Bienvenido al Repositorio Institucional de la UTPL (RiUTPL) que tiene como propósito centralizar los recursos educativos y objetos de aprendizaje generados por la comunidad académica;
este repositorio permitirá preservar, organizar y visibilizar la producción institucional
bajo la licencia Creative Commons 4.0.
Please use this identifier to cite or link to this item:
http://dspace.utpl.edu.ec/handle/20.500.11962/26601| Title: | Redes neuronales artificiales aplicadas en sistemas de predicción para la seguridad vial |
| Authors: | Oñate Valdivieso, Fernando Rodrigo Carpio Peláez, Karina Patricia |
| Keywords: | Ecuador. Tesis digital. |
| Issue Date: | 2020 |
| Citation: | Carpio Peláez, K. P. Oñate Valdivieso, F. R. (2020) Redes neuronales artificiales aplicadas en sistemas de predicción para la seguridad vial [Tesis de Posgrado, Universidad Técnica Particular de Loja]. Repositorio Institucional. https://dspace.utpl.edu.ec/handle/20.500.11962/26601 |
| Abstract: | Abstract: The present investigation show a prediction model of traffic accidents in two road axles at South of Ecuador, in the Loja province. The model was developed use Artificial Neural Networks (ANN) with the goal, to identify its suitability for the prediction of traffic accidents, under conditions such as: curvature radios and slope of the tracks. The proposed model show a multilayer network architecture (feedforward), which has three layers (entry, hidden and exit), the number of entry and hidden neurons vary according to the model. The training function for to the modeling is the Bayesian regulation backpropagation. The training phase and validation of the models were made use probabilistic mistakes calculations. |
| Description: | Resumen: La presente investigación muestra un modelo de predicción de accidentes de tránsito en dos ejes viales al Sur del Ecuador, en la provincia de Loja. El modelo se desarrolló utilizando Redes Neuronales Artificiales (RNA) con el objetivo Identificar su idoneidad para la predicción de accidentes de tránsito, bajo condiciones como: radios de curvatura y pendientes de las vías. El modelo propuesto muestra una arquitectura de red multicapa (feedforward), la misma comprende tres capas: (entrada, oculta y salida), el número de neuronas de entrada y ocultas varían de acuerdo al modelo. La función de entrenamiento para el modelamiento es la Bayesian regulation backpropagation. La fase de entrenamiento y validación de los modelos se realizaron utilizando cálculos de error probabilísticos. |
| URI: | https://bibliotecautpl.utpl.edu.ec/cgi-bin/abnetclwo?ACC=DOSEARCH&xsqf99=124134.TITN. |
| Appears in Collections: | Magister en Ingenieria Civil mención Carreteras y Montañas |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.