http://dspace.utpl.edu.ec/handle/20.500.11962/29909 Wed, 08 Apr 2026 22:44:56 GMT 2026-04-08T22:44:56Z http://dspace.utpl.edu.ec/handle/29.500.19856/72049 Title: Modelo para la predicción de tráfico mediante métodos de Inteligencia Artificial Authors: Vintimilla Espinoza, Diego Ricardo Abstract: Abstract: Traffic prediction using machine learning and deep learning algorithms has been a significant area of ​​research in recent years. Deep learning models, such as graph neural networks (GNNs), have shown great promise in capturing complex spatiotemporal dependencies within traffic networks (Oliveira et al., 2016). Current methods have relied on shallow learning models, but the use of deep learning methods, such as long short-term memory (LSTM), gated recurrent unit (GRU), and stacked autoencoder (SAE), has shown improved performance in traffic flow prediction (Villarroya Sánchez & C, 2021), (Mohammed et al., 2019), and (Véjar & Temer, 2019). Additionally, attention-based graph neural ODE (ASTGODE) models have been proposed to explicitly learn traffic system dynamics, achieving high prediction accuracy (Troia et al., 2018) and (Yin et al., 2020). These advances in deep learning algorithms can help create more robust and reliable traffic prediction algorithms, leading to innovative and efficient public services for citizens and businesses (Institute of Electrical and Electronics Engineers, 2017) Description: Resumen: La predicción del tráfico mediante algoritmos de aprendizaje automático y aprendizaje profundo ha sido un área de investigación importante en los últimos años. Los modelos de aprendizaje profundo, como las redes neuronales gráficas (GNN), se han mostrado muy prometedores a la hora de capturar dependencias espacio - temporales complejas dentro de las redes de tráfico (Oliveira et al., 2016). Los métodos actuales se han fundamentado en modelos de aprendizaje superficial, pero el uso de métodos de aprendizaje profundo, como la memoria larga a corto plazo (LSTM), la unidad recurrente cerrada (GRU) y el codificador automático apilado (SAE), ha evidenciado un mejor rendimiento en el flujo de tráfico. Predicción (Villarroya Sánchez & C, 2021), (Mohammed et al., 2019) y (Véjar & Temer, 2019). Adicionalmente, se han propuesto modelos EDO neuronales de gráficos basados en la atención (ASTGODE) para aprender explícitamente la dinámica del sistema de tráfico, alcanzado una alta exactitud en la predicción (Troia et al., 2018) y (Yin et al., 2020). Estos progresos en los algoritmos de aprendizaje profundo pueden ayudar a crear algoritmos de predicción de tráfico más sólidos y confiables, lo que conducirá a servicios públicos innovadores y eficientes para ciudadanos y empresas (Institute of Electrical and Electronics Engineers, 2017). Wed, 01 Jan 2025 00:00:00 GMT http://dspace.utpl.edu.ec/handle/29.500.19856/72049 2025-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/71251 Title: Balance de carga en redes celulares heterogéneas basado en Machine Learning Authors: Sanchez Moreno Andres Dario Description: N/D Wed, 01 Jan 2025 00:00:00 GMT http://dspace.utpl.edu.ec/handle/29.500.19856/71251 2025-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/71058 Title: Uso de técnicas de aprendizaje profundo en la detección vehicular sobre imágenes aérea Authors: Naranjo Riofrío, Carlos Axxel Abstract: Abstract: Vehicle detection is key to certain applications such as road safety, traffic surveillance, and autonomous vehicles. This research evaluates deep learning models applied to vehicle detection using images captured by drones in urban environments. Models such as YOLOv5, YOLOv8, YOLOv10, TensorFlow SSD, and Roboflow COCOs and COCOn were used. The dataset included 1,600 images processed with preprocessing and data augmentation techniques to increase training diversity and robustness. Evaluation metrics included precision, recall, mAP, and F1 score. The results show that Roboflow COCOs is the most robust model, with an mAP of 93.0% and an F1 score of 91.60, while YOLOv5 strikes a balance between accuracy and training time. In contrast, YOLOv10 performed worse despite being faster. The research highlights the impact of combining UAVs and deep learning, although challenges remain, such as detection in extreme conditions and optimizing training times. Description: Resumen:La detección de vehículos es clave para determinadas aplicaciones como la seguridad vial, vigilancia del tráfico y vehículos autónomos. Esta investigación evalúa modelos de aprendizaje profundo aplicados en la detección vehicular utilizando imágenes captadas por drones en entornos urbanos. Se emplearon modelos como YOLOv5, YOLOv8, YOLOv10, TensorFlow SSD y Roboflow COCOs y COCOn. El dataset incluía 1.600 imágenes procesadas con técnicas de preprocesamiento y aumento de datos para aumentar la diversidad y robustez del entrenamiento. Las métricas de evaluación incluyeron precision, recall, mAP y puntuación F1. Los resultados muestran que Roboflow COCOs es el modelo más robusto, con un mAP del 93,0% y una puntuación F1 de 91,60, mientras que YOLOv5 logra un equilibrio entre precisión y tiempo de entrenamiento. En cambio, YOLOv10 mostró un rendimiento inferior a pesar de ser más rápido. La investigación destaca el impacto de combinar UAV y aprendizaje profundo, aunque persisten retos como la detección en condiciones extremas y la optimización de los tiempos de entrenamiento. Wed, 01 Jan 2025 00:00:00 GMT http://dspace.utpl.edu.ec/handle/29.500.19856/71058 2025-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/71057 Title: Modelo Predictivo para la Gestión Energética en Microrredes Solares Authors: Rivera Álvarez, Anderson Nixon Abstract: Abstract: The master's thesis aims to analyze and evaluate predictive models for Energy Management in solar microgrids, in order to determine which is most suitable for integration in rural areas or communities. Considering the above and the growing need to use renewable energy sources, this thesis reviews various theories through which advanced prediction technologies are applied to anticipate electricity generation and consumption through autonomous solar microgrids. As a starting point, this work analyzes the various models that integrate climatic variables and their consumption patterns with the characteristics specific to a microgrid system, taking into consideration the advantages and benefits of each of the studies in terms of energy efficiency. The objectives were met through simulations and a review of previous studies by different researchers, which allowed for an effective approach to optimizing energy management through the use of solar microgrids. Description: Resumen:El trabajo final de máster tiene como objetivo analizar y evaluar los modelos predictivos para la Gestión Energética en microrredes solares, con la finalidad de determinar cuál es el más apto para integrarlo en zonas rurales o comunidades. Considerando lo expuesto anteriormente y la necesidad creciente de usar fuentes de energías renovables. En la presente tesis se revisaron distintas teorías a través de las cuales se aplicaron tecnologías avanzadas de predicción en la anticipación de generación y consumo de electricidad mediante microrredes solares autónomas. Como punto inicial el presente trabajo analiza los distintos modelos que integran variables climáticas y sus patrones de consumo con las características que son propias de un sistema de microrredes. Poniendo en consideración las ventajas y beneficios de cada uno de los estudios frente a la eficiencia energética. Los objetivos fueron satisfactorios a través de las simulaciones y revisión de estudios previos de diferentes investigadores que permitieron un enfoque eficaz para la optimización de la gestión energética mediante el uso de microrredes solare. Wed, 01 Jan 2025 00:00:00 GMT http://dspace.utpl.edu.ec/handle/29.500.19856/71057 2025-01-01T00:00:00Z