UNIVERSIDAD DE GUAYAQUIL PROYECTO DE...

UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS

CARRERA DE INGENIERIA EN SISTEMAS COMPUTACIONALES

PROYECTO DE TITULACIÓN

PLATAFORMA TECNOLÓGICA PARA CONTRIBUIR A LA PLANEACIÓN URBANA

DE LA CIUDAD DE GUAYAQUIL DIRIGIDO A LA TRANSPORTACIÓN, ENFOCADO

AL USO DE UN ALGORITMO RECOMENDADOR QUE BRINDE ALTERNATIVAS DE

SOLUCIÓN EN PROYECTOS VIALES UTILIZANDO LOS MODELOS DE

APRENDIZAJE.

Previa a la obtención del Título de:

INGENIERO EN SISTEMAS COMPUTACIONALES

AUTORES:

MORAN ZAMBRANO BRYAN FABRIZIO

MELGAR FREIRE KENNETH AGUSTÍN

TUTOR:

ING. TANIA PERALTA GUARACA, M.Sc.

GUAYAQUIL – ECUADOR

2018

REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA

FICHA DE REGISTRO DE TESIS TÍTULO: Plataforma Tecnológica para contribuir a la planeación urbana de la ciudad de Guayaquil, enfocado al

uso de un algoritmo recomendador que brinden alternativas de soluciones en proyectos viales utilizando los

modelos de aprendizaje

AUTORES:

Melgar Freire Kenneth Agustín

Moran Fabrizio Moran Zambrano

REVISORES:

Ing. Fabricio Medina Palacios, MDPR.

Ing. Fabricio Medina Palacios, MDPR.

INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Ciencias Matemáticas y Físicas

CARRERA: Ingeniería en Sistemas Computacionales

FECHA DE PUBLICACIÓN: N° DE PÁGS.: 104

ÁREA TEMÁTICA: Desarrollo de Sistemas.

PALABRAS CLAVES: Congestion vehicular, inteligencia artificial, Algoritmo, SOM, Modelo de aprendizaje, Red neuronal, Trayectorias.

RESUMEN: El proyecto va enfocado en contribuir a una plataforma tecnológica implementando un algoritmo recomendador para la ayuda en la planeación urbana debido a la problemática de congestión vehicular que afecta a la ciudad de Guayaquil, para solventar este problema se empleará un algoritmo de trayectoria que obtendrá posibles soluciones de optimización entre un destino y una partida para evitar el congestionamiento. Una de las metodologías fue la cuatitativa la cual se hara uso de diferentes metodos de comparación, análisis e implementación para la elección del más conveniente para lo que se busca. El algoritmo a utilizar es SOM, que realiza un aprendizaje y entrenamiento no supervisado, que para facilitar la complejidad del mismo se hace el uso de redes neuronales cocurrentes, en conjunto se empleará un modelo de aprendizaje profundo. Estara implementado en Python con el entorno de desarrollo de Jupyter la cual provee facilidades de uso e implementación de sus funciones, librerias ect.

N° DE REGISTRO (en base de datos): N° DE CLASIFICACIÓN:

DIRECCIÓN URL (tesis en la web):

ADJUNTO PDF SI NO

CONTACTO CON AUTORES: Melgar Freire Kenneth Agustín

Moran Fabrizio Moran Zambrano

Teléfono: 0960150363

0967507794

E-mail:

[email protected]

[email protected]

CONTACTO DE LA INSTITUCIÓN

Universidad de Guayaquil Carrera de Ingeniería en Sistemas Computacionales Víctor Manuel Rendón y Baquerizo Moreno

Nombre: Abg. Juan Chávez

Teléfono: 2307729

X

mailto:[email protected]

mailto:[email protected]

II

APROBACION DEL TUTOR

En mi calidad de Tutor del trabajo de titulación, “Plataforma tecnológica para

contribuir a la planeación urbana de la ciudad de Guayaquil dirigido a la transportación,

enfocado al uso de un algoritmo recomendador que brinde alternativas de solución en

proyectos viales utilizando los modelos de aprendizaje “elaborado por los Sres.

Melgar Freire Kenneth Agustín y Moran Zambrano Bryan Fabrizio, de la Carrera

de Ingeniería en Sistemas Computacionales, Facultad de Ciencias Matemáticas

y Físicas de la Universidad de Guayaquil, previo a la obtención del Título de

Ingeniero en Sistemas, me permito declarar que luego de haber orientado,

estudiado y revisado, la Apruebo en todas sus partes.

Atentamente

Ing. Tania Peralta Guaraca, M.Sc.

TUTOR

III

DEDICATORIA

Le dedico este triunfo a mi familia que tanto me ha apoyado en especial a mis padres de crianza quienes me dieron la fuerza para seguir adelante, a mi hermano que pase lo que pase a esta allí conmigo mi tío Francisco, mi tía Alexandra a mi mama y por su puesto a mi madrastra que son las personas que cuando han podido han velado por mí y sobre todo han sabido darme un buen consejo cuando lo necesitase.

MELGAR FREIRE KENNETH AGUSTIN

Dedico principalmente a Dios por darme la fuerza y la perseverancia de seguir adelante y no desmayar por cumplir mis objetivos, a mi madre Maura Dolores Zambrano y a mi Padre Beder Fabricio Moran que estuvieron siempre conmigo, brindándome su apoyo, consejos y enseñarme valores que demuestra la persona que soy ahora, por su amor incondicional y la motivación que me han dado durante toda mi carrera universitaria. Por último, a mis queridos hermanos que les agradezco infinitamente y a toda mi familia.

MORAN ZAMBRANO

BRYAN FABRIZIO

IV

AGRADECIMIENTO

Agradezco primeramente a Dios, porque sin el hoy no estaría donde estoy, agradezco a mis padres de crianza quienes me hicieron como soy, a mi hermano Jefferson que la persona con la que comparto todo, a mi tío Francisco quien se ha convertido como un padre y a sus hijos que mis primos son como mis hermanos, a mi madrastra quien sobre todo a ha estado allí para ayudarme y por su puesto a mi mamita que siempre está allí para cuando la necesito y por ultimo a mis primas Karen y Mabel quienes me quieren como un hermano.


Agradezco a Dios por ayudarme a cumplir este triunfo de mi vida, a mis padres dolores Zambrano y Beder moran por el apoyo incondicional, a mis queridos hermanos Allison y Fernando Morán, a mi amigo Marcelo Bazurto por estar conmigo desde siempre, mi tío Jerson Loor por su apoyo incondicional, a las personas que aportaron sus conocimientos para la tesis. Agradezco también a mi tutora ing. Tania Peralta por su guía, recomendaciones y apoyo en todo momento. Gracias a todos.

MORAN ZAMBRANO

BRYAN FABRIZIO

V

TRIBUNAL PROYECTO DE TITULACIÓN

Ing. Eduardo Santos Baquerizo, M.Sc.

DECANO DE LA FACULTAD CIENCIAS MATEMATICAS Y

FISICAS

Ing. Abel Alarcón Salvatierra, Mgs. DIRECTOR DE LA CARRERA DE

INGENIERIA EN SISTEMAS COMPUTACIONALES

Ing. Fabricio Felipe Medina, MDPR

PROFESOR REVISOR DEL AREA TRIBUNAL

Ing. Tania Peralta Guaraca, M.Sc.

PROFESOR TUTOR DEL PROYECTO DE TITULACION

Ab. Juan Chávez Atocha, Esp. SECRETARIO

VI

DECLARACIÓN EXPRESA

“La responsabilidad del contenido de este

Proyecto de Titulación, me corresponden

exclusivamente; y el patrimonio intelectual

de la misma a la UNIVERSIDAD DE

GUAYAQUIL”

____________________________


C.C.0952173003

____________________________

MORAN ZAMBRANO BRYAN FABRIZIO

C.C: 0950938761

VII

.

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS


PLATAFORMA TECNOLÓGICA PARA CONTRIBUIR A LA PLANEACIÓN

URBANA DE LA CIUDAD DE GUAYAQUIL DIRIGIDO A LA

TRANSPORTACIÓN, ENFOCADO AL USO DE UN ALGORITMO

RECOMENDADOR QUE BRINDE ALTERNATIVAS DE SOLUCIÓN EN

PROYECTOS VIALES UTILIZANDO LOS MODELOS DE APRENDIZAJE

Proyecto de Titulación que se presenta como requisito para optar por el

título de

INGENIERO EN SISTEMAS COMPUTACIONALES

Autor: MELGAR FREIRE KENNETH MELGAR

C.I.0952173003

Autor: MORAN ZAMBRANO BRYAN FABRIZIO

C.I.0950938761

Tutor: Ing. Tania Peralta Guaraca, M.Sc.

Guayaquil, septiembre del 2018

VIII

CERTIFICADO DE ACEPTACIÓN DEL TUTOR

En mi calidad de Tutor del proyecto de titulación, nombrado con el Consejo

Directivo de la Facultad de Ciencias Matemáticas y Físicas de la

Universidad de Guayaquil.

CERTIFICO:

Que he analizado el Proyecto de Titulación presentado por los estudiantes Melgar Freire Kenneth Agustín y Moran Zambrano Bryan Fabrizio, como requisito previo para optar por el título de Ingeniero en Sistemas Computacionales cuyo problema es:

“Plataforma tecnológica para contribuir a la planeación urbana de la ciudad de Guayaquil dirigido a la transportación, enfocado al uso de un algoritmo recomendadores que brinde alternativas de solución en proyectos viales utilizando los modelos de aprendizaje”

Considero aprobado el trabajo en su totalidad.

Presentado por: Melgar Freire Kenneth Agustín C.C Nº 0952173003 Moran Zambrano Bryan Fabrizio C.C Nº 0950938761

Tutor: Ing. Tania Peralta Guaraca, M,Sc.

Guayaquil, septiembre del 2018

IX


CARRERA DE INGENIERIA EN INGENIERIA EN SISTEMAS COMPUTACIONALES

Autorización para Publicación del Proyecto de Titulación en Formato

Digital

1. Identificación del Proyecto de Titulación

Nombre Alumno: Melgar Freire Kenneth Agustín Dirección: Cdla. los Tulipanes mz 1125 v.6 Teléfono: 0960150363 E-mail: [email protected]

Nombre Alumno: Moran Zambrano Bryan Fabrizio

Dirección: Coop. 5 de junio mz g2 v. 6

Teléfono: 2-862443 E-mail: [email protected]

Tema del Proyecto de Titulación: Congestión vehicular, inteligencia artificial, Algoritmo, SOM, Modelo de aprendizaje, Red neuronal, Trayectorias.

Facultad: Ciencias Matemáticas y Físicas Carrera: Ingeniería en Sistemas Computacionales Proyecto de titulación al que opta: Ingeniero en Sistemas Computacionales Profesor tutor: Ing. Tania Peralta Guaraca, M.Sc

Título del Proyecto de titulación: Plataforma tecnológica para contribuir a la planeación urbana de la ciudad de Guayaquil dirigido a la transportación, enfocado al uso de un algoritmo recomendador que brinde alternativas de solución en proyectos viales utilizando los modelos de aprendizaje.

2. Autorización de Publicación de Versión Electrónica del Proyecto de

Titulación

A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de Titulación. Publicación electrónica:

Inmediata X Después de 1 año

X

Firma Alumno: Melgar Freire Kenneth Agustín Firma Alumno: Moran Zambrano Bryan Fabrizio 3. Forma de envío: El texto de la Plataforma tecnológica para contribuir a la planeación urbana de la ciudad

de Guayaquil dirigido a la transportación, enfocado al uso de un algoritmo recomendador

que brinde alternativas de solución en proyectos viales utilizando los modelos de

aprendizaje debe ser enviado en formato Word, como archivo .Doc. O .RTF y. Puf para

PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.

DVDROM CDROM X

XI

ABREVIATURAS

ABP Aprendizaje Basado en Problemas UG Universidad de Guayaquil FTP Archivos de Transferencia g.l. Grados de Libertad Html Lenguaje de Marca de salida de Hyper Texto http Protocolo de transferencia de Hyper Texto Ing. Ingeniero CC.MM.FF Facultad de Ciencias Matemáticas y Físicas ISP Proveedor de Servicio de Internet Mtra. Maestra Msc. Master URL Localizador de Fuente Uniforme www world wide web (red de área mundial) FCI Fondo Competitivo de Investigaciones SOM Mapas Autoorganizados (Self Organization Map). LSTM Larga memoria a corto plazo (Long Short-Term

Memory)

XII

SIMBOLOGÍA

s Desviación estándar e Error E Espacio muestral E(Y) Esperanza matemática de la v.a. y s Estimador de la desviación estándar e Exponencial

XIII

ÍNDICE GENERAL

FICHA DE REGISTRO DE TESIS ............................................................. II

APROBACION DEL TUTOR ...................................................................... II

DEDICATORIA ......................................................................................... III

AGRADECIMIENTO ................................................................................. IV

TRIBUNAL PROYECTO DE TITULACIÓN ................................................ V

CERTIFICADO DE ACEPTACIÓN DEL TUTOR .................................... VIII

ABREVIATURAS ...................................................................................... XI

SIMBOLOGÍA .......................................................................................... XII

ÍNDICE GENERAL .................................................................................. XIII

ÍNDICE DE CUADROS .......................................................................... XVI

ÍNDICE DE GRÁFICOS ....................................................................... XVIII

Resumen ............................................................................................... XXI

Abstract ................................................................................................. XXII

INTRODUCCIÓN ....................................................................................... 1

CAPÍTULO I ............................................................................................... 4

Planteamiento del problema ................................................................... 4

Situación Conflicto Nudos Críticos ......................................................... 6

Causas y Consecuencias del Problema ................................................. 8

Delimitación del Problema ...................................................................... 8

Evaluación del Problema ........................................................................ 9

OBJETIVOS ......................................................................................... 11

Objetivo General ............................................................................... 11

Objetivos específicos ........................................................................ 11

Alcances del Problema ......................................................................... 11

XIV

Justificación E Importancia ................................................................... 12

Metodología Del Proyecto .................................................................... 14

CAPÍTULO II ............................................................................................ 17

Antecedentes Del Estudio .................................................................... 17

