de Ibarra como principal área para la calibración y dos escenarios alternativos con alta prevalencia en áreas urbanas, así como el hecho de que sus estructuras de red difieren entre sí. Los resultados han demostrado que las redes neuronales tienen un mejor rendimiento en el primer escenario para predecir valores de entrada al simulador. En el segundo escenario, las redes neuronales también tuvieron un mejor rendimiento, sin embargo, los resultados no fueron tan precisos. Es por ello que se realizó la alternativa que combina modelos de aprendizaje automático con un algoritmo genético. kNN logró un mejor rendimiento al predecir las salidas del simulador sin su ejecución. Una vez desarrollado un modelo con alta precisión, se implementó un algoritmo genético para obtener los valores de entrada de la simulación teniendo el conteo de automóviles en las intersecciones. |
| 546 ## - NOTA DE LENGUA |
|---|
| Nota de lengua |
Textos en inglés con resúmenes en español e inglés |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Redes neuronales artificiales |
| 9 (RLIN) |
12691 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Aprendizaje automático |
| 9 (RLIN) |
12923 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Algoritmos genéticos |
| 9 (RLIN) |
11480 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Artificial Neural Networks |
| 9 (RLIN) |
12689 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Machine Learning |
| 9 (RLIN) |
12667 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Genetic algorithms |
| 9 (RLIN) |
12697 |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Tecnologías de la Información |
| 9 (RLIN) |
3891 |
| Subdivisión de forma |
Trabajos y disertaciones académicas |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Armas Andrade Tito Rolando |
| 9 (RLIN) |
15287 |
| Término indicativo de función |
tutor |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Morocho Cayamcela, Manuel Eugenio |
| 9 (RLIN) |
12750 |
| Término indicativo de función |
Co - tutor |
| 710 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
|---|
| Nombre de entidad o nombre de jurisdicción como elemento inicial |
Universidad de Investigación de Tecnología Experimental Yachay. |
| 9 (RLIN) |
11232 |
| Unidad subordinada |
Escuela de Ciencias Matemáticas y Computacionales |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Nota pública |
Ver recurso |
| Identificador Uniforme del Recurso (URI) |
http://repositorio.yachaytech.edu.ec/handle/123456789/675 |
| 942 ## - ENTRADA PARA ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificación o esquema de ordenación en estanterías |
Clasificación Decimal Dewey |
| Koha [por defecto] tipo de item |
Tesis |
