Smart road detection : sistema participativo para la detección de irregularidades en la malla vial de la avenida carrera 68.
| dc.contributor.advisor | Martínez Vásquez, David Alejandro | spa |
| dc.contributor.author | Cubillos Rojas, Camila Andrea | spa |
| dc.contributor.author | Niño Pinzón, Brayan Eduardo | spa |
| dc.coverage.spatial | Bogotá | spa |
| dc.date.accessioned | 2023-06-23T19:33:18Z | |
| dc.date.available | 2023-06-23T19:33:18Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | El presente trabajo propone el desarrollo de un sistema participativo para detección de irregularidades de la malla vial en una de las avenidas más importantes de la ciudad de Bogotá, la avenida carrera 68, para este proyecto se implementó una metodología llamada Top-Down que permitió dividir en dos fases el desarrollo del proyecto, una enfocada en la creación del sistema y otra en la extracción de información de datos, en la primera fase se crea una aplicación para dispositivos móviles llamada Smart Road App, está se encarga de tomar datos desde los sensores inerciales del teléfono, como lo son acelerómetro y giroscopio y determinar la ubicación de las irregularidades mediante GPS. Estos datos son enviados a una base datos que los almacenará para su posterior tratamiento. El estudio se enfocará principalmente en las irregularidades y obstáculos más comunes como lo son imperfecciones generadas por el desgaste de la vía y reductores de velocidad; con base en esos datos almacenados, se implanta la segunda fase, donde se creó un algoritmo de árbol de decisión con el cual se realiza la clasificación de las irregularidades, logrando una predicción del 92%. Sus características principales la media móvil y la desviación estándar con una importancia de 13,4% y 86,5% respectivamente. | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | Licenciado en Electrónica | spa |
| dc.format.mimetype | application/pdf | spa |
| dc.identifier.instname | instname:Universidad Pedagógica Nacional | spa |
| dc.identifier.reponame | reponame:Repositorio Institucional de la Universidad Pedagógica Nacional | spa |
| dc.identifier.repourl | repourl: http://repositorio.pedagogica.edu.co/ | |
| dc.identifier.uri | http://hdl.handle.net/20.500.12209/18631 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Pedagógica Nacional | spa |
| dc.publisher.faculty | Facultad de Ciencia y Tecnología | spa |
| dc.publisher.program | Licenciatura en Electrónica | spa |
| dc.relation.references | Allouch, A., Koubaa, A., Abbes, T., & Ammar, A. (2016). RoadSense: Smartphone Applocation to Estimate Road Conditions using Accelerometer and Gyroscope. IEEE. | |
| dc.relation.references | Bustamante, R., Garcia, A., Arce, L., Curiel, L., Izquierdo, J., & Ramirez, R. (2022). Visualizing Street Pavement Anomalies through Fog. Ciudad de Mexico. | |
| dc.relation.references | C.Müller, A., & Guido, S. (2016). Introduction of Machine Learning with Python. United States of America: O'REILLY. | |
| dc.relation.references | Date, C. (1975). Introducción a los sitemas de bases de datos. Pearson Prentice Hall. | |
| dc.relation.references | Edwan, E., Sarsour, N., & Alatrash, M. (2019). Mobile Application for Bumps Detection and Warning Utilizing Smartphone Sensors. IEEE. | |
| dc.relation.references | Eriksson , J., Girod, L., Newton, R., Madden , S., Balakrishnan, H., & Hull, B. (2008). The Pothole Patrol: Using a Mobile Sensor Network for Road Surface Monitoring. IEEE. | |
| dc.relation.references | Espin, P. (2010). Diseño y contruccion de una plataforma didactica para medir angulos e inclinacion usando sensores inerciales como acelerometro y giroscopio. | |
| dc.relation.references | Fericean, S. (2019). Inductive Sensors for Industrial Applications . Arthech House. | |
| dc.relation.references | Hayes, A. (12 de Octubre de 2021). Investopedia. Obtenido de https://www.investopedia.com/terms/a/autoregressive-integrated-moving-average-arima.asp | |
| dc.relation.references | INDRA. (2014). Smart Cities encuentra global sobre el estado de smart cities. Bogotá. Instituto de Desarrollo Urbano. (2021). Boletín Técnico Extensión y Estado de la Malla Vial de Bogotá D.C. Bogotá. | |
| dc.relation.references | Kaplan, E., & Hegarty, C. (2006). Understanding GPS Principles and Applications. Artech House. | |
| dc.relation.references | kreyszig, E. (2003). Matemáticas Avanzadas para Ingeniería Vol. II. Limusa Wiley. | |
| dc.relation.references | Kulkarni, A., Mhalgi, N., Gurnani, S., & Giri, N. (2014). Pothole Detection System using Machine Learning on Android . Mumbai. | |
| dc.relation.references | Kyriakou, C., Christodoulou, S., & Dimitriou, L. (2019). Smartphone-Based Pothole Detection Utilizing. Chipre. | |
