Análisis de Big Data

Este proyecto de investigación aborda la complejidad y los desafíos inherentes a la calibración de simuladores microscópicos de tráfico vehicular, tales como la escasez de datos precisos, la complejidad de los modelos y la subjetividad de los métodos tradicionales. El objetivo principal es innovar en este campo mediante la aplicación de Big Data y técnicas de Inteligencia Artificial (IA) para crear un enfoque de calibración superior. La metodología propuesta se centra en la recolección y procesamiento de grandes volúmenes de datos de tráfico para entrenar y validar un algoritmo de aprendizaje automático diseñado para ajustar automáticamente los parámetros del simulador. Se planea integrar este algoritmo con herramientas de simulación existentes, como SUMO, y compararlo rigurosamente con métodos convencionales para demostrar mejoras empíricas en eficiencia, precisión y objetividad. Los resultados esperados incluyen el desarrollo de un algoritmo robusto, la publicación de artículos científicos indexados (Scopus), y la provisión de una herramienta más precisa para planificadores y gestores de transporte, contribuyendo a la optimización del transporte y a ciudades más sostenibles.<br/><br/><b>Objetivo</b>: <br/>Desarrollar un nuevo enfoque para la calibración de simuladores microscópicos de tráfico vehicular que sea más eficiente, preciso y objetivo que los métodos tradicionales, mediante el uso de procesamiento de una gran cantidad de datos (Big Data) y algoritmos de inteligencia artificial.<br/><br/><b>Líneas de investigación</b>: <br/>Inteligencia artificial y minería de datos