Evaluación de un algoritmo de agrupamiento de flujo de datos para el análisis de trayectorias GPS
DOI:
https://doi.org/10.46480/esj.6.2.99Palabras clave:
Clustering, Trayectorias GPS, Algoritmos, Flujo de datosResumen
El gran volumen de datos que hoy en día generan los diversos dispositivos GPS, originan que el análisis de esos datos sea un campo de investigación de interés actual. Los algoritmos de agrupación identifican patrones en un conjunto masivo de datos. En el ámbito de la transportación en el caso de los vehículos que circulan por las calles de una ciudad, estos algoritmos ayudan a identificar congestionamientos, flujos de tráfico comunes, eventos frecuentes como paradas que realizan los vehículos, entre otros. Una trayectoria GPS está definida por un conjunto de ubicaciones geográficas, cada una de las cuales se encuentra representada por su latitud y longitud, en un instante de tiempo. Existen trayectorias GPS vehiculares que hoy en día son generadas por los sistemas inteligentes de transportación en las ciudades. Este trabajo evalúa un algoritmo de agrupación de flujo de datos, llamado dyclee en el procesamiento y análisis de dos conjuntos de datos de las ciudades de Guayaquil-Ecuador y Roma-Italia. Los resultados que se obtuvieron de la evaluación de los dos conjuntos de datos utilizados permiten identificar patrones vehiculares que se presentan en distintos instantes de tiempo, pudiéndose evidenciar rangos de velocidades comunes. Además, se realizan mediciones para determinar la calidad de los grupos resultantes, los resultados obtenidos son satisfactorios.
Descargas
Referencias
Ferreira, N., Klosowski, J. T., Scheidegger, C. E., & Silva, C. T. (2013). Vector Field k-Means. 32(3).
Gepperth, A., & Hammer, B. (2016). Incremental learning algorithms and applications. ESANN 2016 - 24th European Symposium on Artificial Neural Networks, 357–368.
Juca Maldonado, F., & Burgo Bencomo, O. B. (2016). lended Learning as a model for universities use Moodle. Investigación, Tecnología e Innovación, 8(EE SE-Article), 27–34. https://doi.org/10.53591/iti.v8iEE.140
Madhulatha. (2012). An overview of clustering methods. Intelligent Data Analysis, 11(6), 583–605. https://doi.org/10.3233/ida-2007-11602
Mazimpaka, J. D., & Timpf, S. (2016). Trajectory data mining: A review of methods and applications. Journal of Spatial Information Science, 13(2016), 61–99. https://doi.org/10.5311/josis.2016.13.263
Molina, R., & Hasperué, W. (2018). D3CAS : un Algoritmo de Clustering para el Procesamiento de Flujos de Datos en Spark. 452–461. http://sedici.unlp.edu.ar/bitstream/handle/10915/73223/Documento_completo.pdf-PDFA.pdf?sequence=1&isAllowed=y
Reyes, G., Lanzarini, L., Hasperué, W., & Bariviera, A. F. (2020). GPS trajectory clustering method for decision making on intelligent transportation systems. Journal of Intelligent and Fuzzy Systems, 38(5), 5529–5535. https://doi.org/10.3233/JIFS-179644
Reyes Zambrano, G., & Cedeño Pozo, A. (2018). Algorithm GR-B for the compression of vehicular trajectories. Jurnaly, 39(28).
Suasnabas, L. S., Rubira, A. K., Casilla, I. N., & Schreiber, M. J. (2016). Uso de la tecnología en la educación universitaria ecuatoriana (p. 12).
Tork, H. F. (2012). Spatio-Temporal Clustering Methods Classification. Doctoral Symposium on Informatics Engineering (DSIE’2012), December, 1–12. https://doi.org/10.13140/RG.2.1.3812.7204
Tusa, F., Maza, J., & Briceño, X. (2016). La construcción de una educación del Buen Vivir a partir del estudio de las tecnologías de la comunicación y la información. In Investigación, Tecnología e Innovación (Vol. 8, Issue 8, pp. 97–106). https://doi.org/10.53591/iti.v8i8.141
Vera, J. (2018). ANÁLISIS DE TRAYECTORIAS VEHICULARES GPS PARA EVALUAR SU CALIDAD DE AGRUPAMIENTO UTILIZANDO ALGORITMOS CLUSTERING DE MINERÍA DE DATOS. Universidad de Guayaquil, 83. http://repositorio.ug.edu.ec/bitstream/redug/41488/1/T-ZAMBRANO ZAMBRANO JOSSELYN JAMILE.pdf
Yuan, Y., & Raubal, M. (2014). Measuring similarity of mobile phone user trajectories- a Spatio-temporal Edit Distance method. International Journal of Geographical Information Science, 28(3), 496–520. https://doi.org/10.1080/13658816.2013.854369
Descargas
Publicado
Número
Sección
Licencia
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra sus sitios web personales o en depósitos institucionales, después de su publicación en esta revista, siempre y cuando proporcionen información bibliográfica que acredite su publicación en esta revista.
Las obras están bajo una https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es