Please use this identifier to cite or link to this item:
http://hdl.handle.net/10609/149566
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Margineanu, Gabriel Adrian | - |
dc.contributor.other | Monzo, Carlos | - |
dc.coverage.spatial | Valencia, ESP | - |
dc.date.accessioned | 2024-02-03T10:45:41Z | - |
dc.date.available | 2024-02-03T10:45:41Z | - |
dc.date.issued | 2024-01-08 | - |
dc.identifier.uri | http://hdl.handle.net/10609/149566 | - |
dc.description.abstract | En este proyecto se van a analizar un conjunto de datos de acceso libre utilizando sistemas y metodologías Big Data sobre el comportamiento del tráfico vehicular en la ciudad de Madrid desde julio de 2022 hasta junio de 2023. El estudio analizará los datos de tráfico para crear un mapa de calor con las zonas con más tráfico durante cada hora, según el día. Con este análisis se crearán modelos de machine learning o inteligencia artificial para optimizar las rutas. De esta forma podremos calcular la ruta optima prediciendo el tráfico que ocurrirá a lo largo del trayecto. Se van a entrenar varios algoritmos, optimizados para acortar el trayecto para obtener la ruta más ecológica o para encontrar la ruta más rápida. Estos modelos podrían ser utilizados para reducir costes de operación en empresas repartidoras y de transporte, reduciendo el tiempo del trayecto y la polución. En el proyecto sólo se utilizan datos de tráfico para la ciudad de Madrid durante un año para no aumentar la complejidad de hardware requerido durante el procesado. Solamente sirve como un modelo para demonstrar la viabilidad y el estudio de los sistemas requeridos. Para el análisis se empleará un entorno virtualizado con contenedores y PySpark para cargar y analizar los datos. Con librerías de Python se crearán los distintos modelos y algoritmos. | es |
dc.description.abstract | This project will analyze an open access dataset using Big Data systems and methodologies about the behavior of vehicular traffic in the city of Madrid from July 2022 to June 2023. The study will analyze the traffic data to create a heatmap with the areas with the most traffic during each hour, depending on the day. This analysis will be used to create machine learning or artificial intelligence models to optimize routes. In this way we will be able to predict the traffic that will occur along the route. Several algorithms will be trained, optimized to shorten the route to obtain the most environmentally friendly route or to find the fastest route. These models could be used to reduce operating costs for delivery and transport companies by reducing journey times and the amount of pollution. The project only uses traffic data for the city of Madrid for one year in order to not increase the hardware complexity required during processing. It only serves as a model to demonstrate the feasibility and study of the required systems. For the analysis, a virtualized environment with containers will be used with PySpark to load and analyze the data. The different machine learning models and algorithms will be created with Python libraries. | en |
dc.description.abstract | En este projecte s'analitzaran un conjunt de dades d'accés obert mitjançant sistemes de Big Data i metodologies sobre el comportament del trànsit vehicular a la ciutat de Madrid a partir del juliol 2022 a juny de 2023. L'estudi analitzarà les dades de trànsit per crear un mapa de calor amb les zones amb més trànsit durant cada hora, segons el dia. Amb esta anàlisi es crearan models de machine learning o intel·ligència artificial per a optimitzar les rutes. D'esta manera podrem calcular la ruta optima predient el trànsit que ocorrerà al llarg del trajecte. S'entrenaran diversos algorismes, optimitzats per escurçar el recorregut per obtenir-ne el màxim ruta respectuosa amb el medi ambient o per trobar la ruta més ràpida. Aquests models es podrien utilitzar reduir els costos d'explotació de les empreses de lliurament i transport reduint el trajecte temps i la quantitat de contaminació. El projecte només utilitza dades de trànsit de la ciutat de Madrid durant un any per tal de no fer-ho augmentar la complexitat del maquinari requerit durant el processament. Només serveix com a model per demostrar la viabilitat i l'estudi dels sistemes requerits. Per a l'anàlisi, s'utilitzarà un entorn virtualitzat amb contenidors amb PySpark per carregar i analitzar les dades. Els diferents models i algorismes d 'aprenentatge automàtic es crearan amb biblioteques de Python. | ca |
dc.format.mimetype | application/pdf | ca |
dc.language.iso | spa | ca |
dc.publisher | Universitat Oberta de Catalunya (UOC) | ca |
dc.rights | CC BY-NC-ND | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | optimización | es |
dc.subject | computación distribuida | es |
dc.subject | big data | en |
dc.subject | machine learning | en |
dc.subject | optimization | en |
dc.subject | distributed computing | en |
dc.subject | big data | es |
dc.subject | aprendizaje automático | es |
dc.subject | optimització | ca |
dc.subject | aprenentatge automàtic | ca |
dc.subject | big data | ca |
dc.subject | computació distribuïda | ca |
dc.subject.lcsh | Machine learning -- FMDP | en |
dc.title | Big Data – Análisis de tráfico y optimización de rutas con machine learning | es |
dc.type | info:eu-repo/semantics/masterThesis | ca |
dc.audience.educationlevel | Estudis de Màster | ca |
dc.audience.educationlevel | Estudios de Máster | es |
dc.audience.educationlevel | Master's degrees | en |
dc.subject.lemac | Aprenentatge automàtic -- TFM | ca |
dc.contributor.tutor | Molina Casasnovas, Rubén | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Appears in Collections: | Bachelor thesis, research projects, etc. |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
gmargineanuTFM0124memoria.pdf | Memoria del TFM | 5,42 MB | Adobe PDF | View/Open |
Share:
This item is licensed under aCreative Commons License