Aplicación de redes neuronales para obtener un flujo óptimo de personas en Santiago de Surco

• Autor: Alcové Paredes, Daniel Iván
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/3047
• Enlace del recurso: https://hdl.handle.net/20.500.14138/3047
• Nivel de acceso: acceso abierto
• Materia: Flujo Vehicular; Redes Neuronales Artificiales; Perceptrón Multicapa; Backpropagation; Radial Basis Function; https://purl.org/pe-repo/ocde/ford#2.02.00

El deseo de toda sociedad es habitar una ciudad sostenible que ofrezca accesibilidad real y total a cada uno de sus ciudadanos, así como también que los recursos se consuman más eficientemente. Es así que, uno de los principales problemas que afecta a la ciudad de Lima es el caos y el desorden en la movilidad urbana debido, principalmente, al crecimiento demográfico y a la nula planificación urbanística, vial y tecnológica. Las pérdidas económicas y los problemas medioambientales y sociales, a causa de la caótica congestión vehicular, aumentan cada día. De esta manera, teniendo presente la necesidad de mejorar el tránsito en la ciudad, se propuso la aplicación de redes neuronales para obtener un flujo óptimo de personas en el distrito de Santiago de Surco. Por ello, a través de una aplicación desarrollada en Visual Studio se simuló la salida eficiente de personas que se desplazan en transporte motorizado en la intersección de las avenidas Alfredo Benavides y Caminos del Inca, del distrito de Santiago de Surco en Lima, dando preferencia al movimiento de vehículos en función de la cantidad de pasajeros que transportan, optimizando los ciclos y las fases del dispositivo de control. Los registros de esa observación, previo procesamiento, entrenaron dos tipos de redes neuronales, Perceptron Multicapa y Radial Basis Function a través de la herramienta Neural Network Tools del software Matlab. Asimismo, para el caso de la red Perceptron Multicapa se emplearon 3 topologías distintas, y para Radial Basis Function solamente 2. De esta manera, se comprobó mediante el testeo que una de las topologías de red Perceptron Multicapa logró mejores resultados al presentar un error cuadrático medio igual a 0.00019.