Exploración de métodos para predicción de tráfico vehicular : autorregresivos, redes recurrentes, autoencoders y modelos basados en grafos

Simple item page
dc.contributor.advisorYovine, Sergio Fabián
dc.contributor.tribunalBianchi, Alejandro
dc.contributor.tribunalCarrasco Piaggio, Matías
dc.creatorBelza Laiolo, Santiago
dc.creatorAllan, Vanesa
dc.date.accessioned2024-08-22T19:35:11Z
dc.date.available2024-08-22T19:35:11Z
dc.date.issued2024
dc.descriptionIncluye bibliografía y anexos.
dc.description.abstractEste trabajo final se centra en la exploración de cuatro técnicas para la predicción del tráfico vehicular: Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), Stacked Autoencoders (SAE) y modelos basados en grafos. Estos métodos representan diferentes enfoques y paradigmas en el campo del aprendizaje automático y la minería de datos, cada uno con sus propias fortalezas y limitaciones. El objetivo principal es una evaluación de estos métodos en términos de su capacidad para modelar y predecir el flujo de tráfico vehicular. Se analizarán métricas de rendimiento y la capacidad de generalización en diferentes escenarios y conjuntos de datos. El trabajo realizado destaca que las técnicas ARIMA y LSTM son efectivas para capturar dependencias temporales en datos de tráfico, especialmente cuando esta es predominante. Sin embargo, los SAEs y modelos basados en grafos, al considerar la componente espacial, son capaces de manejar una mayor dimensionalidad de detectores. Específicamente, los modelos basados en grafos se destacan por su capacidad de modelar la estructura espacial de la red vial y las interacciones entre múltiples puntos de medición. Este documento proporciona una guía útil para los investigadores y profesionales del campo del transporte urbano, facilitando la selección y aplicación de métodos de predicción del tráfico vehicular más efectivos y adecuados para diferentes contextos y requisitos específicos.
dc.format.extent54 p. diagrs.,maps., grafs
dc.format.mimetypePDF
dc.identifier.citationBelza Laiolo, S. & Allan, V. (2024). Exploración de métodos para predicción de tráfico vehicular: autorregresivos, redes recurrentes, autoencoders y modelos basados en grafos (Trabajo final) Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7032
dc.identifier.urihttps://hdl.handle.net/20.500.11968/7032
dc.languagespa
dc.publisherUniversidad ORT Uruguay
dc.relation.otherhttps://sisbibliotecas.ort.edu.uy/bib/95822
dc.rights.levelAcceso abierto
dc.subjectPROYECTOS-MD
dc.subjectGESTIÓN DE TRÁFICO
dc.subjectMODELO AUTORREGRESIVO INTEGRADO DE MEDIA MÓVIL
dc.subjectREDES NEURONALES
dc.subjectREDES DE GRAFOS CONVOLUCIONALES
dc.titleExploración de métodos para predicción de tráfico vehicular
dc.title.subtitleautorregresivos, redes recurrentes, autoencoders y modelos basados en grafos
dc.typeTrabajo final de carrera
dc.type.versionVersión publicada
ort.thesis.careerFI - Master en Big Data - MD
ort.thesis.degreegrantorFacultad de Ingeniería
ort.thesis.degreelevelMaster
ort.thesis.degreenameMaster en Big Data
ort.thesis.degreetypeTrabajo final
ort.thesis.noteTrabajo final (Master). Universidad ORT Uruguay, Facultad de Ingeniería
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Material completo.pdf
Size:
2.07 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Trabajos finales de carrera de postgrado