Jamie Arjona, Maria Paz Linares, Josep Casanovas-Garcia y Juan Jos\u00e9 V\u00e1zquez Gim\u00e9nez<\/p>\n
Presentador: Jamie Arjona<\/p>\n
Resumen: El tr\u00e1fico urbano afecta actualmente la calidad de vida en las ciudades y las \u00e1reas metropolitanas a medida que el problema se agrava surgen cada vez m\u00e1s por problemas de estacionamiento: la congesti\u00f3n aumenta debido a que las personas buscan espacios para estacionar sus veh\u00edculos. Un enfoque de Internet de las cosas permite a los conductores conocer el estado del sistema de estacionamiento en tiempo real a trav\u00e9s de redes inal\u00e1mbricas de dispositivos sensores. Este trabajo se centra en estudiar los datos generados por los sistemas de estacionamiento para desarrollar modelos predictivos que generen informaci\u00f3n pronosticada. Esto puede ser \u00fatil para mejorar la gesti\u00f3n de las \u00e1reas de estacionamiento. Esta investigaci\u00f3n comienza observando el estado del arte en m\u00e9todos predictivos basados \u200b\u200ben el aprendizaje autom\u00e1tico para series de tiempo. Luego, este documento presenta los m\u00e9todos de redes neuronales recurrentes que se utilizaron en esta investigaci\u00f3n, a saber, la memoria a corto plazo a largo plazo y la unidad recurrente cerrada, as\u00ed como los modelos desarrollados de acuerdo con escenarios reales en diferentes ciudades. Para mejorar la calidad de los modelos, se tienen en cuenta variables ex\u00f3genas como el clima por hora, los efectos del calendario y, los modelos de referencia se comparan con los modelos que utilizaron esta informaci\u00f3n. Finalmente, se describen los resultados preliminares alentadores, seguidos de sugerencias para el trabajo futuro correspondiente.<\/p>\n
![\"\"](\"https:\/\/inlab.fib.upc.edu\/wp-content\/uploads\/2019\/09\/jamie.jpeg\")
<\/p>\n
A Multi-Objective Programming Model for Timetables on Corridors Integrating Macroscopic and Microscopic Approaches<\/strong><\/p>\n \u00c1ngel G. Mar\u00edn y Esteve Codina<\/p>\n Presentador: Esteve Codina<\/p>\n Resumen: Se propone un marco integrado para el dise\u00f1o de horarios que combina los requisitos de los planificadores de servicios, que generalmente adoptan un punto de vista puramente macrosc\u00f3pico de los requisitos de la demanda y los conflictos que estos horarios pueden surgir en las estaciones. Los planificadores de servicios pueden no tener en cuenta estos aspectos, ya que es necesario un an\u00e1lisis microsc\u00f3pico de la estructura de las estaciones considerando posibles conflictos en las plataformas. El modelo integrado propuesto garantiza horarios viables que equilibran los \u00edndices de rendimiento para los intereses del pasajero y del operador al tiempo que garantiza la viabilidad. Las diferencias entre los horarios \u00f3ptimos para los planificadores de servicios y los que est\u00e1n operativos en las estaciones se mantienen dentro de los l\u00edmites especificados. El problema resultante se ha modelado como un problema de Programaci\u00f3n lineal de enteros mixtos de objetivos m\u00faltiples. El modelo puede resolverse de manera \u00f3ptima en un tiempo de computaci\u00f3n razonable como se muestra en las pruebas que utilizan la red ferroviaria de alta velocidad Madrid-Zaragoza-Barcelona. Para este caso, se realiza un an\u00e1lisis de frontera de Pareto que muestra que el problema est\u00e1 bien planteado. Adem\u00e1s, seg\u00fan el modelo anterior, se desarrolla un procedimiento heur\u00edstico para obtener horarios que eviten en la mayor medida posible las concentraciones de llegadas\/salidas a\/en las estaciones, lo que permite una mejor capacidad de recuperaci\u00f3n y solidez del horario en caso de interrupciones inesperadas.<\/p>\n <\/p>\n Using GPS Tracking Data to Validate Route Choice in OD Trips Within Dense Urban Networks<\/strong><\/p>\n L\u00eddia Montero y Xavier Ros-Roca<\/p>\n Presentadora: L\u00eddia Montero<\/p>\n Resumen: Hoy en d\u00eda, hay varias compa\u00f1\u00edas que proporcionan mediciones de sistema de posicionamiento global (GPS) procesadas o sin procesar de flotas de veh\u00edculos comerciales, aplicaciones de Internet o compa\u00f1\u00edas de autom\u00f3viles. El objetivo de este documento es profundizar la comprensi\u00f3n sobre la aplicabilidad de los datos GPS para fines de modelado de transporte al proporcionar informaci\u00f3n sistem\u00e1tica y cuantificada sobre la representatividad de los datos recopilados al describir la elecci\u00f3n de ruta de las personas. Desafortunadamente, los datos reales a menudo contienen ruido, incertidumbre, errores, redundancias