Implementación de una plataforma SaaS de control automático vehicular para playas de estacionamiento basado en Machine Learning

• Autores: Descalzi Tenorio, Yessica Rubi, Delgado Sanchez, Joseph Peter
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/16655
• Enlace del recurso: https://hdl.handle.net/20.500.12802/16655
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Reconocimiento automático de placas (LPR); YOLOv8; Estacionamientos inteligentes; Transporte urbano; https://purl.org/pe-repo/ocde/ford#2.02.04

El crecimiento acelerado del parque automotor y la limitada modernización de los sistemas de estacionamiento urbano han generado serios problemas de congestión, ineficiencia y desorden vehicular, especialmente en ciudades latinoamericanas como Lima. Si bien existen avances en tecnologías como el reconocimiento automático de placas (LPR) y el aprendizaje automático, la integración efectiva de estas soluciones en una única plataforma adaptada al contexto urbano local sigue siendo escasa. En respuesta, el presente proyecto tuvo como objetivo implementar una plataforma SaaS llamada RUMIPARK, que integra Machine Learning y LPR para optimizar el control vehicular en playas de estacionamiento. Para ello, se adoptó un enfoque tecnológico-aplicado y la metodología ágil Extreme Programming (XP), permitiendo desarrollar e iterar funcionalidades claves como registro de vehículos, control de accesos y generación de reportes. Se entrenaron modelos YOLOv8 con datasets personalizados compuestos por más de 9,000 imágenes, capturadas en condiciones reales (día, tarde y noche). El sistema logró una precisión del 99 % en detección de placas y 96.2 % en reconocimiento de caracteres, con una tasa de éxito global del 97.4 % durante pruebas operativas con 312 vehículos. Se concluye que RUMIPARK constituye una solución robusta, escalable y altamente precisa, validando su capacidad para operar eficazmente en entornos urbanos reales. Este desarrollo no solo cubre una brecha tecnológica relevante, sino que abre la posibilidad de escalar su implementación a mayor escala, incorporar analítica predictiva y contribuir significativamente a la modernización del transporte urbano en América Latina.