Open data - movilidad

Serrano Manzano, María Mencía (2024). Open data - movilidad. Trabajo Fin de Grado / Proyecto Fin de Carrera, E.T.S. de Ingenieros Informáticos (UPM), Boadilla del Monte.

Descripción

Título: Open data - movilidad
Autor/es:
  • Serrano Manzano, María Mencía
Director/es:
Tipo de Documento: Trabajo Fin de Grado o Proyecto Fin de Carrera
Grado: Grado en Matemáticas e Informática
Fecha: Junio 2024
Materias:
ODS:
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Lenguajes y Sistemas Informáticos e Ingeniería del Software
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[thumbnail of TFG_MARIA_MENCIA_SERRANO_MANZANO.pdf] PDF (Portable Document Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (1MB)

Resumen

En la era digital estamos ante un crecimiento urbano continuo, la comunicación eficiente entre los distintos puntos de una ciudad se ha convertido en uno de los desafíos principales para las ciudades modernas. En un contexto donde la movilidad se ha vuelto una necesidad cotidiana para miles de ciudadanos, Madrid, como muchas otras metrópolis, se enfrenta a la compleja tarea de optimizar su sistema de transporte para satisfacer las demandas de su población. Cada día, un flujo constante de personas se ve desafiado por la necesidad de llegar a sus lugares de trabajo, colegios o universidades a tiempo, lo que implica enfrentarse al tráfico y a la puntualidad del transporte público. Es en este contexto surge Open Data-Movilidad como una respuesta a la necesidad apremiante de comprender y mejorar la movilidad urbana. Este proyecto se enfoca en el tratamiento de la información pública disponible sobre el tráfico y movilidad de la Comunidad de Madrid y, dado que el volumen es considerable, desarrollar el ciclo de vida del dato completo utilizando técnicas de big data. En primer lugar, se recopilarán todos los datos de interés, a continuación se procederá a su limpieza y tratamiento, para llevar a cabo un análisis de ellos mediante técnicas de aprendizaje supervisado y no supervisado como regresión lineal o k-means. Esto permitirá identificar tendencias de tráfico y desarrollar modelos predictivos que ayuden a comprender el contexto territorial y a tomar decisiones informadas respecto al transporte público y la mejora de las vías y carreteras de la ciudad.

ABSTRACT

In this digital era and in the middle of a continuous urban growth, the efficient communication between different places in a city, has become one of the main challenges for modern cities. In a context where mobility has turned to be a daily necessity for thousands of citizens, Madrid, as many other metropolis, encounters the complex task of optimising its transport system to meet its population demands. Every day, a constant flow of people is challenged by the need of making it on time to their workplaces, schools or universities, which means facing traffic and public transport’s punctuality. It is in this context that “Open data - Mobility” comes to play as an answer to this urgent need of understanding and improving the urban mobility. This project focuses on the processing of public information about traffic and mobility in the Community of Madrid and, given the considerable volume, developing a complete data life cycle using “big data” techniques. In first instance, all relevant data will be gathered; afterwards, it will be cleaned and processed to carry out its analysis with supervised and unsupervised learning techniques such as lineal regression or “k-means”. This will allow us to identify traffic patterns and develop predictive models that would help comprehend the territorial context and make informed decisions regarding public transport and the improvement of the roads and motorways of the city.

Más información

ID de Registro: 82698
Identificador DC: https://oa.upm.es/82698/
Identificador OAI: oai:oa.upm.es:82698
Depositado por: Biblioteca Facultad de Informatica
Depositado el: 07 Jul 2024 10:10
Ultima Modificación: 07 Jul 2024 10:10