o incluso informaci\u00f3n irrelevante. Se obtendr\u00e1n modelos in\u00fatiles cuando se construyan sobre datos incorrectos o incompletos. Es por eso que el preprocesamiento es uno de los pasos m\u00e1s cr\u00edticos del an\u00e1lisis de datos en cualquiera de sus formas. Sin embargo, el preprocesamiento a\u00fan no se ha sistematizado adecuadamente, este documento se centra en los pasos de preprocesamiento requeridos en los datos de seguimiento GPS junto con una propuesta para sistematizarlos. Adem\u00e1s, el nivel de agregaci\u00f3n est\u00e1 en la ubicaci\u00f3n del punto de referencia para posiciones GPS de baja latencia en la trayectoria de su viaje. La fiabilidad del tiempo de viaje en rutas OD se aborda entre otras caracter\u00edsticas de ruta OD. La elecci\u00f3n de ruta en redes urbanas densas enfrenta m\u00faltiples posibilidades y los datos de las nuevas tecnolog\u00edas ofrecen la oportunidad de comprender el comportamiento de elecci\u00f3n de ruta.<\/p>\n A Comparison of Deep Learning Methods for Urban Traffic Forecasting Using Floating Car Data<\/strong><\/p>\n Juan Jos\u00e9 V\u00e1zquez Gim\u00e9nez, Jamie Arjona Mart\u00ednez, Mari Paz Linares Herreros y Josep Casanovas Garcia<\/p>\n Presentadora: Mari Paz Linares<\/p>\n Resumen: Las ciudades de hoy deben abordar el desaf\u00edo de la movilidad sostenible, y el pron\u00f3stico del estado del tr\u00e1fico juega un papel clave en la mitigaci\u00f3n de la congesti\u00f3n del tr\u00e1fico en las zonas urbanas. Por ejemplo, predecir el tiempo de viaje de la ruta es un tema crucial en las aplicaciones de planificaci\u00f3n de rutas y navegaci\u00f3n. Adem\u00e1s, la penetraci\u00f3n penetrante de las tecnolog\u00edas de informaci\u00f3n y comunicaci\u00f3n hace que los datos flotantes de autom\u00f3viles sean una fuente importante de datos en tiempo real para aplicaciones de sistemas de transporte inteligentes. Este documento aborda el problema de pronosticar el tr\u00e1fico urbano cuando se dispone de datos de autom\u00f3viles flotantes. Se presenta una comparaci\u00f3n de cuatro m\u00e9todos de aprendizaje profundo para demostrar las capacidades de los enfoques de redes neuronales (recurrentes y \/ o convolucionales) para resolver el problema del pron\u00f3stico del tr\u00e1fico en un contexto urbano. Se proponen diferentes pruebas para no solo evaluar los modelos de aprendizaje profundo desarrollados, sino tambi\u00e9n para analizar c\u00f3mo las tasas de penetraci\u00f3n de los autos flotantes afectan la precisi\u00f3n de los pron\u00f3sticos. Los experimentos presentados se dise\u00f1aron de acuerdo con un enfoque de simulaci\u00f3n de tr\u00e1fico microsc\u00f3pico para emular flotas de datos de autom\u00f3viles flotantes, que proporcionan la posici\u00f3n y velocidad del veh\u00edculo, y para validar los resultados obtenidos. Finalmente, se presentan algunas conclusiones y m\u00e1s investigaciones.<\/p>\n Del 18 al 20 de septiembre de 2019 tuvo lugar el Euro Working Gropu on Transportation (EWGT), un congreso organizado desde el Departamento de Estad\u00edstica e Investigaci\u00f3n Operativa de la UPC. El chair del congreso era Esteve Codina, profesor colaborador del inLab FIB. Durante los tres d\u00edas que duro el congreso se presentaron diversos trabajos: […]<\/p>\n","protected":false},"author":594,"featured_media":2814,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[458,1],"tags":[],"experteses":[],"class_list":["post-2828","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticies","category-uncategorized-ca"],"acf":[],"_links":{"self":[{"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/posts\/2828","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/users\/594"}],"replies":[{"embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/comments?post=2828"}],"version-history":[{"count":0,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/posts\/2828\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/media\/2814"}],"wp:attachment":[{"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/media?parent=2828"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/categories?post=2828"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/tags?post=2828"},{"taxonomy":"experteses","embeddable":true,"href":"https:\/\/inlab.fib.upc.edu\/es\/wp-json\/wp\/v2\/experteses?post=2828"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"https:\/\/inlab.fib.upc.edu\/wp-content\/uploads\/2019\/09\/lidia.jpeg\")
<\/p>\n![\"\"](\"https:\/\/inlab.fib.upc.edu\/wp-content\/uploads\/2019\/09\/paz.jpeg\")
<\/p>\n","protected":false},"excerpt":{"rendered":"