| dc.relation.references | Leizerovych, R., Sindenko, L., Kondratenko, G., & Kondratenko, Y. (2020). IoT-complex for Monitoring and Analysis of motor highway condition using artificial neural networks. IEEE. | |
| dc.relation.references | Lekshmipathy, J., Samuel, N., & Velayudhan, S. (2020). Vibration vs Vision: best approach for automated pavement distress detection. Springer. | |
| dc.relation.references | Mandziuk, D. (2007). Challenges for Computational Intelligence. Springer . | |
| dc.relation.references | Martínez, F., Escalante, H., González , L., Aragón, M., & Ricardo, M. (2018). Evaluation of Detection Approaches for Road Anomalies Based on Accelerometer Readings—Addressing Who’s Who. Chihuahua. | |
| dc.relation.references | Microsoft. (2021). Algoritmo de asociación de Microsoft. Obtenido de https://docs.microsoft.com/es-es/analysis-services/data-mining/microsoft-association-algorithm?view=asallproducts-allversions&viewFallbackFrom=sql-server-ver15 | |
| dc.relation.references | Microsoft. (13 de 09 de 2021). Algoritmo de clústeres de Microsoft. Obtenido de https://docs.microsoft.com/es-es/analysis-services/data-mining/microsoft-clustering-algorithm?view=asallproducts-allversions&viewFallbackFrom=sql-server-ver15 | |
| dc.relation.references | Mitchell, T. (1997). Machine Learning. New York: McGraw-Hill Science/Engineering/Math | |
| dc.relation.references | Molnar, C. (2021). Interpretable Machine Learning a guide for making black box models explainable. Obtenido de github: https://fedefliguer.github.io/AAI/index.html | |
| dc.relation.references | Müller, A., & Guido, S. (2016). Introduction to Machine Learning with Python. Boston: O'REILLY. | |
| dc.relation.references | Organización para la Cooperación y el Desarrollo Economico . (2018). Medicion y aplicaciones de IoT. Mexico. | |
| dc.relation.references | Pawar, K., Jagtap, S., & Bhoir, S. (2020). Efficient pothole detection using smartphone sensors. India. | |
| dc.relation.references | Ramírez, R. (2019). Métodos para el desarrollo de aplicaciones móviles. Cataluña: Universidad de cataluña. | |
| dc.relation.references | Sagar, V., & Annapurna, V. (2018). ANDROID APPLICATION FOR POTHOLE. Ananthapuramu. | |
| dc.relation.references | Sattar, S., Li, S., & Chapman, M. (2021). Developing a near real-time road surface anomaly detection approach for road surface monitoring. Journal of the internarional Measurement. | |
| dc.relation.references | Timón, C. E. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo-herramientas Open Source que permiten su uso. Cataluña. | |
| dc.relation.references | Tiwari, S., Bhandari, R., & Raman, B. (2020). RoadCare: A Deep-learning Based Approach to Quantifying. Mumbai. | |
| dc.relation.references | Triola, M. (2006). Estadística Novena Edición. Mexico: Pearson Educación. | |
| dc.relation.references | Wang, H., Huo, N., Li, J., Wang, K., & Wang, Z. (2018). A Road Quality Detection Method Based on the Mahalanobis-Tagucho System. IEEE. | |
| dc.relation.references | We Are Social. (2023). Digital 2021 Colombia. | |
| dc.relation.references | Witten, I., & Frank, E. (2005). Data Mining Ptractical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers. | |
| dc.relation.references | Wu, C., Wang, Z., Hu, S., Lepine, J., Na, X., Ainalis, D., & Stettler, M. (2020). An Automated Machine-Learning Approach for Road. Hangzhou. | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.creativecommons | Attribution-NonCommercial-NoDerivatives 4.0 International | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Monitoreo de carreteras | spa |
| dc.subject | Acelerómetro | spa |
| dc.subject | Giroscopio | spa |
| dc.subject | Aprendizaje automático | spa |
| dc.subject | Baches | spa |
| dc.subject.keywords | Road monitoring | eng |
| dc.subject.keywords | Accelerometer | eng |
| dc.subject.keywords | Gyroscope | eng |
| dc.subject.keywords | Machine learning | eng |
| dc.subject.keywords | Pothole | eng |
| dc.title | Smart road detection : sistema participativo para la detección de irregularidades en la malla vial de la avenida carrera 68. | spa |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | eng |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | eng |
| dc.type.hasVersion | info:eu-repo/semantics/acceptedVersion | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- smart road detection.pdf
- Tamaño:
- 1.96 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
Bloque de licencias
1 - 2 de 2
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
No hay miniatura disponible
- Nombre:
- 202303650099943-16 JUN 23 CAMILA Y BRAYAN.pdf
- Tamaño:
- 164.02 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- LICENCIA APROBADA
