EVALUACIÓN DE REDES CONVOLUCIONALES PARA LA RECONSTRUCCIÓN ESPACIO-TEMPORAL Y ESTIMACIÓN DE PARÁMETROS DE TRÁFICO RODADO

Abstract

Este proyecto presenta una investigación sobre las características del tráfico, posibilidad de regeneración visual por medio de imágenes y análisis de los datos obtenidos. Pasando por áreas como: el estudio de la teoría del tráfico y los Sistemas Inteligentes de transporte, la investigación y uso de las redes neuronales. Más en concreto, redes neuronales convolucionales para el desarrollo de un autoencoder y una red estimadora.

El objetivo de este trabajo de fin de grado se podría estructurar en varios puntos:

¿ Transformación y preparación los de datos de tráfico mediante el uso de código MATLAB. Con las que se puede obtener imágenes de trayectorias ideales, sin ruido ni incertidumbres. ¿ Creación de un autoencoder convolucional. Cuyo objetivo es comprimir y descomprimir las trayectorias espacio-temporales. Donde se estudiará el resultado de las imágenes y se analizarán sus anomalías. ¿ Algoritmo de extracción de datos de tráfico a partir de las gráficas de trayectorias de tráfico espacio-temporales. El cual se utilizará para la extracción de los datos de las gráficas generadas por la inteligencia artificial. ¿ Cálculo de las características de Edie. Un algoritmo cuya entrada serán datos donde su estructura esté previamente transformada y preparada para calcular el flujo, densidad y velocidad de los datos almacenados. ¿ Creación de una red neuronal convolucional estimadora con la que poder estimar estas variables macroscópicas.

Para conseguir dichos objetivos, se harán uso de las siguientes tecnologías: - MATLAB: Se usará MATLAB para la transformación de los datos, para el algoritmo cuya función es extraer los datos de las imágenes de trayectorias y para el cálculo de las características de Edie. Se eligió por su facilidad para manejar datos y su poder de representación y animación de los mismos. - Python: Se utilizará en los puntos de desarrollo de las redes neuronales. Con la ayuda de la librería TensorFlow para la definición de la estructura y las capas de las dos redes presentadas en este proyecto.