Estudio de factibilidad del uso de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular del transporte público
Bibliographic record
Abstract
El análisis del tránsito vehicular ha tomado gran importancia en los últimos años debido al incremento considerable de vehículos en las vías, lo que hace que muchas veces exista congestiones vehiculares, por lo que, es necesario conocer el aforo vehicular que transita por determinadas vías, de tal forma que se puede tomar decisiones para mejorar el tránsito vial como abrir vías alternas, cambiar temporización de semáforos, mejorar señalética de las vías, etc. Existen estudios que realizan el conteo e identificación de vehículos de forma manual mediante observación, sin embargo, esta técnica puede ser ineficiente ya que se debe contar con personas que realicen este conteo en una o varias vías durante un periodo de tiempo determinado, además, no permite capturar la información en varías horas del día. Por otro lado, existen técnicas que pueden ser complejas de configurar o que intervienen en el flujo normal del tráfico como rampas con sensores y lazo inductivo. Por lo que se ve la necesidad de usar una técnica que permita el conteo e identificación de vehículos de una manera más eficiente y que no intervenga en el flujo del tránsito. El presente estudio plantea la utilización de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular. Se generó un modelo de redes neuronales artificiales que a través de video permite detectar y clasificar vehículos del transporte público que transitan por las vías con un nivel de certeza del 94.29%. Además, se probó el modelo en tiempo real mediante el uso de una aplicación móvil y la cámara del smartphone, demostrando que el modelo puede ser usado siempre que se tenga acceso a video sin la necesidad de una calibración o configuración del sistema. Por lo tanto, en base al alto nivel de certeza obtenido y las pruebas realizadas en tiempo real, queda demostrado que es factible la creación de sistemas que no requieran calibración ni configuraciones complejas basados en el uso de redes neuronales artificiales para la automatización del aforo y clasificación vehicular.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".