Identificación de patrones de congestionamiento vehicular utilizando algoritmos de agrupamiento de trayectorias basados en densidad

Autores/as

  • Gary Reyes Universidad de Guayaquil https://orcid.org/0000-0002-3711-1906
  • José Roldán Universidad de Guayaquil
  • Angélica Macias Universidad de Guayaquil
  • Francisco Cordova Universidad de Guayaquil
  • Oscar León-Granizo Universidad de Guayaquil

DOI:

https://doi.org/10.53591/iti.v14i17.1473

Palabras clave:

Congestionamiento, Clustering, Trayectorias, Tráfico, Densidad.

Resumen

Contexto: Este trabajo se centra en identificar patrones de congestionamiento. Para ello se utilizan 3 conjuntos de datos de las ciudades de Beijing, Guayaquil y Roma. Método: Se efectúa la implementación del algoritmo Dyclee, modificado para agrupar celdas de trayectorias en base a velocidades, con el cual se realiza experimentos en los que se calculó adecuadamente los patrones de volumen de servicio e índice de operatividad en base a sus resultados. La modalidad de la investigación predominante es la bibliográfica. Sin embargo, el estudio también incluye características de una investigación de campo, debido a que los algoritmos fueron ejecutados con datos de trayectorias GPS de tres conjuntos de datos diferentes. Resultados: Para validar esta investigación se ejecutaron dos experimentos. En el primer experimento se determinó que el algortimo Dyclee calculó correctamente los patrones de congestionamiento. En el segundo experimento se encontró que TRADBSCAN obtuvo los mejores resultados con respecto a métricas de validación tomando en cuenta los parámetros establecidos. Conclusiones: Se concluyó que el algoritmo de clustering basado en densidad Dyclee, es capaz de identificar patrones de congestionamiento vehicular.

Métricas

Cargando métricas ...

Biografía del autor/a

José Roldán, Universidad de Guayaquil

Investigador

Angélica Macias, Universidad de Guayaquil

Investigador

Francisco Cordova, Universidad de Guayaquil

Profesor Investigador

Oscar León-Granizo, Universidad de Guayaquil

Profesor Investigador

Citas

Ansari, Z., Azeem, M. F., Ahmed, W., & Babu, A. (2015). Quantitative Evaluation of Performance and Validity Indices for Clustering the Web Navigational Sessions. World of Computer Science and Information Technology Journal, 1, 217–226. https://arxiv.org/ftp/arxiv/papers/1507/1507.03340.pdf

Arias, B., & Zamora, B. (2020). Algoritmo de Clustering dinámico para trayectoria GPS. http://repositorio.ug.edu.ec/bitstream/redug/52739/1/B-CISC-PTG-1940-2021 Arias Martinez Bryan Jose - Zamora Litardo Bryan Steven.pdf%0A

Barbosa Roa, N., Travé-Massuyès, L., & Grisales-Palacio, V. H. (2019). DyClee: Dynamic clustering for tracking evolving environments. Pattern Recognition, 94, 162–186. https://doi.org/https://doi.org/10.1016/j.patcog.2019.05.024

Bastidas, M., & Burgos, D. (2021). Identificación de congestionamiento vehicular a través del análisis de agrupamiento de trayectorias GPS. http://repositorio.ug.edu.ec/handle/redug/57168%0A

Cedeño, P., & Piña, Á. (2021). Adaptación del algoritmo de clustering dinámico Pyclee para el procesamiento y análisis de trayectorias GPS. http://repositorio.ug.edu.ec/bitstream/redug/57094/1/B-CISC-PTG-1996-2021 Cedeño Núñez Pedro Xavier - Piña Naranjo Ángel Ricardo .pdf

Hasperué, W., Estrebou, C. A., Camele, G., López, P., Jimbo Santana, P. R., Reyes Zambrano, G., Lanzarini, L. C., & Fernández Bariviera, A. (2021). Procesamiento inteligente de grandes volúmenes de información y de flujos de datos. XXIII Workshop de Investigadores En Ciencias de La Computación (WICC 2021, Chilecito, La Rioja). http://sedici.unlp.edu.ar/handle/10915/120089

Liu, L., Song, J., Guan, B., Wu, Z., & He, K. (2011). Tra-DBScan: A Algorithm of Clustering Trajectories. Applied Mechanics and Materials, 121–126. https://doi.org/10.4028/www.scientific.net/AMM.121-126.4875

Reyes, G., Lanzarini, L. C., Estrebou, C. A., & Maquilón, V. (2021). Vehicular Flow Analysis Using Clusters. XXVII Congreso Argentino de Ciencias de La Computación (CACIC)(Modalidad Virtual, 4 al 8 de Octubre de 2021). http://sedici.unlp.edu.ar/handle/10915/130341

Reyes, G., Lanzarini, L., Hasperué, W., & Bariviera, A. F. (2020). GPS trajectory clustering method for decision making on intelligent transportation systems. Journal of Intelligent & Fuzzy Systems, 38, 5529–5535. https://doi.org/10.3233/JIFS-179644

Reyes, G., Lanzarini, L., Hasperué, W., & Bariviera, A. F. (2021). Proposal for a Pivot-Based Vehicle Trajectory Clustering Method. Transportation Research Record, 03611981211058429. https://doi.org/10.1177/03611981211058429

Reyes Zambrano, G. (2019). GPS Trajectory Compression Algorithm. In M. Botto-Tobar, J. Barzola-Monteses, E. Santos-Baquerizo, M. Espinoza-Andaluz, & W. Yánez-Pazmiño (Eds.), Computer and Communication Engineering (pp. 57–69). Springer International Publishing.

Scherl, M. (2010). Benchmarking of Cluster Indices. https://epub.ub.uni-muenchen.de/12797/1/DA_Scherl.pdf

Thomson, I., & Bull, A. (2002). La congestión del tránsito urbano: Causas y consecuencias económicas y sociales. Revista de La CEPAL, 2002(76), 109–121. https://doi.org/10.18356/fd4a1f83-es

Transportation Research Board. (2000). Highway Capacity Manual. Transportation Research Board, National Research Council.

Wang, S., Ding, S., & Xiong, L. (2020). A New System for Surveillance and Digital Contact Tracing for COVID-19: Spatiotemporal Reporting Over Network and GPS. JMIR MHealth and UHealth, 8(6), 2–2. https://doi.org/10.2196/19457

Descargas

Publicado

2022-11-30

Cómo citar

Reyes, G., Roldán, J., Macias, A., Cordova, F., & León-Granizo, O. (2022). Identificación de patrones de congestionamiento vehicular utilizando algoritmos de agrupamiento de trayectorias basados en densidad. Investigación, Tecnología E Innovación, 14(17), 1–15. https://doi.org/10.53591/iti.v14i17.1473

Número

Sección

Artículos