Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/11302
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorRicardo Montoya Zamoraes_ES
dc.creatorJulio César Carrasco Moraleses_ES
dc.date.accessioned2025-01-10T13:17:36Z-
dc.date.available2025-01-10T13:17:36Z-
dc.date.issued2024-11-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/11302-
dc.descriptionSe diseñó un sistema de semáforo automatizado para optimizar los ciclos de los semáforos en el corredor de la Av. Pie de la Cuesta en el municipio de Santiago de Querétaro, Querétaro, México. Esto se logró mediante la predicción del tráfico vehicular mediante modelos autorregresivos, filtros de Kalman y redes neuronales recurrentes (RNN) e implementando estos métodos en un simulador microscópico. Se utilizaron datos históricos de siete intersecciones recopilados entre agosto y septiembre de 2022 para realizar predicciones de tráfico para diferentes escenarios (1 hora, 1 día, 1 semana y 1 mes) con cada uno de los tres métodos. Luego de las predicciones, cada método presentó ventajas y desventajas. El modelo autorregresivo no pudo realizar estimaciones de corto plazo, arrojando coeficientes de determinación por debajo de 0,1. En contraste, los filtros de Kalman lograron resultados de hasta 0,95 para predicciones de un día, con resultados similares para predicciones de una semana y un mes. Por último, las Redes Neuronales Recurrentes lograron sus mejores resultados con coeficientes alrededor de 0,95 para predicciones de un día y una semana, aunque no fueron tan buenos como los métodos tradicionales. Los resultados sugieren que las estimaciones a corto plazo se manejan mejor con redes neuronales, ya que este método es el más estudiado y completo. Por lo tanto, los resultados de una semana se aplicaron en un microsimulador para encontrar el ciclo de semáforo óptimo, lo que permitió una reducción de hasta un 36,34% en los tiempos de viaje dentro del corredor. Al aplicar tres métodos diferentes para la optimización de los semáforos, esta investigación tiene como objetivo abrir nuevas posibilidades en el campoes_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (154 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresNoes_ES
dc.rightsopenAccesses_ES
dc.subjectAlgoritmos genéticoses_ES
dc.subjectMicrosimulaciónes_ES
dc.subjectModelos Autorregresivos Optimizaciónes_ES
dc.subjectTránsitoes_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titlePredicción de tráfico vehicular empleando Series de Tiempo y Redes Neuronales, aplicándolos a la optimización semafórica en un microsimualdores_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0009-0794-8607es_ES
dc.contributor.identificador0000-0002-9383-6004es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ingeniería de Vías Terrestres y Movilidades_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator317923es_ES
dc.folioIGMAC-317923es_ES
Aparece en: Maestría en Ingeniería de Vías Terrestres y Movilidad

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-317923.pdf6.6 MBAdobe PDFPortada
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.