Fundamentación Teórica ...................................................................... 18

Inteligencia artificial .......................................................................... 21

Machine learning .............................................................................. 22

Redes neuronales ............................................................................. 24

Neurona biológica ............................................................................. 24

Neuronas artificiales ......................................................................... 25

Redes neuronales concurrentes ....................................................... 33

Redes LSTM ..................................................................................... 35

Algoritmos genéticos ........................................................................ 37

Mapas Auto-Organizados (SOM) ...................................................... 42

Python............................................................................................... 47

TensorFlow ....................................................................................... 49

Keras ................................................................................................ 49

Cuda - NVIDIA .................................................................................. 50

Docker .............................................................................................. 50

Fundamentación Legal ......................................................................... 50

Sección II .......................................................................................... 51

Sección III ......................................................................................... 53

Constitución De La República Del Ecuador ...................................... 54

Pregunta Científica Que Contestarse ................................................... 55

Definiciones Conceptuales ................................................................... 55

XV

CAPITULO III ........................................................................................... 58

Propuesta Tecnológica ......................................................................... 58

Análisis de factibilidad ...................................................................... 59

Factibilidad Operacional ................................................................... 59

Factibilidad técnica ........................................................................... 60

Factibilidad Legal .............................................................................. 60

Factibilidad Económica ..................................................................... 61

Etapas de la metodología del proyecto ................................................ 62

Levantamiento de información de Servicio ....................................... 62

Levantamiento del servicio ............................................................... 62

Análisis del Algoritmo ....................................................................... 63

Implementación del Algoritmo y Modelo de Aprendizaje .................. 63

Levantamiento de Datos ................................................................... 63

Pruebas ............................................................................................ 63

Integración ........................................................................................ 63

Documentación ................................................................................. 63

Entregables del proyecto ...................................................................... 64

Criterios De Validación De La Propuesta ............................................. 64

Procesamiento Y Análisis ..................................................................... 65

CAPÍTULO IV ........................................................................................... 73

Criterios de aceptación del producto o Servicio ................................... 73

Conclusiones ........................................................................................ 76

Recomendaciones ................................................................................ 77

Bibliografía ........................................................................................... 78

ANEXOS .................................................................................................. 81

XVI

ÍNDICE DE CUADROS

CUADRO 1:

CAUSAS Y CONSECUENCIAS DEL PROBLEMA .................................... 8

CUADRO 2 :

ASPECTOS GENERALES DE LAS LIMITACIONES DEL PROBLEMA .... 8

CUADRO 3:

VARIABLES BINARIAS DE UNA SOLA NEURONA ............................... 27

CUADRO 4:

CODIFICACION ( CROMOSOMAS POSIBLES ) .................................... 41

CUADRO 5:

POBLACION INICIAL .............................................................................. 41

CUADRO 6:

EVALUACION DE LA POBLACION INICIAL ........................................... 41

CUADRO 7:

NUEVA POBLACION (SELECCION Y CRUCE) ...................................... 42

CUADRO 8:

NUEVA EVALUACION DE LA NUEVA POBLACION .............................. 42

CUADRO 9:

LIBRERIAS DE PYTHON CON SUS FUNCIONALIDADES .................... 48

CUADRO 10:

BASES LEGALES CON SUS RESPECTIVOS ARTICULOS .................. 60

CUADRO 11:

RECURSOS DE SOFTWARE ................................................................. 61

CUADRO 12:

OTROS RECURSOS ............................................................................... 62

CUADRO 13:

RECURSOS DE HARDWARE ................................................................. 62

CUADRO 14:

MATRIZ CON LOS CRITERIOS DE ACEPTACION ................................ 73

CUADRO 15:

XVII

MATRIZ CON LOS CIRTERIOS DE ACEPTACION ................................ 74

CUADRO 16:

MATRIZ CON LOS CRITERIOS DE ACEPTACION RESULTADOS

OBTENIDOS ............................................................................................ 74

CUADRO 17:

MATRIZ CON LOS CRITERIOS DE ACEPTACION ................................ 75

XVIII

ÍNDICE DE GRÁFICOS

GRAFICO 1:

CARACTERÍSTICAS DE LA METODOLOGÍA CUALITATIVA ................... 15

GRAFICO 2:

ENTORNO DE DESARROLLO DE JUPYTER .............................................. 19

GRAFICO 3:

ESTRUCTURA DE UNA RED NEURONAL BIOLÓGICA ........................... 24

GRAFICO 4:

ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL ............................ 26

GRAFICO 5:

ESTRUCTURA NEURONAL HACIENDO REFERENCIA A LA PUERTA

LÓGICA AND ...................................................................................................... 27

GRAFICO 6:

RESULTADOS OBTENIDOS DEL PROCESAMIENTO DE LA NEURONA

............................................................................................................................... 28

GRAFICO 7:

SEPARACIÓN LINEAL EXPUESTO POR EL RESULTADO DE LA

NEURONA ( AND) ............................................................................................. 28

GRAFICO 8:

ESTRUCTURA NEURONAL HACIENDO REFERENCIA A LA PUERTA

LÓGICA OR ........................................................................................................ 29

GRAFICO 9:

SEPARACIÓN LINEAL EXPUESTO POR EL RESULTADO DE LA

NEURONA (OR) ................................................................................................. 29

GRAFICO 10:

ESTRUCTURA DE DOS NEURONALES HACIENDO REFERENCIA A LA

PUERTA LÓGICA XOR .................................................................................... 30

GRAFICO 11:

SEPARACIÓN NO LINEAL EXPUESTO POR EL RESULTADO DE DOS

NEURONAS (XOR) ............................................................................................ 31

XIX

GRAFICO 12:

BLOQUE DE RETRASO (TIEMPO DISCRETO) .......................................... 33

GRAFICO 13:

BLOQUE INTEGRADOR (TIEMPO CONTINUO) ......................................... 34

GRAFICO 14:

ARQUITECTURA DE UNA RED RECURRENTE......................................... 35

GRAFICO 15:

ARQUITECTURA DE UNA RED LSTM .......................................................... 36

GRAFICO 16:

SOLUCION PADRE Y MADRE ........................................................................ 38

GRAFICO 17:

CRUZAMIENTO DE LAS SOLUCIONES ....................................................... 39

GRAFICO 18:

DIAGRAMA DE FLUJO DEL ALGORITMO GENÉTICO ............................. 40

GRAFICO 19:

CONEXIÓN LINEAL .......................................................................................... 44

GRAFICO 20:

CONEXIÓN CUADRADA .................................................................................. 45

GRAFICO 21:

CONEXIÓN HEXAGONAL ............................................................................... 45

GRAFICO 22:

EJECUCIÓN DEL SERVICIO CON BD POCO POBLADA ......................... 64

GRAFICO 23:

EJECUCIÓN DEL SERVICIO CON BD MAS POBLADA ........................... 65

GRAFICO 24:

TERMINAL CON VERSION DEL DOCKER .................................................. 66

GRAFICO 25:

IMAGENES CREADAS EN DOCKER ............................................................ 67

GRAFICO 26:

PLATAFORMA JUPYTER ................................................................................ 68

GRAFICO 27:

XX

ENTORNO JUPYTER CON ARCHIVO DE CODIGO FUENTE ................. 68

GRAFICO 28:

TEMRINAL DEL ENTORNO DE JUPYTER .................................................. 69

GRAFICO 29:

CODIGO FUENTE ............................................................................................. 70

GRAFICO 30:

MAPEO DEL ALGORITMO .............................................................................. 71

XXI

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS


Plataforma tecnológica para contribuir a la planeación urbana de la ciudad

de Guayaquil dirigido a la transportación, enfocado al uso de un algoritmo

recomendador que brinde alternativas de solución en proyectos viales

utilizando los modelos de aprendizaje.

Resumen

El proyecto fue enfocado en contribuir a una plataforma tecnológica

implementando un algoritmo recomendador para la ayudar en la planeación

urbana debido a la problemática de congestión vehicular que afecta a la

ciudad de Guayaquil, para solventar este problema se empleo un algoritmo

de trayectoria que devolvio posibles soluciones de optimización entre un

destino y una partida para evitar el congestionamiento. Una de las

metodologías fue la cuatitativa la cual se hizo uso de diferentes metodos

de comparación, análisis e implementación para la elección del más

conveniente para lo que se busca. El algoritmo a utilizar fue SOM, que

realiza un aprendizaje y entrenamiento no supervisado, que para facilitar la

complejidad del mismo se hace el uso de redes neuronales concurrentes,

en conjunto se empleará un modelo de aprendizaje profundo. Fue

implementado en Python con el entorno de desarrollo de Jupyter el cual

provee facilidades de uso e implementación de sus funciones, librerias ect.

Palabras Claves: Congestion vehicular, inteligencia artificial, Algoritmo,

SOM, Modelo de aprendizaje, Red neuronal, Trayectorias.

Autores: Kenneth Melgar y Bryan Moran. Tutor: Ing. Tania Peralta G.M.Sc.

XXII


CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES

Technological platform to contribute to the urban planning of the city of

Guayaquil aimed at transportation, focused on the use of a recommender

algorithm that provides alternative solutions in road projects using learning

models.

Abstract

The project is focused on contributing to a technological platform by

implementing a recommender algorithm to help in urban planning due to the

problem of vehicular congestion affecting the city of Guayaquil. To solve this

problem, a trajectory algorithm will be used to obtain possible solutions. of

optimization of an exit point to a point of arrival to avoid congestion. As a

methodology of the project, the quantitative methodology was used which

will make use of different methods of comparison, analysis and

implementation for the selection of the most convenient and optimal for what

is sought. The trajectory algorithm to be used is SOM (Self Organized Maps)

that performs an unsupervised learning and training, in addition to facilitate

the complexity of it, the use of cocurrent neural networks is made, together

a deep learning model will be used for the help of the algorithm. The

programming language to be used is python in the Jupyter development

environment which provides facilities for the use and implementation of its

functions, ect libraries.

Key words: Vehicular congestion, artificial intelligence, Algorithm, SOM,

Learning model, Neural network, Trajectories.

Authors: Kenneth Melgar y Bryan Moran. Tutor: Ing. Tania Peralta G. M.Sc.

1

INTRODUCCIÓN

Este proyecto tiene como enfoque principal ayudar en la regularización de

la congestión vehicular de la ciudad de Guayaquil. La problemática se da

por el principal y más importante motivo que es aumento del uso vehicular

provocando el congestionamiento vehicular, posteriormente se origina

también por accidentes de tránsitos, regeneración de vías que reducen las

mismas y provocan negligencia de conductores.

A nivel de algoritmos no se ha implantado dentro del Ecuador

específicamente en la ciudad de Guayaquil que es donde brindaremos la

posible solución, por otra parte, se ha brindado facilidades de movilidad y

abastecimiento de espacio vial por ejemplo en la ciudad de Quito

promoviendo el sistema de pico y placa, regularizando así el

congestionamiento, eludir accidentes de tránsito, restar la incomodidad de

las personas aledañas a las vías, y en Guayaquil el sistema de Metro Vía

que su principal objetivo es reducir el desorden vehicular.

¿Cuál sería una de las posibles soluciones para normalizar el tráfico en las

vías más transitadas de la ciudad? Lo propuesto en el proyecto es

implementar un algoritmo recomendador enfocado en trayectorias

vehiculares que posterior a esto nos brindará diferentes alternativas de

escape vial para optimizar el tráfico más aún cuando se circula en las muy

comunes "horas picos". Como antecedentes de estudio se tomó en cuenta

los algoritmos genéticos que se enfocan en dar soluciones posibles a un

problema específico, como el algoritmo SOM (Mapas Autoorganizados)

El modelo de aprendizaje utilizado es LSTM (Long Short-Term Memory) de

la librería de Keras junto a Tensorflow que ayuda a la construcción y

entrenamiento de redes neuronales profundas, dichos recursos

computacionales fueron implementados en el lenguaje de programación

2

Python los que se usaron para la optimización y la implementación de redes

neuronales profundas.

Como valor agregado se realizó visualización de manera gráfica las

posibles alternativas arrojadas por el algoritmo la cual se presentó como un

"FrontEnd" del proyecto lo cuales pueden ser observados por el usuario y

su compilación pasará a un segundo plano ya que solo va a ser consumido

por quien solicite la codificación que forma parte de un "BackEnd" que

conforman librerías, frameworks e información de base de datos.

A continuación, se dará un breve resumen de lo que tratará cada capítulo

expuesto dentro del desarrollo del proyecto:

Capítulo I – El Problema: Este apartado del presente proyecto muestra la

problemática y razón por la cual nace una necesidad y se plantea la

creación de la plataforma tecnológica con el fin de erradicar dicho

problema, así mismo se detallan los nudos críticos, se examinan las causas

y consecuencias que lo provoca, el alcance donde se determinaron de

forma analítica los objetivos generales y específicos del estudio del

problema, su justificación e importancia que mostro porque el proyecto será

útil en la problemática y la metodología de desarrollo que se aplicará.

Capítulo II– Marco Teórico: En esta sección se detallan otros estudios

realizados referentes al tema de investigación planteado, los mismos que

forman parte del análisis y conocimientos teóricos que son reales, además

de las definiciones básicas relacionadas o que se involucran en la

evaluación de algoritmos de trayectorias; y la fundamentación legal que

forma parte de estatutos, reglamentos y apoyos en leyes.

Capítulo III – Propuesta Tecnológica: Una vez realizada la investigación y

habiendo obtenido los conocimientos con respecto al uso de los diversos

3

algoritmos, este apartado mostrará la implementación del algoritmo

recomendador que permitirán ser una fuente de información para otros

módulos de la plataforma tecnológica que se desea implementar.

Capítulo IV – Criterios de Aceptación Del Producto o Servicio: Finalmente

en este capítulo se obtendrá el resultado final del proyecto, donde se

emitirán los criterios con respecto al rendimiento y calidad de los algoritmos

propuestos, además de las métricas establecidas para la integración y

aceptación respectiva en la plataforma antes mencionada.

