"ANÁLISIS DEL CONGESTIONAMIENTO VEHICULAR PARA OPTIMIZAR EL SISTEMA DE TRANSPORTE MEDIANTE REDES NEURONALES ARTIFICIALES - CERCADO DE LA CIUDAD DE HUANCAVELICA 2019"

• Autores: De la Cruz Lopez, Huber, Jurado Mamani, Víctor Raúl
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de Huancavelica
• Repositorio: UNH-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unh.edu.pe:20.500.14597/3064
• Enlace del recurso: http://repositorio.unh.edu.pe/handle/UNH/3064
• Nivel de acceso: acceso abierto
• Materia: Congestionamiento Vehicular; Predicción; Redes Neuronales Artificiales; Transportes

Con la presente investigación se ha construido un modelo de Inteligencia Artificial (Redes Neuronales Artificiales), que permita predecir el tiempo de demora de las intersecciones estudiadas. Para lograr el objetivo del proyecto de investigación se ha hecho el estudio de 8 intersecciones durante un periodo de tres meses. Siguiendo el análisis de cada intersección mediante la metodología HCM, para el procesamiento de datos para la construcción del modelo de la red neuronal artificial con la siguiente estructura: 10 variables de ingreso, las cuales son (tasa de flujo ajustada, tasa de flujo de saturación ajustada, relación de flujo, tiempo efectivo de luz verde, ciclo semafórico, la razón de luz verde, capacidad, razón, demora uniforme, demora residual); la cual para el entrenamiento se hizo diversas simulaciones haciendo el uso de la metodología de propagación inversa (back propagation), buscando el óptimo error cuadrático medio (MSE). La valoración se realizó en dos grupos de muestra: el primero de entrenamiento (training), y el segundo de validación (test) de los datos obtenidos de las intersecciones, usando la herramienta del sofware Matlab(toolbox). Los resultados obtenidos del proyecto de investigación evaluados mediante el análisis estadístico de error medio cuadrático (MSE), se dividen en: entrenamiento (64% de los datos), validación y prueba del (36% de los datos), y el modelo total (100% de los datos), donde el modelo total presenta una buena correlación siendo el entrenamiento(training) R=0.99976, validación R=0.99974, test R=0.99977, y obteniéndose un modelo de la Red Neuronal Artificial con R=0.99976, siendo R el coeficiente de determinación conocido como coeficiente de correlación Pearson, la cual demostrando ser eficaz para predecir el tiempo de demora del nivel de servicio de las intersecciones, se concluye que el modelo de la red neuronal artificial contribuye para predecir el tiempo de demora del nivel de servicio y así optimizar el congestionamiento vehicular. Palabras claves: Congestionamiento Vehicular, Predicción, Redes Neuronales Artificiales