Please use this identifier to cite or link to this item: http://dspace.utpl.edu.ec/handle/29.500.19856/72049
Title: Modelo para la predicción de tráfico mediante métodos de Inteligencia Artificial
Authors: González Eras, Alexandra Cristina
Vintimilla Espinoza, Diego Ricardo
Keywords: Ecuador.
Tesis digital.
Issue Date: 2025
Citation: Vintimilla Espinoza, D. R. González Eras, A. C. (2025) Modelo para la predicción de tráfico mediante métodos de Inteligencia Artificial [Tesis de Posgrado, Universidad Técnica Particular de Loja]. Repositorio Institucional. https://dspace.utpl.edu.ec/handle/29.500.19856/72049
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).
URI: https://bibliotecautpl.utpl.edu.ec/cgi-bin/abnetclwo?ACC=DOSEARCH&xsqf99=145443.TITN.
Appears in Collections:Magister en Ciencias y Tecnologías de la Computación



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.