RE-CONFIGURACIÓN DE CLÚSTERES: UN ENFOQUE DINÁMICO PARA SISTEMAS DE VEHÍCULOS FREE-FLOATING
dc.contributor.author | García Castanedo, Hugo | |
dc.date.accessioned | 2024-06-27T00:01:16Z | |
dc.date.available | 2024-06-27T00:01:16Z | |
dc.date.issued | 2024-06-21 | |
dc.description | Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2023/2024. Directores/as: Joaquín Arias Herrero, Marcelo Javier Karanik | |
dc.description.abstract | En el mundo de la clusterización existen múltiples trabajos e investigaciones que buscan optimizar la eficiencia y velocidad de los algoritmos de clusterización al tratarse de una disciplina muy demandante en cuanto a carga computacional se refiere. Esta carga acaba desembocando en un incremento de costes tanto operacionales como temporales. Con el fin de ofrecer una solución al problema mencionado, se ha decidido estudiar una nueva metodología de detección de discrepancias entre configuraciones de clústeres que varían en el tiempo. La solución propuesta hace uso de una variante propia del algoritmo K-Means para detectar las discrepancias entre configuraciones. Para ello se han definido unos índices que tienen en cuenta la cantidad de puntos que se movieron entre un instante de tiempo t y un instante de tiempo t + 1, y la acumulación de los puntos que se movieron desde que se realizó la última clusterización. Para poner a prueba el algoritmo y obtener resultados empíricos se ha desarrollado un aplicación en el lenguaje de programación python. Los datos empleados pertenecen a vehículos de movilidad compartida en modelo Free-Floating, en concreto de bicicletas, ya que este tipo de vehículos permiten una variación aleatoria de su posición. Además, el modelo de detección propuesto permite al usuario ajustar el resultado de manera personalizada gracias a que los índices tienen un peso asignado que permite asignarles un nivel de prioridad. Esta característica provoca que los resultados sean variables en función de los valores que el usuario asigne a los pesos de los índices. En general, la aplicación del modelo proporciona una mejora en tiempo de ejecución a cambio de una menor precisión en la detección de discrepancias entre configuraciones, y viceversa (son indirectamente proporcionales). Estas mejoras pueden ser de hasta un 50 % de reducción del tiempo de ejecución mientras aún se conserva un 80 % de detección de re-cálculos. | |
dc.identifier.uri | https://hdl.handle.net/10115/35304 | |
dc.language.iso | spa | |
dc.publisher | Universidad Rey Juan Carlos | |
dc.rights | ||
dc.rights.accessRights | info:eu-repo/semantics/embargoedAccess | |
dc.rights.uri | ||
dc.subject | Inteligencia Artificial | |
dc.subject | Modelos No Supervisados | |
dc.subject | Optimización | |
dc.subject | Clustering | |
dc.title | RE-CONFIGURACIÓN DE CLÚSTERES: UN ENFOQUE DINÁMICO PARA SISTEMAS DE VEHÍCULOS FREE-FLOATING | |
dc.type | info:eu-repo/semantics/studentThesis |
Archivos
Bloque original
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- 2023-24-ETSII-A-2113-2113042-h.garcia.2019-MEMORIA.pdf
- Tamaño:
- 515.63 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Memoria del TFG