4

CAPÍTULO I

EL PROBLEMA

Planteamiento del problema

En la actualidad del 2018 es muy probable que obtener un vehículo sea

más accesible o más fácil de adquirir por motivo que se generan diferentes

tipos de descuentos o formas de pago por lo cual va aumentando la oferta

y la demanda “personas y vehículos”. Los vehículos como recurso también

reducen el esfuerzo o trabajo masivo de una persona dentro de una tarea

determinada, después de las consideraciones anteriores y por todos los

beneficios que promueve obtener un vehículo esta tiende a generar más

demanda de personas y lo tanto deben de aumentar la fabricación de estos.

En muchos países existe el deseo de crear e innovar autos, y más en las

regiones que son potencia mundial.

Enfocándonos a la ubicación del problema específicamente en Ecuador por

las estadísticas hechas por el Instituto Nacional De Estadísticas y Censo

(INEC) entre el año 2010 y el año 2015 el parque automotor tuvo un

crecimiento del 57%.

Durante los dos primeros meses de 2017 las ventas de carros

muestran un incremento anual del 45%. Así lo confirman las cifras

publicadas el 17 de marzo por la Asociación de Empresas

Automotrices del Ecuador (Aeade), con corte a febrero de este año.

Los datos engloban a vehículos importados y de producción nacional

(ensamblaje) a escala nacional.("El Telegrafo," 2017).

Refiriéndose en la ciudad de Guayaquil se conoce que cada vez son más

los vehículos que se observan circular, sobre todo en la parte céntrica y en

barrios aledaños, esto se debe a un aumento poblacional y vehicular que

es cada vez mayor y está generando problemáticas en la infraestructura de

5

la ciudad, que a medida que pasa el tiempo es más caótica. Entonces si se

habla de exceso de vehículos a esto también se suma otra problemática

que es el embotellamiento o tráfico vehicular en horas picos que se

producen por diversos motivos como: accidentes de tránsitos, obras viales,

por salidas de horarios laborales y educativos, entre otros.

Para poder solventar o regularizar el tráfico principalmente los usuarios

deben tener a mano o de conocimiento básico, que pueden acudir a otras

vías de escape para disminuir el tráfico y mejorar la circulación vehicular al

seleccionar otras rutas.

El problema se enfoca hacia los conductores que deben conciliar el día a

día con el masivo congestionamiento vehicular, tanto en las horas de la

mañana y la noche en la ciudad de Guayaquil en vías mayormente

transitadas y céntricas. En el horario matutino es muy probable vivir con los

problemas ya que existen ciertos factores comunes que provocan el tráfico

como la jornada laboral, estudiantil, controles de tránsito, accidentes u

otros.

El alto incremento de vehículos en la ciudad de Guayaquil provoca que las

vías transitadas sean menos factibles en llegar a tiempo en un lugar

determinado. Según las ventas de vehículos en el ecuador aumentan un

20% anual, sin embargo, es una ventaja para la población que puede contar

con este recurso.

Este problema social afecta el tiempo de los conductores, retrasando así

su hora de llegada hacia un lugar que con anterioridad ya está programado

por cada conductor, tanto así que en la ciudad de Guayaquil es muy

habitual que exista tráfico vehicular, por eso los conductores deben partir

hacia sus trabajos o estudios de manera muy anticipada pero aun así se

encuentran con el problema.

6

Situación Conflicto Nudos Críticos

La oferta y demanda de vehículos son los factores más relevantes,

por motivos como la generación de comodidades en las formas de

pago, hacen que sean más accesibles para las personas que desean

obtener uno, muy independientemente de los requisitos que son

primordiales para el proceso de la obtención de un vehículo. Esto

provoca que existan más demandas de vehículos circulando por las

vías de la ciudad, tan así que provoca la congestión.

La reducción de espacios en las vías es causada principalmente por

motivo de que existen renovaciones y mantenimientos de calles,

promovido en este caso por la M.I. Municipalidad de Guayaquil

sección de Dirección de obras públicas, la cual realiza mucho antes

un estudio de las rutas afectadas y mal tratadas por la masiva

circulación de vehículos, esto hace que el pavimento se deteriore y

obligan a las autoridades a tomar medidas preventivas y correctivas

para mejorar las rutas afectadas. Su consecuencia más relevante es

que se reduzca el espacio de vías.

La jornada laboral y estudiantil también influye en este problema, las

personas que usualmente usan o poseen estos medios de transporte

(vehículos) ya sean públicos o privados, son aquellas que habitan

muy lejos de su trabajo o centro de estudio facilitando la distancia de

un lugar, es muy factible ya que es un ahorro grande de tiempo y

dinero. Sin embargo, la problemática de la distancia la viven decenas

de personas en la ciudad, esto provoca una similitud de

concentración vehicular y como consecuencia al momento de

transitar por las zonas viales se encuentran con muchos vehículos,

que hacen que el problema sea masivo por varias horas durante las

semanas laborales.

7

Existen vías no seguras por motivos de que no poseen las señales

de tránsito correspondientes, que son signos usados para impartir

información, según las prioridades de los conductores se deben a

los semáforos y marcas viales. Esto es consecuencia de que existen

personas mal intencionadas que destruyen las señales de tránsito o

son deterioradas con el pasar del tiempo, por las lluvias o por el

calor. Sin embargo, las autoridades no toman medidas las

correspondientes dejando así en segundo plano este problema. Los

semáforos en algunas vías no funcionan como deberían, ya que

existen algunos a lo largo de la ciudad que están apagados o

simplemente son muy lentos, provocando el caos vehicular y en

algunos casos accidentes de tránsito.

Las autoridades pertinentes hacen caso omiso a este problema y no

cuentan con asesoría de cómo controlar y prevenir todos los

problemas mencionados anteriormente y ser regularizado como se

debe en la ciudad de Guayaquil usando modelos de aprendizaje

para ser implementados en plataformas tecnológicas. La falta de

información también es consecuencia ya que no se involucran a la

investigación de la misma problemática de raíz.

8

Causas y Consecuencias del Problema

CUADRO 1: CAUSAS Y CONSECUENCIAS DEL PROBLEMA

CAUSAS CONSECUENCIAS

Oferta y demanda de

Vehículos.

Alto grado de vehículos

circulando en la ciudad.

Reducción de espacios en

carriles viales.

Obliga a los vehículos

circular por vías más

congestionadas.

Por jornada laboral o

estudiantil.

Circulación de vehículos en

horarios similares.

Vías alternas no seguras Provocando accidentes de

tránsito por falta de

señaléticas de tránsitos,

semáforos, etc.

Falta de información de las

autoridades pertinentes para

tomar medidas en regularizar

el congestionamiento.

No implementan modelos

de aprendizajes en

plataformas tecnológicas

Elaborado por: Kenneth Melgar Freire y Bryan Moran Zambrano

Delimitación del Problema

CUADRO 2 : ASPECTOS GENERALES DE LAS LIMITACIONES DEL PROBLEMA


Campo

Ordenamiento Territorial

Área

Desarrollo de Sistemas

Aspecto

Congestionamiento Vehicular

Tema

Uso de un algoritmo recomendador que brinden alternativas de solución en proyectos viales utilizando los modelos de aprendizaje.

9

Formulación del Problema

¿Cómo se mejoraría con el uso de algoritmos el congestionamiento

vehicular, empleando modelos de aprendizaje implementados en

plataformas tecnológicas enfocados a la planeación urbana dentro de

la ciudad de Guayaquil en las vías céntricas y urbanas?

Evaluación del Problema

Los aspectos generales de evaluación son: Delimitado: el masivo congestionamiento de vehículos en rutas

céntricas de la ciudad de Guayaquil es la problemática que es visto,

más en los días laborales, además se crean costos sociales producto

de los ruidos de los vehículos. Esto también involucra accidentes de

tránsito, estrés por parte de los conductores, contaminación en el aire

etc.

Claro: como principal objetivo se busca encontrar posibles rutas

alternas que permitan regularizar el tráfico en la ciudad realizando un

estudio previo como investigaciones técnicas de trayectorias

vehiculares por medio de algoritmos.

Evidente: es probable observar congestión vehicular en la ciudad en

horarios laborales y festividades de la ciudad que se vive debido a la

demanda de vehículos que es incrementada con el pasar del tiempo

porque a la mayor parte de las personas se le hace más cómodo que

andar a pie de un lugar a otro.

Concreto: la problemática se genera principalmente por exceso de

demanda de vehículos circulando por la ciudad, a esto se originan

10

factores que complementan el problema como: infraestructura vial no

generada, negligencia por conductores, faltas de semaforización y

señalización de tránsito.

Relevante: es importante poder solventar y reducir una gran parte del

tráfico para que las personas que utilicen algún tipo de vehículo no

retrasen el tiempo de llegada a su destino por el tráfico vehicular.

Factible: cuando las personas sepan que hay alguna alternativa para

no caer en el tráfico vehicular, estas trataran de utilizarla para así

optimizar tiempos.

Identifica los productos esperados: el objetivo principal es reducir

el tiempo de llegada de los usuarios conductores de vehículos dentro

de la ciudad de Guayaquil.

Variables: las variables que se tratarán de tomar en cuenta son el

tiempo de semaforización, dimensión de la calle, densidad, volumen,

velocidad media y vehicular.

11

OBJETIVOS

Objetivo General

Diseñar un prototipo es decir modulo basado en algoritmos

recomendadores de análisis de trayectorias con el fin de obtener vías

alternativas a través de herramientas de aprendizaje mejorando la

planeación urbana de la ciudad de Guayaquil.

Objetivos específicos

1. Investigar artículos de diferentes algoritmos basados en trayectorias

de modelos de aprendizaje para ser implementados,

categorizándolos por complejidad y optimización.

2. Aplicar un algoritmo recomendador y las herramientas de

aprendizaje necesarios para mejorar el congestionamiento en la

ciudad de Guayaquil de acuerdo con el estudio realizado.

3. Implementación de un prototipo que permita visualizar los resultados

que devuelva la utilización de algoritmos recomendadores por medio

de la plataforma que se utiliza para el desarrollo de las pruebas.

4. Describir los beneficios de los resultados obtenidos de la

implementación del algoritmo recomendador y evaluar su viabilidad

de uso.

Alcances del Problema

El alcance principal del proyecto implica el estudio de algoritmos

recomendadores que aporten el análisis de escenarios en tráfico vehicular

para su implementación en el proyecto de FCI, el cual se realiza de la

siguiente manera:

12

Estudiar el algoritmo propuesto y resultados planteados en papers

elaborados en base a trayectorias vehiculares.

Organizar los tipos de algoritmos de acuerdo con los estudios

realizados por otros autores.

Explorar los diferentes modelos de aprendizaje en los que se podrían

implementar en el algoritmo recomendador para análisis de

trayectorias.

Clasificar los tipos de algoritmos recomendadores existentes para su

uso en la plataforma.

Seleccionar las técnicas adecuadas para evaluar el algoritmo

recomendadores.

Escoger uno de los modelos de aprendizaje para implementar el

algoritmo recomendador.

Diseñar el prototipo de visualización de resultados del algoritmo

recomendador.

Comprobar que el algoritmo que han sido seleccionado aporta con

la optimización del tráfico vehicular.

Demostrar que el algoritmo con el que se van a trabajar en la

plataforma es el que más ayuda con el tráfico vehicular.

Plantear las soluciones de acuerdo con el tipo de algoritmo

recomendador para su posible uso dentro de la plataforma.

Implementar una técnica para que el algoritmo pueda ser usado

dentro del proyecto de la Universidad de Guayaquil FCI.

Justificación E Importancia

Lo que vive la ciudad de Guayaquil en los días laborales y los días festivos

en es la masiva circulación de vehículos dentro de vías muy transitadas,

lo cual genera precipitación en los transeúntes porque no tan solo se

involucran vehículos livianos, sino buses urbanos, vehículos pesados,

13

motocicletas que hacen más pesado el tráfico.

Hace unos años atrás se solvento el tráfico a gran medida, por el hecho

que implementaron el transporte urbano “Metro vía”, este fue de gran

impacto social porque facilito la movilidad a entre muchos puntos de la

ciudad Guayaquil.

Sin embargo, la demanda de vehículos con el pasar de los años ha

incrementado a gran escala, por su principal ventaja que son más

accesibles de obtener uno en comparación de 15 años atrás. Por estas

razones se prevé implementar soluciones posibles a través de modelos de

aprendizajes para reajustar esta problemática.

La importancia del proyecto transciende por tratar de minorizar la

congestión vehicular, aparte de ser un problema de movilidad también

afecta a la salud y contaminación del aire provocada por los automóviles.

Para argumentar la importancia del uso de modelos de aprendizaje, se

realizó un análisis de algoritmos, los cuales para la plataforma que se

realizó, se pueden distinguir dos tipos, que son matemáticos y genéticos.

Los algoritmos matemáticos son algoritmos probados científicamente por

lo cual ya se encuentran patentados, en cambio los algoritmos genéticos

no porque son algoritmos utilizados por otros autores, pero estos no han

sido comprobados científicamente.

Entre los tipos de algoritmos antes mencionados, no hay mucha diferencia

con respecto a los resultados, pero en la eficacia con la que ejecutan es

donde hay disconformidad debido a que una es óptima que otra, también

hay que tener en cuenta que no ocurre con todos los algoritmos.

14

Metodología Del Proyecto

Se empleó como metodología de desarrollo en el proyecto es SCRUM

debido a su versátil funcionalidad, con respecto a la entrega de avances del

proyecto final, ya que este nos obliga a trabajar directamente con posibles

usuarios finales del producto o proyecto que se esté elaborando, trabajando

con la entrega de avances de proyectos en cortos periodos de tiempo, que

al final ayuda a que podamos corregir posibles errores en un menor tiempo

y mas no al final del proyecto que es donde se dificulta más corregirlos.

Scrum, nos permite segmentar por capas o fases los proyectos y ese es el

caso del proyecto que se elaboró; que se dividió en 5 capas que son:

1. El estudio o análisis de algoritmos recomendadores.

2. Pruebas y selección del algoritmo con data aleatoria

3. Implementación del algoritmo en la plataforma a utilizar.

4. Generación de prototipo para uso de FCI y,

5. Por último, la elaboración de prototipo de presentación de gráficos

de resultados de algoritmo.

