Análisis de trayectorias utilizando técnicas de minería de datos
- Autores
- Reyes Zambrano, Gary Xavier
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- tesis doctoral
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Lanzarini, Laura Cristina
Hasperué, Waldo - Descripción
- Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanas
Doctor en Ciencias Informáticas
Universidad Nacional de La Plata
Facultad de Informática - Materia
-
Ciencias Informáticas
Minería de Datos
Trayectorias
Agrupamiento de Trayectorias
Densidad
Variabilidad
Flujo Vehicular - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/174995
Ver los metadatos del registro completo
id |
SEDICI_f60e1d1ce9bfb9453a3da46ea3a96e21 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/174995 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Análisis de trayectorias utilizando técnicas de minería de datosReyes Zambrano, Gary XavierCiencias InformáticasMinería de DatosTrayectoriasAgrupamiento de TrayectoriasDensidadVariabilidadFlujo VehicularLos avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanasDoctor en Ciencias InformáticasUniversidad Nacional de La PlataFacultad de InformáticaLanzarini, Laura CristinaHasperué, Waldo2024-12-12info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionTesis de doctoradohttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/174995https://doi.org/10.35537/10915/174995spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:03Zoai:sedici.unlp.edu.ar:10915/174995Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:04.062SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Análisis de trayectorias utilizando técnicas de minería de datos |
title |
Análisis de trayectorias utilizando técnicas de minería de datos |
spellingShingle |
Análisis de trayectorias utilizando técnicas de minería de datos Reyes Zambrano, Gary Xavier Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular |
title_short |
Análisis de trayectorias utilizando técnicas de minería de datos |
title_full |
Análisis de trayectorias utilizando técnicas de minería de datos |
title_fullStr |
Análisis de trayectorias utilizando técnicas de minería de datos |
title_full_unstemmed |
Análisis de trayectorias utilizando técnicas de minería de datos |
title_sort |
Análisis de trayectorias utilizando técnicas de minería de datos |
dc.creator.none.fl_str_mv |
Reyes Zambrano, Gary Xavier |
author |
Reyes Zambrano, Gary Xavier |
author_facet |
Reyes Zambrano, Gary Xavier |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lanzarini, Laura Cristina Hasperué, Waldo |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular |
topic |
Ciencias Informáticas Minería de Datos Trayectorias Agrupamiento de Trayectorias Densidad Variabilidad Flujo Vehicular |
dc.description.none.fl_txt_mv |
Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanas Doctor en Ciencias Informáticas Universidad Nacional de La Plata Facultad de Informática |
description |
Los avances tecnológicos han facilitado la captura, representación y almacenamiento de información relacionada con las trayectorias vehiculares, gracias al uso de sensores, sistemas de navegación GPS y aplicaciones móviles. Estos datos, combinados con técnicas de inteligencia artificial, permiten identificar patrones de flujo vehicular. En los últimos años, las tecnologías de recolección y análisis de datos han logrado abordar el problema del congestionamiento vial y la identificación de zonas altamente densas. La comprensión de los datos de tráfico y el uso de técnicas de Inteligencia Artificial (IA) son fundamentales para abordar la identificación de patrones y zonas de congestión de manera eficiente y precisa. Investigaciones recientes han integrado técnicas de aprendizaje automático y minería de datos para descubrir patrones ocultos y anomalías en el flujo de tráfico. La combinación de estrategias de agrupamiento con otras metodologías de análisis proporciona una visión integral y sistémica del flujo vehicular en diversos contextos. El agrupamiento de trayectorias se enfoca en datos que representan movimientos en un espacio y tiempo determinado. En el agrupamiento de flujos de datos, han surgido algoritmos especializados para enfrentar los desafíos asociados con la dinámica y continuidad de la información. Estos algoritmos, están específicamente adaptados para el procesamiento continuo de datos y representan avances significativos en el campo del agrupamiento. Uno de los métodos ampliamente utilizados es el análisis de datos de trayectorias que son generadas por vehículos, mediante técnicas de agrupamiento. Estos métodos permiten dividir el flujo vehicular en grupos homogéneos, identificando patrones y comportamientos similares en el tráfico, lo que facilita la identificación de áreas con altos niveles de congestión sean estos persistentes o emergentes. Considerando las restricciones observadas en trabajos previos y la necesidad crucial de realizar un análisis del flujo vehicular, se plantea como un desafío central a abordar el detectar áreas de variabilidad alta en base a la densidad vehicular Para dar solución al problema se plantea: Desarrollar una técnica adaptativa basada en un algoritmo de agrupamiento de flujo de datos que procese datos de trayectorias e índices vehiculares históricos que permita la identificación de las diversas fluctuaciones en las densidades vehiculares de zonas urbanas |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-12-12 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/acceptedVersion Tesis de doctorado http://purl.org/coar/resource_type/c_db06 info:ar-repo/semantics/tesisDoctoral |
format |
doctoralThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/174995 https://doi.org/10.35537/10915/174995 |
url |
http://sedici.unlp.edu.ar/handle/10915/174995 https://doi.org/10.35537/10915/174995 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616334887878656 |
score |
13.070432 |