Buscar


Mostrar el registro sencillo del ítem

dc.rights.license https://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Ricardo Montoya Zamora es_ES
dc.creator Julio César Carrasco Morales es_ES
dc.date.accessioned 2025-01-10T13:17:36Z
dc.date.available 2025-01-10T13:17:36Z
dc.date.issued 2024-11
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/11302
dc.description Se 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 campo es_ES
dc.format pdf es_ES
dc.format.extent 1 recurso en línea (154 páginas) es_ES
dc.format.medium computadora es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autónoma de Querétaro es_ES
dc.relation.requires No es_ES
dc.rights openAccess es_ES
dc.subject Algoritmos genéticos es_ES
dc.subject Microsimulación es_ES
dc.subject Modelos Autorregresivos Optimización es_ES
dc.subject Tránsito es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Predicción de tráfico vehicular empleando Series de Tiempo y Redes Neuronales, aplicándolos a la optimización semafórica en un microsimualdor es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid ORCID es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador 0009-0009-0794-8607 es_ES
dc.contributor.identificador 0000-0002-9383-6004 es_ES
dc.contributor.role Director es_ES
dc.degree.name Maestría en Ingeniería de Vías Terrestres y Movilidad es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES
dc.format.support recurso en línea es_ES
dc.matricula.creator 317923 es_ES
dc.folio IGMAC-317923 es_ES


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-317923.pdf
Tamaño: 6.441Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem