El constante crecimiento de la población mundial ha impuesto una presión significativa sobre las áreas urbanas. La población global ha alcanzado los 8.000 millones de personas en el año 2022, y las distintas proyecciones indican esta cifra siga aumentando exponencialmente, lo que plantea retos enormes para la planificación urbana y la gestión de recursos. La densificación de las áreas metropolitanas, haciendo énfasis en las grandes capitales del mundo, exige soluciones innovadoras que aseguren la sostenibilidad y la calidad de vida de los ciudadanos.
En este contexto, surge el concepto de ciudades inteligentes o Smart Cities, este hace referencia a un concepto en el que las ciudades utilizan tecnologías de información y comunicación con el objetivo de mejorar todos los aspectos que envuelven la gestión urbana. Este trabajo se centra en uno de los problemas más grandes que afectan a las grandes ciudades, el problema de la congestión de tráfico.
Debido a la importancia de esta problemática que supone una ciudad congestionada y atascada por el tráfico, los planificadores urbanos se han visto obligados a utilizar las nuevas tecnologías para poder tomar medidas en este asunto. La congestión vehicular es uno de los problemas más críticos que enfrentan las grandes ciudades, afectando a la economía, el medio ambiente y la calidad de vida de los ciudadanos. Con el objetivo de proponer una posible solución para mejorar un poco esta problemática, en este trabajo se utilizan técnicas de Machine Learning para analizar grandes volúmenes de datos e intentar predecir la intensidad de tráfico de una manera efectiva, anticipando posibles congestiones y facilitando la toma de decisiones en tiempo real.
La importancia de los datos en la gestión del tráfico es crucial. La recopilación y el análisis de datos de tráfico en tiempo real proporcionan una base sólida que ayudan al desarrollo de modelos predictivos precisos. La digitalización del transporte y el uso de datos abiertos fiables mejoran la eficiencia de las soluciones que se proponen hoy en día referentes a la movilidad, fomentando de esta manera la transparencia y la participación pública.
El objetivo final de este Trabajo Fin de Grado (TFG) es desarrollar una herramienta sencilla basada en Machine Learning que utilice datos de tráfico de la ciudad de Madrid para predecir la intensidad de tráfico en momentos específicos e integrarla en la herramienta de simulación de redes vehiculares SUMO (Simulation of Urban MObility) logrando la predicción de las condiciones iniciales de una simulación, es decir, se busca predecir las condiciones bajo las cuales la simulación se pueda iniciar, basándose en distintas variables que afectan directamente al tráfico. En resumen, se pretende desarrollar una herramienta que permita generar las condiciones iniciales de una simulación basándose en la predicción de un modelo de regresión lineal.
El constante crecimiento de la población mundial ha impuesto una presión significativa sobre las áreas urbanas. La población global ha alcanzado los 8.000 millones de personas en el año 2022, y las distintas proyecciones indican esta cifra siga aumentando exponencialmente, lo que plantea retos enormes para la planificación urbana y la gestión de recursos. La densificación de las áreas metropolitanas, haciendo énfasis en las grandes capitales del mundo, exige soluciones innovadoras que aseguren la sostenibilidad y la calidad de vida de los ciudadanos.
En este contexto, surge el concepto de ciudades inteligentes o Smart Cities, este hace referencia a un concepto en el que las ciudades utilizan tecnologías de información y comunicación con el objetivo de mejorar todos los aspectos que envuelven la gestión urbana. Este trabajo se centra en uno de los problemas más grandes que afectan a las grandes ciudades, el problema de la congestión de tráfico.
Debido a la importancia de esta problemática que supone una ciudad congestionada y atascada por el tráfico, los planificadores urbanos se han visto obligados a utilizar las nuevas tecnologías para poder tomar medidas en este asunto. La congestión vehicular es uno de los problemas más críticos que enfrentan las grandes ciudades, afectando a la economía, el medio ambiente y la calidad de vida de los ciudadanos. Con el objetivo de proponer una posible solución para mejorar un poco esta problemática, en este trabajo se utilizan técnicas de Machine Learning para analizar grandes volúmenes de datos e intentar predecir la intensidad de tráfico de una manera efectiva, anticipando posibles congestiones y facilitando la toma de decisiones en tiempo real.
La importancia de los datos en la gestión del tráfico es crucial. La recopilación y el análisis de datos de tráfico en tiempo real proporcionan una base sólida que ayudan al desarrollo de modelos predictivos precisos. La digitalización del transporte y el uso de datos abiertos fiables mejoran la eficiencia de las soluciones que se proponen hoy en día referentes a la movilidad, fomentando de esta manera la transparencia y la participación pública.
El objetivo final de este Trabajo Fin de Grado (TFG) es desarrollar una herramienta sencilla basada en Machine Learning que utilice datos de tráfico de la ciudad de Madrid para predecir la intensidad de tráfico en momentos específicos e integrarla en la herramienta de simulación de redes vehiculares SUMO (Simulation of Urban MObility) logrando la predicción de las condiciones iniciales de una simulación, es decir, se busca predecir las condiciones bajo las cuales la simulación se pueda iniciar, basándose en distintas variables que afectan directamente al tráfico. En resumen, se pretende desarrollar una herramienta que permita generar las condiciones iniciales de una simulación basándose en la predicción de un modelo de regresión lineal. Read More
Related posts:
Optimización de Encuestas Electorales mediante Redes Neuronales Artificiales
Análisis comparativo de librerías de series temporales para la predicción del tráfico en diversas antenas de MásMóvil
Desarrollo de un gemelo digital para un sensor de mediciones medioambientales
Aprendizaje de enseñanzas técnicas universitarias con apoyo de videojuegos de simulación
Herramientas de simulación 3d en evaluación de riesgo ergonómico (scoping review)
Diversificación de Proveedores: estrategias para operaciones más flexibles y eficientes