Estudio de factibilidad del uso de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular del transporte público

Feasibility study of the use of artificial neural network models in the automation of vehicle count and classification of public transport

dc.creatorMoreno Vallejo, Patricio Xavier
dc.creatorBastidas Guacho, Gisel Katerine
dc.creatorMoreno Costales, Patricio René
dc.date2020-08-13
dc.date.accessioned2024-04-29T16:57:34Z
dc.date.available2024-04-29T16:57:34Z
dc.identifierhttps://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1355
dc.identifier10.33262/concienciadigital.v3i3.1355
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9253367
dc.descriptionEl análisis del tránsito vehicular ha tomado gran importancia en los últimos años debido al incremento considerable de vehículos en las vías, lo que hace que muchas veces exista congestiones vehiculares, por lo que, es necesario conocer el aforo vehicular que transita por determinadas vías, de tal forma que se puede tomar decisiones para mejorar el tránsito vial como abrir vías alternas, cambiar temporización de semáforos, mejorar señalética de las vías, etc. Existen estudios que realizan el conteo e identificación de vehículos de forma manual mediante observación, sin embargo, esta técnica puede ser ineficiente ya que se debe contar con personas que realicen este conteo en una o varias vías durante un periodo de tiempo determinado, además, no permite capturar la información en varías horas del día.  Por otro lado, existen técnicas que pueden ser complejas de configurar o que intervienen en el flujo normal del tráfico como rampas con sensores y lazo inductivo. Por lo que se ve la necesidad de usar una técnica que permita el conteo e identificación de vehículos de una manera más eficiente y que no intervenga en el flujo del tránsito. El presente estudio plantea la utilización de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular. Se generó un modelo de redes neuronales artificiales que a través de video permite detectar y clasificar vehículos del transporte público que transitan por las vías con un nivel de certeza del 94.29%. Además, se probó el modelo en tiempo real mediante el uso de una aplicación móvil y la cámara del smartphone, demostrando que el modelo puede ser usado siempre que se tenga acceso a video sin la necesidad de una calibración o configuración del sistema. Por lo tanto, en base al alto nivel de certeza obtenido y las pruebas realizadas en tiempo real, queda demostrado que es factible la creación de sistemas que no requieran calibración ni configuraciones complejas basados en el uso de redes neuronales artificiales para la automatización del aforo y clasificación vehicular.  es-ES
dc.descriptionThe analysis of vehicular traffic has become important in recent years due to the considerable increase of vehicles on the roads, which often is translated in traffic congestion. So, it is necessary to know the vehicle capacity of the roads, in order to take decisions to improve road traffic such as opening alternate roads, changing the timing of traffic lights, improving road signs, and so on. There are studies that perform the counting and identification of vehicles manually by observation, however, this technique can be inefficient since it must have people who perform this count on one or more roads during a certain period of time, leaving out information of several hours of the day. On the other hand, there are techniques that can be complex to configure or that interfere in the normal flow of traffic such as ramps with sensors and inductive loops. Therefore, there is a need to use a technique that allows the counting and identification of vehicles in a more efficient way without interfering in the flow of traffic. This study proposes the use of artificial neural network models in the automation of vehicle counting and classification. An artificial neural network model was generated that, through video, allows the detection and classification of public transport vehicles that travel on the roads with an accuracy of 94.29%. In addition, the model was tested in real time using an app and a smartphone camera, demonstrating that the model can be used if video is available without the need for calibration or system configuration. Therefore, based on the high level of certainty obtained and the tests carried out in real time, the evidence demonstrate that it is feasible to create systems that do not require calibration or complex configurations based on the use of artificial neural networks for the automation of counting and classifying vehiclesen-US
dc.formatapplication/pdf
dc.formattext/plain
dc.formatapplication/epub+zip
dc.languagespa
dc.publisherCiencia Digital Editoriales-ES
dc.relationhttps://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1355/3339
dc.relationhttps://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1355/3340
dc.relationhttps://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/1355/3341
dc.rightsDerechos de autor 2020 ConcienciaDigitales-ES
dc.sourceConcienciaDigital; Vol. 3 Núm. 3 (2020): Educación del Futuro; 528-540es-ES
dc.sourceConcienciaDigital; Vol. 3 No. 3 (2020): Education of the Future; 528-540en-US
dc.sourceConcienciaDigital; v. 3 n. 3 (2020): Educación del Futuro; 528-540pt-BR
dc.source2600-5859
dc.source2600-5859
dc.source10.33262/concienciadigital.v3i3
dc.subjectVehicular count, ANN, inference, classification.en-US
dc.subjectaforo, vehicular, redes neuronales, inferencia, clasificación.es-ES
dc.titleEstudio de factibilidad del uso de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular del transporte públicoes-ES
dc.titleFeasibility study of the use of artificial neural network models in the automation of vehicle count and classification of public transporten-US
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtículo revisado por pareses-ES


Este ítem pertenece a la siguiente institución