La metodología de investigación aplicada al proyecto es la metodología

cualitativa, donde principalmente se planteó la idea del problema, sus

causas y consecuencias. Se hizo el trabajo de campo realizando una

selección de técnicas eligiendo los análisis documentales de diferentes

algoritmos que cumplas con los requerimientos que se desean, que estés

enfocados al análisis de trayectoria vehicular, donde los parámetros a

utilizar son la longitud, latitud, medición de tiempo y otros parámetros que

conforman el algoritmo y lo emplea de manera interna para probar posibles

resultados mediante el algoritmo de trayectorias implementado, esto se dio

mediante la medición de tiempo longitud, latitud, densidad, espacio

vehicular y otros parámetros que conformaran el algoritmo. Mediante la

recolección y de datos en este caso los diferentes algoritmos escogidos se

15

los organiza para su respectivo análisis de pruebas, para después hacer el

reporte de resultados de cada uno de ellos y seleccionar el algoritmo que

más se asemeja a lo que se desea implementar en el proyecto.

Se presentará en el grafico siguiente sus características:

GRAFICO 1: CARACTERÍSTICAS DE LA METODOLOGÍA CUANTITATIVA


Prueba de calidad

Antes de obtener el resultado final de la implementación del proyecto se

tuvo que realizar pruebas en base a los algoritmos recomendadores con el

uso de datos reales de trayectoria vehicular. Estas pruebas se realizaron

para observar el comportamiento y la funcionalidad de los algoritmos a

través de diferentes ambientes o eventos.

IDEA DEL PROBLEMA

CAUSA Y CONSECUENCIA

DESARROLLO DE MARCO TEORICO

ALCANCE DEL ESTUDIO

DEFINICION DE VARIABLES

DISEÑO DE INVESTIGACION

SELECCION DE LA MUESTRA

RECOLECCION DE DATOS

ANALISIS DE DATOS

REPORTE DE RESULTADOS

16

Supuestos

Para la implementación se usó PYTHON como principal lenguaje de

programación.

Se desarrolló sobre la aplicación web Jupyter

También el uso de KERAS, que es una librería de Python.

Para la exportación de imágenes se utilizará DOCKER y a nivel de

software se usará TENSORFLOW

Y para mostrar los resultados de los algoritmos de manera gráfica

se implementará NVIDIA

17

CAPÍTULO II

MARCO TEÓRICO

Antecedentes Del Estudio

Previo al desarrollo del proyecto se realizó el estudio de diferentes

algoritmos recomendadores que se ajusten a lo que se espera como

posibles resultados del problema y que tengan similitud de requerimientos

que transciende la problemática que serían los parámetros, se esperan

resultados cuantitativos y enfoques de aprendizajes.

Un algoritmo es una serie de pasos organizados que describe el proceso

que se debe seguir para dar soluciones en un problema en específico,

como primer paso se descarta los algoritmos secuenciales o interactivos ya

que no brindan soluciones diferentes. Lo que se busco fue un tipo de

algoritmo que pueda dar múltiples soluciones tanto de optimización como

de búsqueda. Se consideró los algoritmos genéticos y matemáticos que

tiene similitud a los algoritmos adaptativos. Estos algoritmos son utilizados

en varios campos como la medicina, ingeniería, negocios, etc.

En el campo de la ingeniería se usa para la optimización de tareas tanto

numéricas como combinacionales, estos algoritmos están basados en la

teoría de la evolución genética y biológica de organismos vivos, tomando

como ejemplo lo que es la transformación poblacional en la naturaleza.

Primero comenzara en una población de datos los cuales representaran

posibles resultados donde serán evaluados por una función aplicada y base

a eso se descartará los de bajo y alto rendimiento y quedando el de mayor

optimización.

Luego se determinarán por medio de cruce de datos y mutación de datos,

esta última evita que el algoritmo tenga problemas en soluciones. El

18

algoritmo genético posee la habilidad de manipular varios parámetros

simultáneamente la cual permite explorar diversas soluciones, es decir

evalúa implícitamente varios esquemas a la vez. Una vez descrita la

funcionalidad de los algoritmos se opta en requerirlo, sin embargo, no

asegura que el resultado sea exacto y sin margen de error, por lo tanto,

existen otros métodos en los cuales asegura soluciones de un nivel alto.

Existen otras técnicas más especializadas que superan a este algoritmo,

ya que este como tal solo se enfocan en problemas que no existan técnicas

especializadas. Esta técnica mencionada hace énfasis en ayudar a mejor

la optimización de tareas empleadas en los algoritmos. Los modelos de

aprendizajes serían las técnicas especializadas. Los algoritmos genéticos

y matemáticos son utilizados para caso de pruebas mas no para la

implementación, por otra parte, será la pauta de utilizar un algoritmo más

sofisticado como lo es el SOM (Mapas Auto organizados) donde su

principal virtud es su aprendizaje no supervisado y a su vez emplearán

modelos de aprendizajes.

Fundamentación Teórica

En el análisis de la problemática se logró identificar que para la realización

del proyecto inicialmente se debía realizar un estudio de los posibles

ambientes donde se podían realizar pruebas, en donde se obtuvo

principalmente que elegir un lenguaje de programación con el cual se debía

manejar el proyecto, y a partir de esto surgieron lenguajes como: C++, C#,

Java, Php y Python los cuales cumplen con las características necesarias

para aplicar algoritmos de trayectorias vehiculares.

El leguaje que se escogió para el desarrollo fue Python inicialmente porque

primero es el lenguaje más fácil de interpretar o que las personas puedan

entender, seguido de que se puede aplicar a diferentes plataformas,

19

además debido a que tiene una amplia gama de librerías. Gracias a que es

un lenguaje que se puede implementar en diferentes plataformas se

procedió a escoger una por lo cual se inició su investigación en donde se

encontró Docker, Júpiter entre otros.

Por otra parte, Jupyter Notebook donde se realizará el desarrollo del

proyecto consiste en una aplicación de código abierto expuesta en la web

que ayuda a la creación y poder compartir documentos que tengan códigos,

ecuaciones matemáticas, imágenes. También cuenta con procesos como

la transformación y visualización de datos, modelado de aprendizajes,

simulación en el aspecto numérico, modelado estadístico, entre otras más.

Esta aplicación cuenta como soporte más de 40 lenguajes de programación

la cual se incluye Python que es la que se va a utilizar en el proyecto.

También ayudara a la exportación de su código por medio de código HTML,

también de imágenes estadísticas, clúster, imágenes en 2D.

GRAFICO 2: ENTORNO DE DESARROLLO DE JUPYTER

Elaboración: Kenneth Melgar Freire y Bryan Moran Zambrano

20

Para una hacer más cómoda la elaboración del proyecto se eligió la

herramienta Docker la cual nos facilita muchas cosas como los son las

exportaciones de las imágenes creadas y ejecutarlas en cualquier otro

ambiente que utilice Docker, además esta herramienta nos ayuda a

implementar muchas cosas como condensadores, contenedores,

balanceadores de carga, Nginx, puertos seguros entre otros, así como

también administrar los recursos que se utilizaran.

Entre los softwares, aplicaciones y librerías que se pudieran haber utilizado

son TensorFlow, Caffe, Theano, Keras, entre otros, pero en este caso

debido a que todos tenían características muy parecidas fue difícil la

selección, pero como Keras es una librería de Python que nos permite

trabajar con redes neuronales y nos ayuda con una pequeña parte gráfica,

adicionalmente porque trabaja en conjunto con TensorFlow es que se la

eligió.

Adicionalmente para la realización del proyecto se procedió a identificar un

medio que ayudara en la graficación de los resultados del algoritmo se

eligió NVIDIA, el cual se puede integrar no solo como una imagen adicional

a TensorFlow, sino que para tenerla en toda la implementación se puede

complementar a Docker con NVIDIA-Docker que es una combinación entre

Docker y NVIDIA.

Como punto más importante dentro de la investigación fue la selección y

estudio de los algoritmos recomendadores (algoritmos de trayectorias), que

no son más que facilitadores de cálculos matemáticos de una manera más

rápida dándonos resultados más precisos en donde se encontraron de dos

tipos como los algoritmos matemáticos y genéticos.

21

Inteligencia artificial

Este término es el más general y este engloba campos como son el

Machine Learning y Deep Learning, que a su vez unen otras técnicas como

los algoritmos de búsqueda, simbólicos, de razonamiento lógico y

estadísticos.

Para dar un concepto de inteligencia artificial es muy complicado porque

este que depende de la propia definición de inteligencia, que hasta el día

de hoy tiene múltiples interpretaciones. Muchos autores la definen a su

manera, si se toma todas las definiciones y se extrae una idea en común

se puede decir que la inteligencia artificial, es la subdisciplina del campo de

la informática, que busca la creación de máquinas que puedan imitar

comportamientos inteligentes.

Los comportamientos pueden ser muy diversos como: conducir, analizar

patrones, reconocer voces o ganar un juego. Son muchas las formas en

que una maquina simular un comportamiento inteligente. Con esas

características se puede decir que las convierten más capaces que los

humanos.

La capacidad de realizar múltiples tareas es la que nos permite al mismo

tiempo pensar, ver, caminar y hablar. Un ejemplo muy común es cuando

vamos por la calle caminando y hablando con un amigo a la vez, esta es

una característica muy codiciada que hoy en día se sigue investigando en

todos los departamentos de inteligencia artificial.

En la inteligencia artificial tenemos dos agrupaciones, los débiles y los

fuertes. Inteligencia artificial débil se refieren a aquellos sistemas que

únicamente pueden cumplir con un conjunto muy limitado de tareas y no

sobrepasan a ser sistemas especializados por ejemplo enseñarle a un robot

22

a caminar y que luego intente patear un balón, es decir realiza una tarea

que no está establecida y puede que no se obtengan resultados esperados.

Inteligencia artificial fuerte hacen referencia a aquellas situaciones que son

capaces de aplicarse a una gran variedad de problemas y dominios

diferentes, por lo tanto, es la capacidad que permitiría construir máquinas

que tengan similitud a la del ser humano con respecto a las características

de pensar y ser consciente.

El imitar comportamientos no significa que dicho comportamiento sea en

esencia un comportamiento cognitivo, es decir, se puede programar de

manera clásica los movimientos de un brazo robótico para que siempre

realice un mismo movimiento, eso no parecería muy inteligente ya que la

lógica de la programación ya está establecida por el programador, que de

una u otra forma encaja sobre el concepto de inteligencia artificial.

Dentro de la inteligencia artificial existen diferentes subcategorías de

corresponder a diferentes comportamientos inteligentes como en el campo

de la robótica, la capacidad de entender el lenguaje. Existe una capacidad

dentro de la inteligencia artificial que destaca entre las demás que define

como agentes inteligentes que es la capacidad de aprender, es decir el

Machine Learning.

Machine learning

El Machine Learning o aprendizaje automático, es la rama del campo de la

inteligencia artificial que busca como dotar a las máquinas con la capacidad

de aprendizaje. Es decir, es el conjunto de técnicas informáticas que ayuda

a una computadora a tener la capacidad de aprender sin ser programadas

23

de manera explícita. Este aprendizaje puede dividirse en aprendizaje

supervisado y aprendizaje no supervisado.

El Machine Learning se conecta y realiza una relación con el resto de

categorías, porque todas las capacidades pueden ser limitadas ya sea

porque alguien las haya programado o porque el propio sistema haya

aprendido a realizarlas. Una cosa es programar una máquina para pueda

moverse y otra diferente programarla para que aprenda a moverse.

Dentro del Machine Learning existen técnicas que sirven para cubrir

diferentes tipos de aplicaciones como son:

Arboles de decisión

Modelos de regresión

Modelos de clasificación

Técnicas de clusterizacion y muchas mas

Unas de las técnicas que se ha dado fama en el campo de Machine

Learning durante las últimas décadas han sido las redes neuronales,

capaces de aprender de manera jerárquica, es decir, aprenden por niveles

donde las primeras aprenden conceptos muy concretos como que es un

tornillo, un espejo, una rueda, y las capas posteriores usa la información

aprendida previamente para aprender conceptos más abstractos como un

camión, moto, auto, etc.

Cada vez que se añade más capas la información que se aprende es más

abstracta e interesante, por lo tanto, los algoritmos se convierten en ser

más complejas. Este incremento y complejidad son conocidos como Deep

Learning o aprendizaje profundo, esta técnica se aprende y se entrena a

partir de los datos.

24

Redes neuronales

Las redes neuronales artificiales son un paradigma de aprendizaje y

procesamiento automático inspirado en la forma que funciona el sistema

nervioso. Se trata de un sistema de interconexión de neurona que colabora

entre sí para producir un estímulo de salida.

Neurona biológica

Fue Ramón y Cajal en 1888 quienes descubrieron la estructura celular

(neurona) del sistema nervioso. Defendieron que las neuronas se

conectaban entre sí de forma paralela y que no formando un circuito

cerrado como el sistema sanguíneo.

Una neurona consta de un cuerpo celular (soma) de que surge un denso

árbol de ramificaciones (dendritas) y una fibra tubular (axón).

GRAFICO 3: ESTRUCTURA DE UNA RED NEURONAL BIOLÓGICA

Fuente: Wordpress

Elaborado por: Lourismar K. y Juliet G.

De alguna forma, una neurona es un procesador de información muy

simple.

Entrada: Dendritas

Procesador: Soma

25

Salida: Axón

La conexión entre neuronas se llama sinapsis, no es una conexión física

son conexiones unidireccionales en la que la transmisión de la información

se hace de forma eléctrica en el interior de la neurona y de forma química

entre neuronas.

Neuronas artificiales

Una neurona es la unidad básica de procesamiento que nos encontraremos

dentro de una red neuronal, similar a una neurona biológica estas neuronas

tienen conexiones de entrada a través de los que reciben estímulos

externos.

Con los valores de entrada las neuronas realizan un cálculo interno y

genera un valor de salida. Esto se refiere a una función matemática, en el

cálculo numérico, internamente la neurona utiliza todos los valores de

entrada para realizar una suma ponderada de ellos.

