Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/70691
Título : | Data analytics for smart parking applications |
Autoría: | Piovesan, Nicola Turi, Leo Toigo, Enrico Martínez Huerta, Borja Rossi, Michele |
Citación : | Piovesan, N., Turi, L., Toigo, E., Martínez Huerta, B. & Rossi, M. (2016). "Data analytics for smart parking applications". Sensors, 16(10). ISSN 1424-8220. doi: 10.3390/s16101575 |
Resumen : | Consideramos los sistemas de estacionamiento inteligentes reales donde los datos de ocupación del estacionamiento se recopilan de los dispositivos de sensores de campo y se envían a los servidores back-end para su posterior procesamiento y uso para las aplicaciones. Nuestro objetivo es hacer que estos datos sean útiles para los usuarios finales, como los gerentes de estacionamiento y, en última instancia, para los ciudadanos. Con este fin, elaboramos y validamos un algoritmo de clasificación automatizado que tiene dos objetivos: (1) detección de valores atípicos: para detectar sensores con patrones de comportamiento anómalos, es decir, valores atípicos; y (2) agrupamiento: para agrupar los sensores de estacionamiento que exhiben patrones similares en grupos distintos. Primero analizamos las estadísticas de datos reales de estacionamiento, obteniendo modelos de simulación adecuados para huellas de estacionamiento. Luego consideramos un algoritmo de clasificación simple basado en la función de distribución empírica complementaria de los tiempos de ocupación y mostramos sus limitaciones. Por lo tanto, diseñamos un algoritmo más sofisticado que explota técnicas de aprendizaje no supervisadas (mapas autoorganizados). Estos se sintonizan siguiendo un enfoque supervisado utilizando nuestro generador de trazas y se comparan con otros esquemas de agrupamiento, a saber, la maximización de la expectativa, la agrupación k-means y DBSCAN, considerando seis meses de datos de una implementación real del sensor. Nuestro enfoque es superior en términos de precisión de clasificación, al tiempo que es capaz de identificar todos los valores atípicos en el conjunto de datos. |
Palabras clave : | analítica de datos datos de estacionamiento inteligente detección inalámbrica mapas autoorganizados data clustering internet de las cosas |
DOI: | 10.3390/s16101575 |
Tipo de documento: | info:eu-repo/semantics/article |
Fecha de publicación : | 23-sep-2016 |
Licencia de publicación: | https://creativecommons.org/licenses/by/4.0/ ![]() |
Aparece en las colecciones: | Articles Articles cientÍfics |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Piovesan_Sen16_Data.pdf | 537,95 kB | Adobe PDF | ![]() Visualizar/Abrir |
Comparte:
![]( /image/googleScholar.png)
![](/image/microsoftAcademic.png)
Los ítems del Repositorio están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.