Evaluar de forma cuantitativa el potencial de las técnicas de Inteligencia Artificial en la predicción de movilidad de los terminales en redes vehiculares
En el presente trabajo se aborda la implementación de un algoritmo para la predicción de movilidad vehicular basado en modelos de inteligencia artificial (IA), un campo ampliamente estudiado actualmente debido al interés por el uso de IA como solución para la predicción del posicionamiento en las ví...
Збережено в:
| Автор: | |
|---|---|
| Інші автори: | |
| Формат: | bachelorThesis |
| Опубліковано: |
2024
|
| Предмети: | |
| Онлайн доступ: | https://repositorio.espe.edu.ec/handle/21000/40994 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Додати тег | Резюме: | En el presente trabajo se aborda la implementación de un algoritmo para la predicción de movilidad vehicular basado en modelos de inteligencia artificial (IA), un campo ampliamente estudiado actualmente debido al interés por el uso de IA como solución para la predicción del posicionamiento en las vías y generación de vehículos de conducción autónoma con una mayor precisión y eficiencia. La base de datos seleccionada consta de información de muestras en el tiempo sobre el posicionamiento vehicular de un grupo de 3219 vehículos que transitan en la ciudad de Jeju, Corea del Sur. Se aplicaron algoritmos de inteligencia artificial como Feed Forward (FFNN) y Long short-term memory (LSTM), los cuales fueron entrenados a partir de esta base de datos para generar la predicción de movilidad. La evaluación de estos algoritmos mediante el uso de métricas como el error cuadrático medio y la cantidad de pasos hacia adelante predecidos arroja información sobre la viabilidad del uso práctico de los algoritmos en un ambiente real. Los algoritmos implementados demostraron buenos resultados en la predicción de movilidad vehicular. La aplicación de FFNN para la predicción de las secuencias mostró resultados favorables en su evaluación cuantitativa, y aunque LSTM también obtuvo resultados competitivos, el algoritmo que presenta un mejor resultado en función del error cuadrático medio y de la cantidad de pasos hacia adelante que puede predecir es FFNN. Si bien LSTM presenta mayor adaptabilidad a secuencias de tamaño variable, mientras que FFNN, teniendo un tamaño de ventana fijo, demostró que se pueden predecir más datos hacia adelante, lo cual significa que al momento de aplicarse en tiempo real puede ajustarse y mejorarse con forma de que se sigan aumentando los datos. |
|---|