La ponderación viene dada por el peso que se le asigna a cada una de las

conexiones de entrada, es decir, cada conexión que llega a la neurona

tendrá asociado un valor que servirá para definir, con que intensidad cada

variable de entrada afecta a la neurona.

El Sesgo se representa como otra conexión a la neurona en que la variable

siempre está asignada a 1, la cual podemos controlar manipulando el valor

del paramento del Sesgo. A continuación, se muestra de manera

simplificada el concepto de cada uno de sus componentes.

26

GRAFICO 4: ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL

Fuente: Laarbook

Elaborado: Raúl E. López Briega

X1, X2…, Xn: significa los datos de entrada a una neurona, las

cuales estas también pueden ser el resultado de salida de otras

neuronas dentro de la red.

X0: Es la unidad del Sesgo que tienen un valor constante 1 y que se

le suma a la entrada de la función de activación de la neurona y se

moverá hacia la derecha o izquierda, esto ayudara en la flexibilidad

para aprender.

W0, W1, W2…, Wn: son los pesos de las entradas a las neuronas,

sin descartar que la unidad del sesgo tiempo también un peso

a: es la salida de la neurona, esta se calcula de la siguiente manera:

𝑎 = 𝑓 ∑ 𝑊𝑖 ∗ 𝑋𝑖

𝑛

𝑖=0

27

Ejemplo en base a una sola neurona: un grupo de amigos desean jugar

futbol. ¿Qué se necesita para obtener dicho objetivo? El balón y una cancha

de futbol, sin una de ellas no se pueden dar el objetivo final.

CUADRO 3: VARIABLES BINARIAS DE UNA SOLA NEURONA

VARIABLES BINARIAS 1 0

BALÓN: X1 SI NO

CANCHA DE FÚTBOL:

X2

SI NO

Y1 SI NO


GRAFICO 5: ESTRUCTURA NEURONAL HACIENDO REFERENCIA A LA PUERTA LÓGICA AND


4X1+5X+-6

1 -6

X1

X2 5

4 Y

1

28

GRAFICO 6: RESULTADOS OBTENIDOS DEL PROCESAMIENTO DE LA NEURONA

x1 x2 y1 valor

0 0 0 -6

1 0 0 -2

0 1 0 -1

1 1 1 3


GRAFICO 7: SEPARACIÓN LINEAL EXPUESTO POR EL RESULTADO DE LA NEURONA ( AND)

1 0 1

X2

0 0 0

0 X1 1


PUERTA

LOGICA

AND

29

GRAFICO 8: ESTRUCTURA NEURONAL HACIENDO REFERENCIA A LA PUERTA LÓGICA OR


GRAFICO 9: SEPARACIÓN LINEAL EXPUESTO POR EL RESULTADO DE LA NEURONA (OR)


1 1 1

X2

0 0 1

0 X1 1

3X1+4X+-2

1 -2

X

1

X

2

4

3 Y

1

PUERTA

LOGICA

OR

30

GRAFICO 10: ESTRUCTURA DE DOS NEURONALES HACIENDO REFERENCIA A LA PUERTA LÓGICA XOR


4X1+5X+-6

1 -6

X

1

X

2

5

4 Y

1

4X1+-2X+-

3

1 -3

X

1

X

2

-2

4 Y

1

31

GRAFICO 11: SEPARACIÓN NO LINEAL EXPUESTO POR EL RESULTADO DE DOS NEURONAS (XOR)


Mientras más capas se añaden más profundo será el conocimiento, lo que

se conoce como aprendizaje profundo. Para alcanzar el aprendizaje

profundo se debe conectar múltiples neuronas de forma secuencial, y si

vemos lo que hace cada una de estas neuronas, concluimos que es un

problema de regresión lineal, es decir, si se lo plasma matemáticamente se

concatenan diferentes operaciones de regresión lineal.

El problema matemáticamente es el efecto de sumar muchas operaciones

de regresión lineal, es decir sumar muchas líneas rectas equivalen al hecho

de realizar una única operación que da como resultado otra línea recta, lo

cual provoca que la estructura que se desea tener colapse hasta llegar a

una sola neurona.

Para que no colapse el resultado, la suma debe de ser diferente a una línea

recta, y se necesita que cada una de las líneas sufra una manipulación no

lineal que las distorsione, en donde se utiliza la función de activación. La

1 1 0

X2

0 0 1

0 X1 1

PUERTA

LOGICA

XOR

32

función de activación lo que hará es distorsionar el valor de salida

añadiéndole deformación no lineal.

Existen cuatro tipos de función de activación que son:

Función escalonada

Se llama escalonada porque el cambio del valor se produce

instantáneamente y no de forma gradual, produciendo así un escalón y este

no favorece al aprendizaje.

f(X)= 0 for X < 0

1 for X >=0

Función sigmoides

La distorsión que produce hace que los valores muy grandes se saturen en

1, y los más pequeños se saturen en 0, con esta función no solo se

consigue la deformación sino que también sirve para representar las

probabilidades que están en el rango de 0 a 1.

𝑓(𝑥) = 𝜎(𝑥) = 1

1 + 𝑒−𝑥

Función tangente hiperbólica

Similar a la sigmoides, pero diferencia en que el rango varia de -1 a 1.

tanh(𝑥) =(𝑒𝑥 − 𝑒−𝑥)

(𝑒𝑥 + 𝑒−𝑥)

Función RELU

Función lineal cuando es positivo y constante a 0 cuando es negativo.

33

f(X)= 0 for X < 0

x for X >=0

Redes neuronales concurrentes

Son llamadas también redes recursivas o de retroalimentación, es la

conexión recurrente entre ellos. Estas conexiones permiten generar lo que

se puede llamar memoria sobre las entradas anteriores es decir la salida

de una neurona puede tener relación de una u otra que se encuentra en

una capa anterior.

Las ventajas de este tipo de redes es que usan la misma estructura,

modelo, mismos parámetros para cada dato con su secuencia temporal

Función recurrente:

𝑥(𝑡) = ∫ 𝑥(𝑡−1)) = 𝑓 (𝑓(𝑥(𝑡−2))) = ⋯ = 𝑔(𝑥(𝑡−1), … 𝑥(0)

ℎ(𝑡) = 𝑔(𝑡)(𝑥(𝑡−1), 𝑥(𝑡−2) , … 𝑥(2), 𝑥(1)) Ejemplo

Para lograr la recurrencia existen ciertos bloques:

GRAFICO 12: BLOQUE DE RETRASO (TIEMPO DISCRETO)


D

a(0)

a(t) a(t)

34

La salida de a en un tiempo t es el valor de entrada de u de un tiempo

anterior, es decir:

a(t)=u(t-1)

Este bloque es usado por la red de Hamming y Hoppield.

Cuando se inicia por primera vez una red con esta clase de bloque se usa

la condición inicial a en un tiempo 0.

GRAFICO 13: BLOQUE INTEGRADOR (TIEMPO CONTINUO)


Este bloque es utilizado por la red de Grossberg y es representado por la

siguiente ecuación

a(t)=∫ 𝒖(𝒕)𝒅𝒕 + (𝟎)𝟏

𝟎

a(0)

a(t) a(t)

35

GRAFICO 14: ARQUITECTURA DE UNA RED RECURRENTE


Redes LSTM

Una red lstm es un tipo de red a nivel neuronal que es recurrente e intenta

modelar el comportamiento dependiente del tiempo o la secuencia; es decir

en cada paso del tiempo se proporciona una instrucción nueva y el

aprendizaje se ejecuta. En términos un poco más técnicos, el aprendizaje

lo hace realizando una retroalimentación de la salida de una capa de red

neuronal en un tiempo determinado (t) a la entrada de la misma capa de

red en el tiempo establecido más la unidad (t+1).

El modelo lstm ha sido aplicado y ejecutado en los sistemas predictivos que

se basan en información secuencial. Las redes de memoria Long Short

Term, generalmente llamadas "LSTM", fueron introducidas por Hochreiter

y Schmiduber. Estos se han utilizado ampliamente para reconocimiento de

voz, modelado de lenguaje, análisis de sentimiento y predicción de texto.

X(t-1) X(t) X(t+1) X

u u u

www

u

o(t-1) o(t) ot+1)

v v v

h(t-1) h(t) h(t+1)

h

v

o

w

36

GRAFICO 15: ARQUITECTURA DE UNA RED LSTM

Elaboración: Colah

Fuente: Colah 2015

Esta estructura es representada en círculos amarillos las operaciones de

vectores, matrices, cálculos algebraicos, etc. Los cuadros amarillos son las

capas de una red neuronal, las líneas que se funcionan estas representa la

concatenación de la información, las líneas con doble flecha describen que

el contenido es copiado y estas copias van en diferentes lugares.

Estas redes tienen la capacidad de borrar, modificar o agregar la

información al estado de la célula y estos se van encaminadas por

estructuras que son nombradas como puertas. Las puertas dejan pasar la

información y estas compuestas por una capa sismoidea. Esta capa está

representada por números de 1 y 0 si es “0” no pasa nada de información

y si es “1” deja pasar toda la información.

Las redes LSTM igual que las redes concurrentes tienen una estructura de

tipo cadena repetitiva. La estructura de las redes concurrentes tiene una

sola capa en comparación a las redes lstm que tienen 4 capas y cada una

cumplen una función diferente.

Cada capa es representada por una función detallando:

37

Que parte de la memoria de información a la vista del input no es

importante.

De la información nueva hay algo importante para ser almacenado.

Si hay información nueva como se combina con la memoria vieja.

Y, por último, que es lo que dará como resultado.

Funciones de las capas de la red LSTM

Forget gate:

𝑓𝑡= 𝜎 (𝑊𝑓∗[ℎ𝑡−1,𝑋𝑡]+𝑏𝑓

Input gate:

𝑖𝑡= 𝜎 (𝑊𝑖∗[ℎ𝑡−1,𝑋𝑡]+𝑏𝑖

𝐶𝑡= 𝑡𝑎𝑛ℎ (𝑊𝑐∗[ℎ𝑡−1,𝑋𝑡]+𝑏𝑐

Candidate gate:

𝐶𝑡= 𝑓𝑖∗+𝐶𝑡−1+ 𝑖𝑡∗ 𝐶𝑡

Output gate:

𝑜𝑡= 𝜎 (𝑊𝑜∗[ℎ𝑡−1,𝑋𝑡]+𝑏𝑜

ℎ𝑡= 𝑜𝑡∗tanh(𝐶𝑡)

Algoritmos genéticos

Son una herramienta fundamental dentro del campo de la toma de

decisiones cuando se busca la optimización.

Los algoritmos genéticos prácticamente emulan el proceso de la evolución

de las especies siguiendo a la adaptación al medio que hace que una

38

especie sea mejor que las demás, es decir que los que son mejores

sobreviven y los que no son me mejores no lo hacen.

Descripción y procedimiento

Procedimiento o algoritmo que intenta emular e proceso de la

evolución

Las poblaciones o soluciones de un problema se asemejan a las

poblaciones de la evolución

El objetivo consiste en conseguir la mejor solución por comparación

con un conjunto de soluciones

Se genera n soluciones a partir del cruzamiento de soluciones

obtenidas y se comparan si son mejores que las anteriores

GRAFICO 16: SOLUCION PADRE Y MADRE


Punto de cruzamiento

Solución

Padre

Solución

Madre

39

GRAFICO 17: CRUZAMIENTO DE LAS SOLUCIONES


Fases

1. Como primer punto se codifica la información de la problemática en

binarios 1 y 0.

2. Luego se generará de manera aleatoria cuál será la población inicial.

Los individuos serán representados como cromosomas la cual

deben de tener la información de forma codificada. Cabe recalcar

que cada cromosoma serán las soluciones posibles de la

problemática a resolver.

3. Se emplea la evaluación de la población inicial, es decir a cada uno

de los cromosomas se le debe de aplicar una función de aptitud la

cual se elige de acuerdo con el estudio del problema.

4. Luego de la evaluación se hace la selección de la nueva población

y a su vez se vuelve a generar una nueva haciendo el uso de los

cromosomas que contienen mayor puntuación y estos se los añade

mediante:

a. Cruce (crossover): se selecciona de forma aleatoriamente

aquellos individuos que desea a reproducir, también el cruce

se lo hace de manera aleatoria (y el cruce también se hace

de forma aleatoria (combinando los componentes del

cromosoma).

Punto de cruzamiento

Solución

Padre

Solución

Madre

40

b. Mutación: Consiste en utilizar los cromosomas de mayor

puntuación e introducir un cambio aleatorio en sus elementos.

5. Se repetirá los pasos 3 y 4 el número que sea hasta que se genere

la Se repite los pasos 3 y 4 un número de veces y finalmente se elige

la solución que se desea obtener o esperada.

GRAFICO 18: DIAGRAMA DE FLUJO DEL ALGORITMO GENÉTICO


Iniciar

Población

Evaluar

Evaluación

Inicial

Selección

Cross-over

Mutación Solución

Final

Condición

Salida

41

Ejemplo Se desea obtener el número más cercano a 10 entre 0 y 7. f(x)= max(x).

CUADRO 4: CODIFICACION ( CROMOSOMAS POSIBLES )

CROMOSOMA VALOR

000 0

001 1

010 2

011 3

100 4

101 5

110 6

111 7 Elaborado por: Kenneth Melgar Freire y Bryan Moran Zambrano

CUADRO 5: POBLACION INICIAL

Cromosoma valor 010 2

011 3

110 6

Elaborado por: Bryan Moran Zambrano y Kenneth Melgar Freire

CUADRO 6: EVALUACION DE LA POBLACION INICIAL

CROMOSOMA VALOR EC. FITNESS F=(10-X)

010 2 10-2=8

011 3 10-3=7

110 6 10-6=4


42

CUADRO 7: NUEVA POBLACION (SELECCION Y CRUCE)

cromosoma valor

011 3

110 6

111 7


CUADRO 8: NUEVA EVALUACION DE LA NUEVA POBLACION

CROMOSOMA VALOR EC. FITNESS F=(10-X)

011 3 10-3=7

110 6 10-6=4

111 7 10-7=3


Mapas Auto-Organizados (SOM)

Esta red neuronal artificial fue descubierta en 1982 por T. Kohonen en

Finlandia, su teoría está basada en un sistema de comportamiento similar

al cerebro, su diseño fue creado para emular un sistema biológico sin

conexión no lineal Kohonen creando un método simple llamado Self-

Organizing Feature Map.

