Optimización de la gestión de semáforos en intersecciones urbanas mediante detección y clasificación de vehículos con inteligencia artificial
Loading...
Date
2025-09-24
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
This thesis presents a methodology for optimizing traffic signal management at urban intersections through the application of artificial intelligence based on convolutional neural networks. A vehicle detection and classification model were developed using the YOLOv8 architecture, trained on a custom dataset composed of images extracted from intersections in Cuenca, Ecuador. For object tracking and real-time vehicle counting, the DeepSORT algorithm was integrated, enabling accurate analysis of classified traffic flows. The system’s outputs were then incorporated into the SUMO traffic simulation platform to evaluate three scenarios: the current configuration with static signals, a modified layout with geometric adjustments, and an adaptive traffic control scheme informed by the detection model. Results demonstrate that an AI-based adaptive approach can substantially reduce waiting times without compromising service levels, thus improving operational efficiency in complex intersections. This framework, once refined, represents a scalable and technically viable solution for modern traffic management systems.
Resumen
El presente trabajo de titulación propone una metodología para la optimización de la gestión semafórica en intersecciones urbanas, mediante el uso de inteligencia artificial basada en redes neuronales convolucionales. Se desarrolla un modelo de detección y clasificación vehicular utilizando la arquitectura YOLOv8, entrenado con una base de datos propia conformada por imágenes extraídas de intersecciones de la ciudad de Cuenca. Para el seguimiento y conteo de vehículos, se implementa el algoritmo DeepSORT, lo cual permite la identificación del flujo vehicular por tipo de vehículo en tiempo real. Posteriormente, se emplea el entorno de simulación SUMO, donde se evalúan diferentes escenarios: el estado actual con semáforos estáticos, un escenario modificado con cambios geométricos, y un tercer escenario con semáforos inteligentes simulando el uso del modelo de detección y clasificación vehicular. Los resultados demuestran que la implementación de un sistema adaptativo basado en IA permite reducir significativamente los tiempos de espera sin comprometer los niveles de servicio, mejorando la eficiencia del tránsito en intersecciones complejas. Esta herramienta, una vez perfeccionada, constituye una alternativa viable y escalable para la gestión moderna del tráfico urbano.
Keywords
Ingeniería Civil, Arquitectura yolov8, Simulación sumo, Algoritmo deepsort
Citation
Código de tesis
TI; 1372
Código de tesis
Grado Académico
Ingeniero Civil