Caracterización de modelos de movilidad sostenible mediante la aplicación de arquitecturas de machine learning a las señales PID obtenidas a través de OBD II para el estudio de las emisiones contaminantes sobre la ciudad de Cuenca

Este proyecto de investigación aborda la problemática de la contaminación atmosférica generada por el parque automotor en la ciudad de Cuenca, Ecuador. Ante la falta de modelos locales precisos que consideren la diversidad tecnológica vehicular y los estilos de conducción, la investigación propone una metodología basada en la adquisición de datos de diagnóstico a bordo (OBD II) y el uso de arquitecturas de Machine Learning. El enfoque técnico consiste en extraer y procesar señales PID (Parámetros de Identificación) para caracterizar el comportamiento del motor bajo diferentes modos de conducción (Sport, Normal, Eco). Mediante el uso de herramientas como Matlab y técnicas de análisis estadístico multivariable, se busca desarrollar un modelo robusto capaz de estimar emisiones contaminantes y consumo de combustible en condiciones reales de conducción. Los resultados esperados incluyen la creación de un manual de conducción eficiente y la publicación de artículos científicos de alto impacto. El impacto del proyecto se extiende a la mejora de la calidad del aire, la optimización del rendimiento vehicular y la provisión de herramientas técnicas para la gestión de la movilidad sostenible en la ciudad.<br/><br/><b>Objetivo</b>: <br/>Caracterizar modelos de movilidad sostenible mediante la aplicación de arquitecturas de Machine Learning a las señales PID obtenidas a través de OBD II para el estudio de las emisiones contaminantes en la ciudad de Cuenca. El proyecto busca desarrollar estrategias para reducir el impacto ambiental del parque automotor local.<br/><br/><b>Líneas de investigación</b>: <br/>Eficiencia energética y contaminación ambiental