Esta red proporciona una manera de representar los datos

multidimensionales (vectores) en dimensión inferiores (2D). Son usados

para visualizar vistas de baja dimensión con datos de alta dimensión.

Tienen la capacidad de crear mapas con características similares a como

ocurre en el cerebro.

SOM trabaja en dos modos que son el entrenamiento y mapeo. Basados

en el entrenamiento este construye un mapa y lo hace usando parámetros

entrantes y el mapeo clasifica una nueva entrada. Este tipo de red realiza

43

un aprendizaje no supervisado de manera competitiva es decir no existe

nada externo que le ordene a la red neuronal y confirmar si su ejecución se

está cumpliendo de manera correcta o incorrecta la cual no tiene la orden

de salida objetiva en la que la neurona deba regirse.

La red como tal debe descubrir rasgos básicos, correlaciones o categorías

dentro de los datos de entrada y estos son incorporados a la estructura

internas de la conexión, es decir las neuronas se auto organizan en base a

los estímulos (datos) que son procedentes del entorno exterior.

Arquitectura

Posee un aprendizaje no supervisado

Consiste en n números de neuronas que se encuentran organizadas

que están formados sobre una red dimensional.

Cada una de sus neuronas contiene un vector de pesos (w) en su

entrada asociado, por otra parte, la neurona con vector de peso más

cercana a la entrada P será activado.

Características

Aprendizaje competitivo

Estas neuronas llevan un proceso de competición unas con las otras

para poder llegar a una tarea dada.

Esta competición entre neuronas se emplea con todas las capas de

la red.

Poseen conexiones recurrentes de inhibición y autoexcitación por

las neuronas vecinas.

El aprendizaje, clasifica de manera de clúster los datos que son

introducidos dentro de la red.

Las categorías y clases son creadas por la misma red.

44

Estas neuronas poseen un peso total, es decir, es la suma de los

pesos que tienen en la entrada.

Algoritmo SOM

Se entrena con patrones de entrada, es denominada una red no

supervisada.

Estas entradas son conectadas a una sola capa de neuronas y que

cada de los nodos se conectan a su vecino y puede existir una sola

neurona activa.

Esta conexión puede ser cuadrada, hexagonal, irregular, lineal. Etc.

La red percibe grupos de similitud o clusters.

Definición de vecindad

La vecindad señala que nodos aprenden.

Se usan arreglos: unidimensionales, bidimensionales,

tridimensionales. Etc

En la teoría de Kohonen recomendó vecindarios hexagonales y

rectangulares para que la implementación tenga alto grado de

eficiencia.

GRAFICO 19: CONEXIÓN LINEAL


45

GRAFICO 20: CONEXIÓN CUADRADA


GRAFICO 21: CONEXIÓN HEXAGONAL


46

Algoritmo de aprendizaje (Entrenamiento)

Los mapas auto organizativos surgen del aprendizaje competitivo

convencional en la manera que las neuronas actualizan sus pesos. No

solo se actualizan los pesos de la neurona que resulta ganadora en el

aprendizaje, sino que se actualizan también los de la vecindad.

La propiedad anterior, da como resultado que las neuronas vecinas

producen vectores de pesos similares para vectores de entrada similares.

Una fórmula para actualizar una neurona con vector de peso 𝑤𝑣(𝑠) es:

𝑤𝑣(𝑠 + 1) = 𝑤𝑣(𝑠) + 𝜃 (𝑢, 𝑣. 𝑠)𝛼 (𝑠)(𝐷(𝑡) − 𝑤𝑣)

Donde:

𝑠 es el índice de peso

𝑡 es el índice dentro del conjunto entrenante

𝑢 es el índice de BMU para D(t)

∝ (𝑠) es el coeficiente monótonamente decreciente de aprendizaje

D(t) es el vector de entrada; se asume que 𝑣 visite todas las

neuronas para cada valor de 𝑠 𝑦 𝑡

Algoritmo

1. Hacer un mapa con neuronas con vectores basado en pesos

aleatorios

2. Se toma un vector de entrada D (T)

a. se itera por cada neurona del mapa

i. luego calcula las distancias entre el vector de entrada

y los vectores de pesos de las neuronas dentro del

mapa,

ii. se mantiene la neurona que ha tenido menor

distancia, a neurona como menor distancia será la

BMU

b. actualizar las neuronas en la vecindad del BMU

47

𝑤𝑣(𝑠 + 1) = 𝑤𝑣(𝑠) + 𝜃 (𝑢, 𝑣. 𝑠)𝛼 (𝑠)(𝐷(𝑡) − 𝑤𝑣(𝑠))

3. Incrementar s y volver al paso 2, mientras s < ү

Aplicaciones

Es el algoritmo de RNA más popular dentro de la arquitectura no

supervisada

En muchos proyectos industriales son utilizadas como una

herramienta que resuelve problemas del mundo real.

Muchos campos de la ciencia han adoptado los SOM como una

herramienta analítica estándar en: estadística, procesamiento de

señales, teoría de control, análisis financiero, experimentos físicos

químicos y médicos.

El SOM es un algoritmo para visualizar e interpretar conjuntos de

datos multidimensionales.

Los SOM resuelven problemas difíciles no lineales y de alta

dimensión, así como extracción de características y clasificación de

imágenes y patrones acústicos, control adaptativo de robots,

ecualización, demodulación y transmisión de tolerancia de error de

señales en telecomunicaciones.

Python

Es un lenguaje de desarrollo de programación de código abierto y uno de

los más populares que existe. Es usado desde los más básicos “scripts”

hasta servidores web de alta gama de recursos sin ser interrumpidos la cual

es compatible con la licencia publica general de GNU que es una licencia

orientada al derecho de autor y usada en el mundo del software libre y del

código abierto que tiene soporte a orientación de objetos, programación

48

funcional e imperativa. Fue desarrollado en finales de los años ochenta y

comienzo de los noventas por Guido Van Rossum.

Existe una diversidad de librerías de Python útiles de acuerdos a las

necesidades del desarrollador o de lo que se quiera mostrar de acuerdo al

área de funcionalidad. A continuación, se nombrarán las librerías más

utilizadas y empleadas en Python.

CUADRO 9: LIBRERIAS DE PYTHON CON SUS FUNCIONALIDADES

LIBRERÍA FUNCIONALIDAD

REQUEST Es un must-have para los desarrolladores de Python, es

una librería que trabaja con diversos métodos del

protocolo HTTP. Crea, envía, envía, recibe, modifica

paquetes y su contenido.

PILLOW Es utilizado para la creación y manipulación de

imágenes de manera sencilla.

NUMPY Proporciona funcionalidades numéricas avanzadas

para Python como la manipulación de matrices

MATPLOTLIB Biblioteca para el trazado numérico, útil para el análisis

de datos.

SYMPY Resuelve y permite la manipulación de evaluaciones

algebraica, diferenciación, cálculo de números

complejos. etc.

NETWORKXY Permite la creación de grafos

DEAP Ayuda a la optimización de algoritmos genéticos,

programación genética


49

TensorFlow

En español significa flujo de tensores, donde tensor representa los vectores

o matrices y flujo las funciones matemáticas.

Este es un conjunto de librerías de SW de código abierto que ayuda a

realizar cálculos numéricos a gran capacidad, como lo son los algoritmos

de trayectorias vehiculares, esta herramienta nos permite trabajar con

cálculos matemáticos en lenguajes de programación como C y Python,

cabe mencionar que esta biblioteca de SW es de rápido aprendizaje

mayormente utilizado en el área de IA.

(Martín Abadi et al., 2015) TensorFlow is an interface for expressing

machine learning algorithms, and an implementation for executing such

algorithms. A computation expressed using TensorFlow can be executed

with little or no change on a wide variety of heterogeneous systems, ranging

from mobile devices such as phones and tablets up to large-scale

distributed systems of hundreds of machines and thousands of

computational devices such as GPU cards.

Keras

Keras es una librería proveniente del lenguaje de programación Python el

cual proporciona una amplia generación de modelos de aprendizaje

profundo (Deep Learning), que nos permite expresar redes neuronales de

forma modular tomando en cuenta cada modelo como una secuencia o solo

un grafo, actualmente la librería es de código abierto bajo licencia permisiva

del MIT.

50

Cuda - NVIDIA

Es una arquitectura de cálculo paralelo de NVIDIA que aprovecha la gran

potencia de la GPU (unidad de procesamiento gráfico) para proporcionar

un incremento extraordinario del rendimiento del sistema.

Docker

Está diseñado para el desarrollo empresarial y los equipos de TI que crean,

envían y ejecutan aplicaciones críticas para el negocio en producción y a

escala. Docker EE está integrado, certificado y respaldado para

proporcionar a las empresas la plataforma de contenedores más segura de

la industria.

Fundamentación Legal

La investigación que se desarrollo ha considerado como fundamento legal

las siguientes leyes

Haciendo una revisión de las leyes de propiedad intelectual podemos citar:

LEY DE PROPIEDAD INTELECTUAL

TITULO I

DE LOS DERECHOS DE AUTOR Y DERECHOS CONEXOS

CAPITULO I

DEL DERECHO DE AUTOR SECCION I

PRECEPTOS GENERALES

Art. 4. Se reconocen y garantizan los derechos de los autores y los

derechos de los demás titulares sobre sus obras.

51

Art. 5. El derecho de autor nace y se protege por el solo hecho de la

creación de la obra, independientemente de su mérito, destino o modo de

expresión. Se protegen todas las obras, interpretaciones, ejecuciones,

producciones o emisión radiofónica cualquiera sea el país de origen de la

obra, la nacionalidad o el domicilio del autor o titular. Esta protección

también se reconoce cualquiera que sea el lugar de publicación o

divulgación.

El reconocimiento de los derechos de autor y de los derechos conexos no

está sometido a registro, depósito, ni al cumplimiento de formalidad alguna.

El derecho conexo nace de la necesidad de asegurar la protección de los

derechos de los artistas, intérpretes o ejecutantes y de los productores de

fonogramas.

Art. 6. El derecho de autor es independiente, compatible y acumulable con:

a) La propiedad y otros derechos que tengan por objeto la cosa material a

la que esté incorporada la obra;

b) Los derechos de propiedad industrial que puedan existir sobre la obra;

y,

c) Los otros derechos de propiedad intelectual reconocidos por la ley.

También se tendrá en cuenta artículos referenciados al derecho de autor

la cual se citará:

Sección II

Objeto Del Derecho De Autor

Art. 8. La protección del derecho de autor recae sobre todas las obras del

ingenio, en el ámbito literario o artístico, cualquiera que sea su género,

52

forma de expresión, mérito o finalidad. Los derechos reconocidos por el

presente Título son independientes de la propiedad del objeto material en

el cual está incorporada la obra y su goce o ejercicio no están supeditados

al requisito del registro o al cumplimiento de cualquier otra formalidad.

Las obras protegidas comprenden, entre otras, las siguientes:

a) Libros, folletos, impresos, epistolarios, artículos, novelas, cuentos,

poemas, crónicas, críticas, ensayos, misivas, guiones para teatro,

cinematografía, televisión, conferencias, discursos, lecciones, sermones,

alegatos en derecho, memorias y otras obras de similar naturaleza,

expresadas en cualquier forma;

b) Colecciones de obras, tales como antologías o compilaciones y bases

de datos de toda clase, que por la selección o disposición de las materias

constituyan creaciones intelectuales, sin perjuicio de los derechos de autor

que subsistan sobre los materiales o datos;

c) Obras dramáticas y dramático musicales, las coreografías, las

pantomimas y, en general las obras teatrales;

d) Composiciones musicales con o sin letra;

e) Obras cinematográficas y cualesquiera otras obras audiovisuales;

f) Las esculturas y las obras de pintura, dibujo, grabado, litografía y las

historietas gráficas, tebeos, comics, así como sus ensayos o bocetos y las

demás obras plásticas;

g) Proyectos, planos, maquetas y diseños de obras arquitectónicas y de

ingeniería;

h) Ilustraciones, gráficos, mapas y diseños relativos a la geografía, la

topografía, y en general a la ciencia;

53

i) Obras fotográficas y las expresadas por procedimientos análogos a la

fotografía;

j) Obras de arte aplicada, aunque su valor artístico no pueda ser disociado

del carácter industrial de los objetos a los cuales estén incorporadas;

k) Programas de ordenador; y,

l) Adaptaciones, traducciones, arreglos, revisiones, actualizaciones y

anotaciones; compendios, resúmenes y extractos; y, otras

transformaciones de una obra, realizadas con expresa autorización de los

autores de las obras originales, y sin perjuicio de sus derechos.

Sin perjuicio de los derechos de propiedad industrial, los títulos de

programas y noticieros radiales o televisados, de diarios, revistas y otras

publicaciones periódicas, quedan protegidos durante un año después de la

salida del último número o de la comunicación pública del último programa,

salvo que se trate de publicaciones o producciones anuales, en cuyo caso

el plazo de protección se extenderá a tres años.

Sección III

Titulares De Los Derechos

Art. 11. Únicamente la persona natural puede ser autor. Las personas

jurídicas pueden ser titulares de derechos de autor, de conformidad con el

presente Libro.

Art. 12. Se presume autor o titular de una obra, salvo prueba en contrario,

a la persona cuyo nombre, seudónimo, iniciales, sigla o cualquier otro signo

que lo identifique aparezca indicado en la obra.

54

Se hace referencia en base a los fundamentos de la educación superior

en la cual se citará:

Constitución De La República Del Ecuador

Sección primera

Educación

Art. 350. El sistema de educación superior tiene como finalidad la

formación académica y profesional con visión científica y humanista, la

investigación científica y tecnológica, la innovación, promoción, desarrollo

y difusión de los saberes y las culturas, la construcción de situaciones para

los problemas del país, en relación con los objetivos del régimen de

desarrollo.

Art. 355. El estado reconocerá a las universidades y escuelas politécnicas

autonomía académica, administrativa, financiera y orgánica acorde con los

objetivos del régimen de desarrollo y los principios establecidos en la

Constitución.

