Aprendizaje automático para el reconocimiento del uso de la bicicleta como medio de transporte
Resumen
Los datos generados por GPS de trayectorias recorridas en diversos medios de transporte entregan información valiosa para gestionar la movilidad y evaluar los beneficios que impactan el sistema de movilidad de una ciudad. Estos datos por sí solos no permiten identificar el uso de medios de transporte ecoamigables para caracterizar el comportamiento de los ciudadanos en un contexto de movilidad sostenible. Por tanto, reconocer las rutas y las distancias recorridas por los biciusuarios a través de técnicas de machine learning (ML) se asume como un reto de enriquecimiento tecnológico que aporta capacidades de inteligencia a los sistemas de movilidad adaptados al paradigma de las ciudades inteligentes, sostenibles y receptivas. Este trabajo evalúa diferentes técnicas de aprendizaje automático para analizar las trazas GPS recolectadas de los trayectos recorridos por los usuarios e identificar el uso de la bicicleta como medio de transporte. Se implementó la metodología CRISP- DM sobre un conjunto de datos públicos, recolectados en Pekín, China, para generar un modelo que discrimine la información correspondiente a trayectorias recorridas con el uso de la bicicleta. Se evaluó el conjunto de datos para clasificación binaria y multiclase, utilizando diferentes técnicas de estandarización y múltiples algoritmos de categorización. Los resultados muestran que los algoritmos de combinación de árboles de decisión logran la mejor precisión en un sistema de registro y procesamiento de datos de movilidad inteligente, particularmente, el de aumento de gradiente hace que la identificación del medio de transporte usado se adapte más a las variaciones que puedan influir en el desempeño de sistemas de este tipo.
Descargas
Agencias de apoyo:
Producto del proyecto de investigación “PSIIN3102ECBTI2023 Sistema de certificación del uso efectivo de medios de transporte ecoamigables” de la Universidad Nacional Abierta y a Distancia.Referencias bibliográficas
F. A. Malik et al., “Intelligent real-time modelling of rider personal attributes for safe last-mile delivery to provide mobility as a service”, Applied Sciences (Switzerland), vol. 12, núm. 20, 2022.
C. Keller et al., “Investigating the potential of data science methods for sustainable public transport”, Sustainability (Switzerland), vol. 14, núm. 7, 2022.
I. M. Pires et al., “Comparison of machine learning techniques for the identification of human activities from inertial sensors available in a mobile device after the application of data imputation techniques”, Comput. Biol. Med., vol. 135, ago., 2021. DOI: https://doi.org/10.1016/j.compbiomed.2021.104638
F. Schirmer et al., “Use of machine learning for expanding realistic and usable routes for data analysis on sustainable mobility”, vol. 2021, pp. 156-163, 2021.
F. Tuchnitz et al., ‘Development and evaluation of a smart charging strategy for an electric vehicle fleet based on reinforcement learning”, Applied Energy, vol. 285, 2021.
S. Bilotta et al., ‘Short-Term Prediction of City Traffic Flow via Convolutional Deep Learning’, IEEE Access, vol. 10, pp. 113086-113099, 2022.
O. D. León-Granizo y M. Botto-Tobar, “Predictive algorithms analysis to improve sustainable mobility”, International Journal on Informatics Visualization, vol. 6, núm. 1, pp. 83-89, 2022.
C. Catal et al., “On the use of ensemble of classifiers for accelerometer-based activity recognition”, Appl. Soft Comput., vol. 37, dic. 2015. DOI: https://doi.org/10.1016/j.asoc.2015.01.025
H. Gong et al., “A GPS/GIS method for travel mode detection in New York City”, Comput. Environ. Urban Syst., vol. 36, núm. 2, marzo. 2012. DOI: https://doi.org/10.1016/j.compenvurbsys.2011.05.003
D.-N. Lu et al., “Vehicle mode and driving activity detection based on analyzing sensor data of smartphones”, Sensors, vol. 18, núm. 4, Art. N.° 4, abr. 2018, DOI: https://doi.org/10.3390/s18041036
X. Liang et al., “A deep learning model for transportation mode detection based on smartphone sensing data,” IEEE Trans. Intell. Transp. Syst., vol. 21, núm. 12, dic. 2020, DOI: https://doi.org/10.1109/TITS.2019.2951165
S. Cheng y Y. Liu, “Research on transportation mode recognition based on multi-head attention temporal convolutional network”, Sensors, vol. 23, núm. 7, 2023. DOI: https://doi.org/10.3390/s23073585
S. Khan et al., “Deep neural network and trust management approach to secure smart transportation data in sustainable smart cities”, ICT Express, vol. 10, núm. 5, 2024. DOI: https://doi.org/10.1016/j.icte.2024.08.006
G. Badu-Marfo et al., “An ensemble federated learning framework for privacy-by-design mobility behaviour inference
in smart cities”, Sustainable Cities and Society, vol. 97, 2023. DOI: https://doi.org/10.1016/j.scs.2023.104703
N. Zafar et al., “Traffic prediction in smart cities based on hybrid feature space”, IEEE Access, vol. 10, 2022. DOI: https://
doi.org/10.1109/ACCESS.2022.3231448
A. Sharma et al., “Early transportation mode detection using smartphone sensing data”, IEEE Sens. J., vol. 21, núm. 14, jul. 2021. DOI: https://doi.org/10.1109/JSEN.2020.3009312
P. Chapman et al., CRISP-DM 1.0: Step-by-step Data Mining Guide. CRISP-DM Consortium, 2000.
Y. Zheng et al., “Geolife GPS trajectory dataset - User Guide”, 2011.
F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.
R. Boutaba et al., “A comprehensive survey on machine learning for networking: evolution, applications and research opportunities”, Journal of Internet Services and Applications, vol. 9, núm. 1, p. 16, jun. 2018.
DeepLearning.AI, “Train/dev/test sets”, YouTube, 2017, https://www.youtube.com/watch?v=1waHlpKiNyY (accedido el 9 de septiembre de 2024) [En línea].
S. Boughorbel, F. Jarray y M. El-Anbari, “Optimal classifier for imbalanced data using matthews correlation coefficient metric”, PLOS One, vol. 12, núm 6, pp. 1-17, 2017.
J. Brownlee, Master machine learning algorithms discover how they work and implement them from scratch, 1.9. Melbourne, 2017. [Online]. http://MachineLearningMastery.com
C. Bentéjac, A. Csörgő y G. Martínez-Muñoz, “A comparative analysis of gradient boosting algorithms”, Artif Intell Rev, vol. 54, núm. 3, 2021. DOI: https://doi.org/10.1007/s10462-020-09896-5
S. Dabiri y K. Heaslip, “Inferring transportation modes from GPS trajectories using a convolutional neural network”, Transp Res Part C Emerg Technol, vol. 86, 2018. DOI: https://doi.org/10.1016/j.trc.2017.11.021
C. Ferri, “Identifying the sport activity of GPS tracks,” Procedia Computer Science, Elsevier B.V., 2016. DOI: https://doi.org/10.1016/j.procs.2016.05.345
A. Vabalas et al., “Machine learning algorithm validation with a limited sample size,” PLoS One, vol. 14, núm. 11, 2019. DOI: https://doi.org/10.1371/journal.pone.0224365
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
Derechos de autor 2024 Revista Facultad de Ciencias Básicas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
