Análisis e Identificación de trayectorias de movilidad y modos de transporte utilizando datos de GPS
Loading...
Date
2024-09-03
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Population growth has increased global traffic, intensifying greenhouse gas emissions. Therefore, the detection of transportation modes is crucial for identifying how people move in
urban areas and designing strategies to reduce reliance on private vehicles. However, this
process faces certain challenges, such as accurately differentiating between transportation
modes with similar movement patterns, the multimodal nature of many trips, and the need for
additional sensor data, which limits its applicability. To address these challenges, we have
developed an automatic method for detecting transportation modes using GPS data through
a supervised algorithm that analyzes travel characteristics. This document describes the
methodology, from the development and implementation of the model to validation by mobility experts, including an analysis of mobility patterns through an interactive dashboard. A
key finding is the automation of trip labeling using specific rules for each mode of transportation, which enables the construction of a machine learning model capable of determining the
mode of transport. Additionally, the segmentation of trips allows the identification of walking
segments to isolate single-mode trips and facilitate classification. Finally, the creation of detailed features from GPS points, such as speeds and accelerations, improves results even in
simple models. For future research, it is recommended to add more features such as altitude,
apply the process to more diverse datasets, and explore other supervised algorithms.
Resumen
El crecimiento demográfico ha incrementado el tráfico global, intensificando la emisión de
gases de efecto invernadero. Por ello, la detección de modos de transporte es crucial para
identificar cómo se desplazan las personas en áreas urbanas y diseñar estrategias que reduzcan la dependencia de vehículos privados. Sin embargo, este proceso enfrenta ciertas
dificultades como la diferenciación precisa entre modos de transporte con patrones de movimiento similares, la naturaleza multimodal de muchos trayectos y la necesidad de datos
de sensores adicionales que limitan su aplicabilidad. Para enfrentar estos desafíos, hemos
desarrollado un método automático para detectar modos de transporte a partir de datos GPS
mediante un algoritmo supervisado que analiza las características de los viajes. Este documento describe la metodología desde el desarrollo e implementación del modelo hasta la
validación por expertos en movilidad, incluyendo un análisis de patrones de movilidad a través de un dashboard interactivo. Un hallazgo clave es la automatización del etiquetado de
viajes mediante reglas específicas para cada modo de transporte, lo que permite construir
un modelo de aprendizaje automático capaz de determinar el modo de transporte. Además,
la segmentación de viajes, permite identificar tramos de caminata para obtener viajes de un
solo modo de transporte y facilitar la clasificación. Finalmente, la creación de características
detalladas a partir de puntos GPS, como velocidades y aceleraciones, mejora los resultados
incluso en modelos simples. Para futuras investigaciones, se recomienda añadir más características como la altitud, aplicar el proceso a conjuntos de datos más diversos y explorar
otros algoritmos supervisados.
Keywords
Ingeniería en Sistemas, Movilidad, Redes neuronales, Algoritmos
Citation
Código de tesis
TS;326
Código de tesis
Grado Académico
Ingeniero en Ciencias de la Computación