Art. 385. El sistema nacional de ciencia, tecnología, innovación y saberes

ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las

culturas y la soberanía, tendrá como finalidad:

1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.

2. Recuperar, fortalecer y potenciar los saberes ancestrales.

3. Desarrollar tecnologías e innovaciones que impulsen la producción

nacional, eleven la eficiencia y productividad, mejoren la calidad de

vida y contribuyan a la realización del buen vivir.

Art. 386. El sistema comprenderá programas, políticas, recursos, acciones,

e incorporará a instituciones del Estado, universidades y escuelas

politécnicas, institutos de investigación públicos y particulares, empresas

públicas y privadas, organismos no gubernamentales y personas naturales

55

o jurídicas, en tanto realizan actividades de investigación, desarrollo

tecnológico, innovación y aquellas ligadas a los saberes ancestrales.

Art. 136.- Trabajos realizados por investigadores y expertos

extranjeros.- El reporte final de los proyectos de investigación deberán ser

entregados por los centros de educación superior, en copia electrónica a la

Secretaría Nacional de Educación Superior Ciencia, Tecnología e

Innovación. Esta información será parte del Sistema Nacional de

Información de la Educación Superior.

Pregunta Científica Que Contestarse

1. ¿Cuál es la importancia de analizar artículos científicos enfocados

a trayectorias vehiculares con uso de algoritmos y modelos de

aprendizaje?

2. ¿De qué manera se emplean los algoritmos recomendadores para

mejorar el congestionamiento vehicular en la ciudad de Guayaquil?

3. ¿Cómo se podrá sustentar y/o demostrar el funcionamiento de los

algoritmos recomendadores?

4. ¿En que contribuiría sintetizar los beneficios del uso de algoritmos

recomendadores en la plataforma tecnológica de planeación

urbana?

Definiciones Conceptuales

Congestión vehicular: se refiere a la saturación de la circulación vehicular

que es provoca principalmente en las horas picos dando como resultado

pérdida de tiempo en los viajes rutinarios.

56

Vehículo: es definido como un mecanismo de transporte que ayuda a

trasladarse de un lugar a otro, incluyendo personas, animales o cosas.

Trayectoria: es el curso o recorrido que se da en un punto inicial a un punto

final a lo largo de un tiempo determinado.

Velocidad: es el movimiento que se aplica a un cuerpo determinado por

las variables de distancia y tiempo.

Semaforización: es usada en las intersecciones de vías que permite el

ordenamiento de la circulación de los vehículos y el tránsito de los peatones

dentro de un área urbana.

Scrum: es una metodología que sigue un proceso colaborativo regulando

un conjunto de actividades o tareas para conseguir un resultado óptimo de

un proyecto.

Algoritmo: se define como una secuencia de pasos con una etapa inicial

y con una etapa final que da como resultado una ejecución de tareas, cada

paso se expresa de forma específica.

Framework: denominado también como entorno o ambiente de trabajo es

una estructura de conjunto de módulos complementados con un software

que ayuda el desarrollo y enlaza los componentes del proyecto.

Docker: es una plataforma de código abierto que ayuda automatizar los

despliegues de las aplicaciones dentro de los contenedores de software a

nivel de Linux y Windows.

Tensorflow: conjunto de librerías de Open Source que permite diseñar

redes neuronales y forman una arquitectura de imágenes, palabras, datos,

etc.

57

Keras: librería establecida en Python que se ejecuta en Tensorflow y

Theano ayudando en la experimentación rápida en redes neuronales

profundas.

Nvidia: plataforma de computo paralelo que permite codificar los algoritmos

en GPU en la aplicación de Nvidia.

Grafos: conjunto de vértices y aristas que se conectan entre si, pueden ser

dirigidos y no dirigidos.

58

CAPITULO III

Propuesta Tecnológica

El presente proyecto forma parte de una plataforma tecnológica que

ayudara a la contribución de la minimización del tráfico en la ciudad de

Guayaquil. Dicha aplicación web será de disponibilidad de entidades

gubernamentales como pueden ser el municipio de la ciudad y la comisión

de tránsito para que tengan más información real de la planificación urbana.

La arquitectura de la plataforma tecnológica se basa en la recolección de

datos que será información de avenidas o calles de la ciudad con sus

respectivos parámetros como latitud, longitud, tiempo de semaforización y

velocidad promedio del vehículo. Como segundo proceso es la ilustración

de mapas la cual, serán usados los datos para ser consumidos en los

mapas, por lo consecuente se aplicará algoritmos recomendadores,

matemáticos o genéticos para la implementación y muestreo de los mapas

en diversos lenguajes de desarrollo, y por último el análisis de datos que

serán arrojados mediante los mapas que dará una respuesta de

optimización y de eficiencia sobre la planeación urbana en este caso sobre

el congestionamiento vehicular.

El proyecto se enfocará sobre la implementación de algoritmos sobre

trayectorias vehiculares la cual es el resultado final esperado para que sea

consumido sobre un mapa de un punto de la ciudad de Guayaquil. La

utilización de algoritmos recomendadores sirve para poder dar diferentes

alternativas posibles de soluciones. Previo a la implementación se debe

contar con programas, aplicaciones, framework, lenguaje de desarrollo,

librerías, etc.

El algoritmo a utilizar y que se ajusta a los parámetros y modelos

matemáticos para el resultado final es el algoritmo de SOM (Mapas

59

Autoorganizados) que permite la visualización de vistas de dimensión baja

de datos.

Análisis de factibilidad

Una vez que se tiene en claro las problemáticas y los conflictos viales, se

efectúa a implementar una solución a nivel de algoritmo vehicular para la

optimización y regular la congestión que ayudara como solución óptima en

la planificación urbana en la ciudad de Guayaquil.

El presente proyecto tiene factibilidad de uso en la automatización de

información que serán representadas y consumidas mediante ilustraciones

de mapas. Así mismo cuenta con los requerimientos necesarios para ser

consumidos por la aplicación web donde se alojará el desarrollo del

proyecto como un módulo del antes mencionado.

Factibilidad Operacional

En cuanto a la operabilidad del proyecto se puede manifestar que el

sistema va a ser muy sencillo de manipular, debido a que su funcionalidad

es interna, en conjunto con su aprendizaje de trayectorias más recurrentes,

el módulo que se implementó realiza un consumo de datos que a partir de

otros módulos dentro del proyecto FCI, son previamente cargados.

A nivel de visualización el usuario podrá solo elegir un destino, y el sistema

se encargará de enviar la información de la ingresado, hará una consulta

de las rutas que más se utilizan para llegar a dicho destino, analizará las

rutas donde se acumula mayormente el tráfico y nos dará una o varias

soluciones que el usuario final podrá tomar para llegar a su lugar de destino.

60

Factibilidad técnica

De acuerdo a los requerimientos que se implantaron al proyecto elaborado

para la inserción de la implementación a la aplicación web como primer

punto debe de contar con el sistema operativo de Linux, en este caso una

máquina virtual donde tenga este S.O. Un servidor alojado en la nube

donde se recolectará la información ya sea de la base de datos, acceso a

nivel de usuario y administrador, contar con Docker para la adaptabilidad

de lenguaje de programación y aplicaciones de software para que puedan

ser ejecutada en cualquier máquina.

Factibilidad Legal

De acuerdo con los proceso del proyecto estos se rigen a una ley o

reglamento de disponibilidad, uso e integración. Y con la factibilidad legal

se puede deducir en el siguiente cuadro con detalle las bases legales con

su respetiva articulo o inciso.

CUADRO 10: BASES LEGALES CON SUS RESPECTIVOS ARTICULOS

BASE LEGAL ARTICULO O

INCISO

Ley de propiedad intelectual Art. 4,5 y 6

Objeto al derecho del autor Art. 8

Titulares de los derechos Art. 11 y 12

Educación (constitución de la república del

Ecuador

Art. 350, 355 y 385


61

Factibilidad Económica

Una vez analizado el costo económico del proyecto previo a la

implementación tanto como de software: aplicaciones, framework, sistema

operativo etc., y de hardware como equipo de cómputo donde se empleará,

otros recursos físicos, etc. Se conoce no se hizo gastos considerables. A

continuación, se mostrará en un cuadro sobre los costos empleados de

hardware y software detalladamente.

CUADRO 11: RECURSOS DE SOFTWARE


CANTIDAD RECURSO USO TOTAL

1 VMWARE

WORKSTATION

CREACION DE LA

MAQUINA VIRTUAL

$0.00

1 WINDOWS 10 SISTEMA OPERATIVO $0.00

1 PYTHON LENGUAJE DE

PROGRAMACION

$0.00

1 JYPITER APLICATIVO WEB $0.00

1 KERAS MODELO DE

APRENDIZAJE

$0.00

1 TENSORFLOW CONJUNTO DE

LIBRERÍAS DE PYTHON

$0.00

1 DOCKER IMPORTACION DE

IMÁGENES

$0.00

1 NVIDIA CODIFICA ALGORITMOS

EN GPU

$0.00

62

CUADRO 12: OTROS RECURSOS

CANTIDAD DETALLE VALOR

UNITARIO

VALOR TOTAL

1 Algoritmo de

trayectoria (creado)

$0.00 $0.00

2 Recurso humano $350 $700

2 Internet $30 $30

TOTAL $730


CUADRO 13: RECURSOS DE HARDWARE


Etapas de la metodología del proyecto

Levantamiento de información de Servicio

Selección de lenguaje de programación a utilizar.

Análisis de tipos de algoritmos existentes.

Estudio de los modelos de aprendizaje que se pueden

implementar.

Levantamiento del servicio

Instalación de Docker.

Creación de la imagen de Jupyter con Keras en Docker.

Instalación de librerías dentro de la imagen en ejecución.

DETALLE CANTIDAD CARACTERISTICAS VALOR

PORTÁTIL 2 HP $900

TOTAL $1800

63

Análisis del Algoritmo

Selección de algoritmo.

Revisión de la documentación del algoritmo.

Estudio de las funciones y métodos que utiliza el

algoritmo.

Implementación del Algoritmo y Modelo de Aprendizaje

Realización del o los modelos que van a realizar la

ejecución del servicio.

Implementación del modelo de aprendizaje sobre el

algoritmo.

Levantamiento de Datos

Creación de una BD.

Conexión de la BD con el proyecto.

Recopilación de información para la BD.

Almacenamiento de la Data.

Pruebas

Realización de pruebas del algoritmo con data

recolectada.

Resolución de posibles errores.

Pruebas con usuario final.

Integración

Exportación del código fuente.

Pase respectivo del módulo realizado al proyecto final

(FCI).

Documentación

Manual Técnico.

Manual de Usuario.

Exportación de imagen en Docker.

64

Entregables del proyecto

Al final del proyecto se va a realizar la entrega al grupo de FCI de los

archivos Python (Código fuente) donde se encuentra la implementación del

algoritmo, así como el manual de técnico, la data recolectada de la ciudad

de Guayaquil y la imagen de Docker que se utilizó para la implementación

del servicio.

Criterios De Validación De La Propuesta

En estos criterios de validación se realizaron pruebas de algoritmo para

verificar los resultados obtenidos conforme a la alimentación de la base de

datos el sistema tiende a ser más exacto como se muestra en las siguiente

graficas:

GRAFICO 22: EJECUCIÓN DEL SERVICIO CON BD POCO POBLADA


65

GRAFICO 23: EJECUCIÓN DEL SERVICIO CON BD MAS POBLADA


Procesamiento Y Análisis

Introducción al sistema

En la etapa de levantamiento de información se realizó un análisis de las

posibles opciones en donde se podría utilizar un algoritmo recomendador

en conjunto de un modelo de aprendizaje. Y es aquí donde también se hizo

la elección del lenguaje de programación que se utilizó.

66

Conforme al lenguaje de programación que se eligió, fue más fácil la

elección del Framework y el modelo de aprendizaje debido a su

compatibilidad, la elección de Python fue debido a su facilidad de uso, y

debido a que hasta el presente 2018, ha sido uno de los lenguajes con

mayor ranking de usabilidad y porque cada vez ha ido mejorando a una

gran escala.

Para la elección del algoritmo se requirió mucho más tiempo debido a que

en la elección de este, se tuvieron que tomar en cuenta ciertas

especificaciones que se requerían para el proyecto con respecto a su uso

y la finalidad que se tenía para con él.

Instalación de Docker.

GRAFICO 24: TERMINAL CON VERSION DEL DOCKER


En este caso se hizo la elección de Docker-ce debido a que en la extracción

de las imágenes de Keras y Jupyter, presentaban inconvenientes de

compatibilidad con Docker.io, que fue la principal versión que se iba a

67

utilizar, además de otros tipos inconvenientes con otras versiones de

Docker.

Creación de la imagen de Jupyter con Keras en Docker

GRAFICO 25: IMAGENES CREADAS EN DOCKER


Como se muestra en la imagen se realizó el levantamiento de cuatro

imágenes, cada una tiene una particularidad como los son;

complementos de Cuda, Nvidia-docker, hasta las versiones de

Docker a usar.

Levantamiento del servicio de Keras.

En esta etapa lo que se procedió a realizar fue el levantamiento del servicio

como tal para así, ya comenzar con la utilización y análisis del algoritmo.

68

Ingreso al sistema de Jupyter.

GRAFICO 26: PLATAFORMA JUPYTER


Aquí ya podemos apreciar que con el levantamiento de la imagen ya

podemos hacer uso de la aplicación, aunque esto no es lo que va a

visualizar el, usuario final. En donde principalmente nos pide la clave del

Kernel para poder acceder al sistema.

Instalación de librerías dentro de la imagen en ejecución.

GRAFICO 27: ENTORNO JUPYTER CON ARCHIVO DE CODIGO FUENTE

69


En la plataforma tenemos opciones como crear nuevos archivos en Python

como los que se muestran a la izquierda de la imagen, crear archivos de

texto e inclusive levantar una terminal donde se va a poder instalar librerías

en el sistema.

GRAFICO 28: TEMRINAL DEL ENTORNO DE JUPYTER


Como se puede visualizar tenemos una pequeña terminal donde podemos

apreciar una porción de las librerías instaladas para el proyecto, la cuales

70

hemos podido presentar por medio del comando “pip3 freeze”, que nos

permite ver las todas las librerías instaladas en Python 3.

