Auquilla Sangolquí, Andrés VinicioBarros Pacheco, Jorge NicolásReinoso Gómez, Mateo Francisco2024-09-042024-09-042024-09-03https://dspace.ucuenca.edu.ec/handle/123456789/45112El 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.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.application/pdf102 páginasspaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Ingeniería en SistemasMovilidadRedes neuronalesAlgoritmosClasificación de la Investigación::Ingeniería Informática::Sistemas de computaciónopenAccess