Smart road detection : sistema participativo para la detección de irregularidades en la malla vial de la avenida carrera 68.

dc.contributor.advisorMartínez Vásquez, David Alejandrospa
dc.contributor.authorCubillos Rojas, Camila Andreaspa
dc.contributor.authorNiño Pinzón, Brayan Eduardospa
dc.coverage.spatialBogotáspa
dc.date.accessioned2023-06-23T19:33:18Z
dc.date.available2023-06-23T19:33:18Z
dc.date.issued2023
dc.description.abstractEl 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.degreelevelPregradospa
dc.description.degreenameLicenciado en Electrónicaspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Pedagógica Nacionalspa
dc.identifier.reponamereponame:Repositorio Institucional de la Universidad Pedagógica Nacionalspa
dc.identifier.repourlrepourl: http://repositorio.pedagogica.edu.co/
dc.identifier.urihttp://hdl.handle.net/20.500.12209/18631
dc.language.isospa
dc.publisherUniversidad Pedagógica Nacionalspa
dc.publisher.facultyFacultad de Ciencia y Tecnologíaspa
dc.publisher.programLicenciatura en Electrónicaspa
dc.relation.referencesAllouch, A., Koubaa, A., Abbes, T., & Ammar, A. (2016). RoadSense: Smartphone Applocation to Estimate Road Conditions using Accelerometer and Gyroscope. IEEE.
dc.relation.referencesBustamante, R., Garcia, A., Arce, L., Curiel, L., Izquierdo, J., & Ramirez, R. (2022). Visualizing Street Pavement Anomalies through Fog. Ciudad de Mexico.
dc.relation.referencesC.Müller, A., & Guido, S. (2016). Introduction of Machine Learning with Python. United States of America: O'REILLY.
dc.relation.referencesDate, C. (1975). Introducción a los sitemas de bases de datos. Pearson Prentice Hall.
dc.relation.referencesEdwan, E., Sarsour, N., & Alatrash, M. (2019). Mobile Application for Bumps Detection and Warning Utilizing Smartphone Sensors. IEEE.
dc.relation.referencesEriksson , 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.referencesEspin, P. (2010). Diseño y contruccion de una plataforma didactica para medir angulos e inclinacion usando sensores inerciales como acelerometro y giroscopio.
dc.relation.referencesFericean, S. (2019). Inductive Sensors for Industrial Applications . Arthech House.
dc.relation.referencesHayes, A. (12 de Octubre de 2021). Investopedia. Obtenido de https://www.investopedia.com/terms/a/autoregressive-integrated-moving-average-arima.asp
dc.relation.referencesINDRA. (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.referencesKaplan, E., & Hegarty, C. (2006). Understanding GPS Principles and Applications. Artech House.
dc.relation.referenceskreyszig, E. (2003). Matemáticas Avanzadas para Ingeniería Vol. II. Limusa Wiley.
dc.relation.referencesKulkarni, A., Mhalgi, N., Gurnani, S., & Giri, N. (2014). Pothole Detection System using Machine Learning on Android . Mumbai.
dc.relation.referencesKyriakou, C., Christodoulou, S., & Dimitriou, L. (2019). Smartphone-Based Pothole Detection Utilizing. Chipre.
dc.relation.referencesLeizerovych, 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.referencesLekshmipathy, J., Samuel, N., & Velayudhan, S. (2020). Vibration vs Vision: best approach for automated pavement distress detection. Springer.
dc.relation.referencesMandziuk, D. (2007). Challenges for Computational Intelligence. Springer .
dc.relation.referencesMartínez, 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.referencesMicrosoft. (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.referencesMicrosoft. (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.referencesMitchell, T. (1997). Machine Learning. New York: McGraw-Hill Science/Engineering/Math
dc.relation.referencesMolnar, 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.referencesMüller, A., & Guido, S. (2016). Introduction to Machine Learning with Python. Boston: O'REILLY.
dc.relation.referencesOrganización para la Cooperación y el Desarrollo Economico . (2018). Medicion y aplicaciones de IoT. Mexico.
dc.relation.referencesPawar, K., Jagtap, S., & Bhoir, S. (2020). Efficient pothole detection using smartphone sensors. India.
dc.relation.referencesRamírez, R. (2019). Métodos para el desarrollo de aplicaciones móviles. Cataluña: Universidad de cataluña.
dc.relation.referencesSagar, V., & Annapurna, V. (2018). ANDROID APPLICATION FOR POTHOLE. Ananthapuramu.
dc.relation.referencesSattar, 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.referencesTimón, C. E. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo-herramientas Open Source que permiten su uso. Cataluña.
dc.relation.referencesTiwari, S., Bhandari, R., & Raman, B. (2020). RoadCare: A Deep-learning Based Approach to Quantifying. Mumbai.
dc.relation.referencesTriola, M. (2006). Estadística Novena Edición. Mexico: Pearson Educación.
dc.relation.referencesWang, H., Huo, N., Li, J., Wang, K., & Wang, Z. (2018). A Road Quality Detection Method Based on the Mahalanobis-Tagucho System. IEEE.
dc.relation.referencesWe Are Social. (2023). Digital 2021 Colombia.
dc.relation.referencesWitten, I., & Frank, E. (2005). Data Mining Ptractical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers.
dc.relation.referencesWu, C., Wang, Z., Hu, S., Lepine, J., Na, X., Ainalis, D., & Stettler, M. (2020). An Automated Machine-Learning Approach for Road. Hangzhou.
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectMonitoreo de carreterasspa
dc.subjectAcelerómetrospa
dc.subjectGiroscopiospa
dc.subjectAprendizaje automáticospa
dc.subjectBachesspa
dc.subject.keywordsRoad monitoringeng
dc.subject.keywordsAccelerometereng
dc.subject.keywordsGyroscopeeng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsPotholeeng
dc.titleSmart road detection : sistema participativo para la detección de irregularidades en la malla vial de la avenida carrera 68.spa
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1feng
dc.type.driverinfo:eu-repo/semantics/bachelorThesiseng
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
smart road detection.pdf
Tamaño:
1.96 MB
Formato:
Adobe Portable Document Format
Descripción:

Bloque de licencias

Mostrando 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