Para la fase de análisis del algoritmo, lo primordial fue ver detalle a detalle

el funcionamiento del algoritmo para su implementación, aquí se

contemplaron los parámetros que recibe el algoritmo como tal, de qué

manera se podría implementar con Python y de qué manera se

visualizarían los resultados.

Además, este apartado se realizó como una segunda fase de análisis, pero

enfocado netamente con el algoritmo a utilizarse después de haber

realizado su elección, para verificar cual sería el comportamiento y rapidez

en conjunto en el entorno de Jupyter.

Realización del o los modelos que van a realizar la ejecución del servicio.

GRAFICO 29: CODIGO FUENTE


En el grafico se muestra una parte de la implementacion del servicio

ademas de la eleccion de los datos que va a analizar el algoritmo. Para el

analisis de los datos inicialmente se trabajo una base de pruebas con datos

71

de trayectorias de otros paises, los cuales al final van a ser reemplzados

por datos de la ciudad de Guayaquil.

GRAFICO 30: MAPEO DEL ALGORITMO


En el grafico se logra visualizar algunos de los mapas que nos da como

resultado el algoritmo.

Implementación del modelo de aprendizaje en conjunto con el

algoritmo.

Para poder concluir con lo que es desarrollo, se la procedió con la

implementación del modelo de aprendizaje, la finalidad de esto nos llevó a

terminar definitivamente con la implementación del algoritmo, para que con

los resultados que nos arrojó el algoritmo pasarlos al modelo de aprendizaje

y procesarlos.

En la fase de levantamiento de datos lo que se procedió a realizar fue un

conteo y/o análisis de vehículos que transitan en diferentes calles de la

72

ciudad de Guayaquil, para así poder tener una base de datos poblada con

datos reales, y poder al final realizar pruebas con datos reales de la ciudad.

Para esta fase de pruebas se requiere tener la base de datos con una gran

cantidad de data para poder realizar las pruebas y saber si el algoritmo está

funcionando de manera correcta. Lo que se realiza es la conexión con la

BD desde el sistema y se hace el consumo de datos, previamente

almacenados.

En esta fase integración se realizó la respectiva integración del módulo

realizado con el proyecto de FCI, para verificar su funcionamiento con los

demás módulos que lo comprenden con el fin de solventar todas las

posibles fallas que se encuentren, y así tener un proyecto finalmente solido

con resultados bastantes cercanos a la realidad.

Como fase final se tiene la fase de documentación para así redactar como

se realizó el proyecto como tal, especificar como funciona y de qué manera

se lo puede utilizar en otros proyectos. Así como los manuales de usuario

y técnico para ayudar con el entendimiento del proyecto.

73

CAPÍTULO IV

Criterios de aceptación del producto o Servicio

En el presente proyecto de titulación los criterios de aceptación fueron

aprobados por las ING. PERALTA GUARACA TANIA JESEENIA M.sc.,

tutora d la tesis y Coordinadora de Pasantías Pre-Profesionales de la

Carrera de Ingeniería en Sistemas Computacionales e Ingeniería en

Software de la Universidad de Guayaquil Facultad de ciencias Matemáticas

y Físicas.

Los puntos evaluados fueron todos los alcances que se plantearon al inicio

de proyecto y cada uno de requerimientos que fueron surgiendo a medida

que se avanzaba con la tesis como lo son:

CUADRO 14: MATRIZ CON LOS CRITERIOS DE ACEPTACION

USUARIO- INTERFAZ

Requerimiento Descripción

Porcentaje

de

Satisfacción

INGRESO AL

SISTEMA

Fácil acceso al sistema.

Comodidad en uso.

Entorno agradable para el usuario

100%

USO DE SISTEMA Comprensión del módulo.

Sistema al alcance de un botón. 100%

PARAMETROS DE

USO

Para poder tener resultados mas

efectivos con respecto a lo solicitado

se debe principalmente hacer una

consulta de trafico y luego buscar

una solución vehicular.

100%

RESULTADO DE LA

APLICACION

EL principal resultado es la o las

vías alternas para llegar a nuestro

destino.

Otro resultado es el aprendizaje que

tiene el sistema con respecto a la

ruta en una nueva consulta

100%


74

CUADRO 15: MATRIZ CON LOS CIRTERIOS DE ACEPTACION

ADMINISTRADOR-INTERFAZ


Porcentaje

de

Satisfacción

AJUSTES SISTEMA

El módulo del sistema tiene pocos

parámetros de ajuste como lo son:

Conexiones con la BD.

Uso de Tablas con data de

trayectorias

100%

PRUEBAS DEL

SISTEMA

Para las pruebas del administrador

se puede levantar el sistema adverso

en la plataforma Jupyter.

100%

PARAMETROS DE

USO

Los parámetros de uso no pueden

ser cambiados por uso exclusivo de

los algoritmos.

100%

RESULTADO DE LA

APLICACION

Los resultados para el administrador

en Debug, son la visualización de

otras graficas por medio del código

fuente para su respectivo análisis.

100%



RESULTADOS OBTENIDOS


Porcentaje

de

Satisfacción

ALGORITMO Solución de vías alternas que se pueden

tomar para llegar a un destino. 100%

MODELO DE

APRENDIZAJE

Aprendizaje de corto tiempo con respecto

a soluciones viales anteriores para la

emisión de rutas alternas.

100%

GRAFICACIÓN

La gráfica de resultado final se plasma

en un mapa de la ciudad de tal manera

que pueda ser entendido por el usuario.

100%


75


RECURSOS DEL SISTEMA


Porcentaje

de

Satisfacción

HARWARE

Se requiere para el levantamiento

del sistema:

4GB de RAM (Mínimo).

80GB de Memoria.

Procesador AMD (Mínimo).

Entre mejor procesador y RAM la

ejecución del servicio va a ser más

ágil.

100%

SOFTWARE

Para complementar el Hardware se

requiere:

Tener una Base de Datos.

Entorno de ejecución del

sistema.

Docker (Opcional).

Módulo de Rutas de FCI.

100%



RECURSOS ADMINISTRATIVOS


Porcentaje

de

Satisfacción

ECONÓNICO

Equipos de cómputo x2 $1500

Transporte $50

Cables de Red x2 $5

Alimentación $200

Instancia en AWS $300

Internet $120

100%

HUMANO 2 Tesistas 100%


76

Conclusiones

Con respecto a la exhaustiva investigación que se realizó sobre los

algoritmos recomendadores para trayectorias se encontraron varios como;

KMEANS, DBScan, SOM, Pyga, entre otros, pero en la investigación se

logró llegar a la conclusión que en la parte de análisis de datos los

algoritmos son muy similares, lo que los diferencian son ciertas

características como el tiempo de ejecución, la manera de que se pueden

integrar o los complementos adicionales que posee o necesitan.

En la aplicación de los algoritmos se pudo constatar que los resultados de

análisis son muy similares, aunque el tiempo de ejecución de ellos cambie

muy poco, pero en si nos llamó la atención SOM por su adaptación con las

redes neuronales, y con esto poder adaptar modelos de aprendizaje como

RNN o LSTM, es por eso se escogió SOM como algoritmo a aplicar.

Se logró implementar el prototipo gráfico del algoritmo recomendador, el

cual nos permitió visualizar los resultados obtenido del algoritmo

recomendador.

Para los resultados obtenidos llegamos a la conclusión que con el algoritmo

SOM hemos alcanzado los resultados esperados con respecto a obtener

una ruta solución, como beneficio podemos tener que le código fuente es

manipulable para que pudiesen ser añadidos otros algoritmos.

77

Recomendaciones

En la parte investigativa podemos tomar como recomendación, que al

realizar el estudio de un algoritmo este se realice de tal manera que casi no

se dejen funcionalidades de los mismo sin estudiar, porque de esta manera

se lograra no implementar un algoritmo no deseado desde el principio o a

su vez, se lograra utilizar algoritmos que dentro de pequeñas

funcionalidades cumplen con los requisitos del proyecto.

Como recomendación podemos decir que en el análisis e implementación

de los algoritmos se basen solo en el tiempo de ejecución de este, sino que

también se pueden basar en la precisión de los resultados que puede llegar

a arrojar o la cantidad de recursos que necesita.

En la implementación de un modelo gráfico en nuestro caso

parametrizamos que el modelo de aprendizaje trabaje con el algoritmo

SOM, como recomendación podemos decir que se podría mejorar haciendo

que la data que recibe el modelo de aprendizaje trabaje con más

algoritmos, además de integrarlo a Lesstraffic lo cual se podría realizar en

una siguiente versión.

En el análisis resultados podemos recomendar que, para mayor efectividad

de los resultados, en el caso de trayectorias vehiculares se debe tratar de

conseguir la suficiente información de rutas y uso vehiculares del lugar

donde se va a realizar análisis.

78

Bibliografía

HAIBO CHEN, SUSAN GRANT-MULLER, LORENZO MUSSONE, AND FRANK MONTGOMERY. A STUDY OF HYBRID NEURAL NETWORK APPROACHES AND THE EFFECTS OF MISSING DATA ON TRAFFIC FORECASTING. NEURAL COMPUTING AND APPLICATIONS, 10:277–286, 2001. BORGATTI, S. P. (2005). CENTRALITY AND NETWORK FLOW. SOCIAL NETWORKS, 55-71. CONGRESO NACIONAL DEL ECUADOR. (2006). LEY DE PROPIEDAD INTELECTUAL, (320), 83. RETRIEVED FROM HTTP://WWW.CORREOSDELECUADOR.GOB.EC/WPCONTENT/UPLOADS/DOWNLOADS/2015/05/LEY_DE_PROPIEDAD_INTELE CTUAL.PDF J. E. DAYHOFF. “NEURAL NETWORK ARCHITECTURES: AN INTRODUCTION”. VAN NOSTRAND REINHOLD. Nº 1. NEW YORK, USA. PP. 259. 1990. ISBN: 0-442-20744-1. K, KIVILUOTO. “TOPOLOGY PRESERVATION IN SELF-ORGANISING MAPS”. IEEE INT. CONF. ON NEURAL NETWORKS, 294-299. JUNIO, 1996. DOI: 10.1109/ICNN.1996.548907. T. KOHONEN. “SELF-ORGANIZATION OF VERY LARGE DOCUMENT COLLECTIONS: STATE OF THE ART”. ICANN 98, 1, PP. 65-74. 1998. DOI: 10.1007/978-1-4471-1599-1_6. G. REYES ZAMBRANO, F. MACÍAS TEPÁN, A. PIZARRO JAIME, & J. MACIAS GUEVARA. “VISUALIZACIÓN Y ANÁLISIS DE TRAYECTORIAS VEHICULARES CON QGIS Y WEKA”. INTERNATIONAL JOURNAL OF INNOVATION AND APPLIED STUDIES. VOLUMEN 18. NÚMERO 4, PP. 961-971. DICIEMBRE, 2016. ISSN: 2028-9324. El Telegrafo. (2017, Marzo 21). Retrieved from Martín Abadi, A. A., Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro,, Greg S. Corrado, A. D., Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow,, Andrew Harp, G. I., Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser,, Manjunath Kudlur, J. L., Dan Mane, Rajat Monga, Sherry Moore, Derek Murray, ´, Chris Olah, M. S., Jonathon Shlens, Benoit Steiner, Ilya Sutskever, Kunal Talwar,, Paul Tucker, V. V., Vijay Vasudevan, Fernanda Viegas, Oriol Vinyals,, . . . Research, G. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. 19.

http://www.correosdelecuador.gob.ec/WPCONTENT/UPLOADS/DOWNLOADS/2015/05/LEY_DE_PROPIEDAD_INTELE%20CTUAL.PDF



79

Ramírez, A. S. A. (2017). DENTIFICACIÓN DE PATRONES DE TRAYECTORIAS VEHICULARES UTILIZANDO EL ALGORITMO LVQ. Retrieved from Vemula, A. (2017). Social Attention: Modeling Attention in Human Crowds. El Telegrafo. (2017, Marzo 21). Martín Abadi, A. A., Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig

Citro,, Greg S. Corrado, A. D., Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow,, Andrew Harp, G. I., Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser,, Manjunath Kudlur, J. L., Dan Mane, Rajat Monga, Sherry Moore, Derek Murray, ´, Chris Olah, M. S., Jonathon Shlens, Benoit Steiner, Ilya Sutskever, Kunal Talwar,, Paul Tucker, V. V., Vijay Vasudevan, Fernanda Viegas, Oriol Vinyals,, . . . Research, G. (2015). TensorFlow:

Large-Scale Machine Learning on Heterogeneous Distributed Systems. 19. Ramírez, A. S. A. (2017). DENTIFICACIÓN DE PATRONES DE

TRAYECTORIAS VEHICULARES UTILIZANDO EL ALGORITMO LVQ.

Vemula, A. (2017). Social Attention: Modeling Attention in Human Crowds.

Pinales Delgado Javier Francisco, V. A. C. E. (2014). Algoritmos

resueltos con diagramas de flujo y pseudocódigo.

A.Ultsch, H. S. (9-13 de Julio de 1990). Kohonen's Self

Organizing Feature Maps for Exploratory Data Analysis.

Proceedings of the International Neural Network Conference

(INNC-90). Alahakoon, D.

H. (1998). A structure adapting feature map for optimal cluster

representation. In International Conference on Neural Information

Processing ICONIP98, 809–812.

Bullinaria, J. A. (2004). Self Organizing Maps: Fundamentals.

Introduction to Neuronal Networks: Lecture 16.

da Silva, I. H. (2017). Artificial Neural Networks A Practical

Course. Springer International Publishing

80

G., S., M.V., G., & Carrillo H. (2002). ViBlioSOM: Visualización de

Información Bibliométrica mediante el Mapeo Auto-Organizado.

Revista Española de Documentación Científica, 477 - 484.

81

ANEXOS

UNIVERSIDAD DE GUAYAQUIL PROYECTO DE...

Documents

Transcript of UNIVERSIDAD DE GUAYAQUIL PROYECTO DE...