Datos relativos de un documento

Clasificador de Datos para el Control de Parámetros PID en Semáforos Inteligentes.

R. O. Peña-Pérez

R.G. Benavides Barcenas

Corporación Universitaria Autónoma de Nariño.

Pasto Colombia

raul@globalphoneint.com

geovanny.benavides@aunar.edu.co

P. A. Briceño-Rivera

J.A Agreda Muñoz

Corporación Universitaria Autónoma de Nariño.

Pasto Colombia

Jhonyagreda97@gmail.com

briceandres02@gmail.com

Resumen-

En la actualidad para optimizar en más de un 40% el flujo de movilidad en las ciudades se pueden crear dispositivos electrónicos adaptados a partir de semáforos, para mejorar las condiciones de tráfico de la ciudad en los momentos de mayor circulación de vehículos que utilizan como mecanismo de control la gestión de tiempos de acuerdo a una espera controlada, sin embargo la dinámica en las calles tanto de los transeúntes como de los medios de transporte varían de forma aleatoria.

Los dispositivos controladores son mecanismos por realimentación (PID), que permite saber exactamente los datos de flujo vehicular y tránsito de personas en diferentes campos. Es por ello que a partir de la presente investigación se busca generar un prototipo de dispositivo basado en mecanismos de Machine Learning, Big Data, Pather Recornition, utilizando algoritmos como K-Means, K-Medois, que permiten adecuar de forma sincronizada diversos parámetros relacionados con la  movilidad y circulación del tráfico emergente en las ciudades. En su campo de acción se pueden encontrar escenarios de aplicación relacionados con: estamentos deportivos, control en el ingreso y salida de pasajeros, niveles de eficiencia y efectividad en la productividad de las personas y demás procesos relacionados con el control y seguimiento de la información.

El presente estudio El dispositivo desarrollado permite mejorar la movilidad por medio de la búsqueda de objetos o personas, haciendo que la información recolectada pueda ser almacenada en una base de datos de forma local o en la nube, así mismo,  al ser tomada la información de forma inteligente el sistema adoptará un proceso de  aprendizaje adecuado a las necesidades del sistema.

Con ayuda de las nuevas tecnologías y un estricto control de procesos vinculados en la extracción de conocimiento (KDD) se pueden lograr mejoras significativas en la implementación de sistemas con parámetros PID, la movilidad y lectura máquina-humano en tiempo real, durante las 24 horas del día;  permite mejorar la capacidad de evaluar aspectos físicos K que puedan ser evaluados mediante patrones mezclados en medios o dispositivos de información previamente almacenados en una base de datos.

Palabras Clave — procesamiento digital; control; bajo costo; machine learning; internet de las cosas; autómata; procesos de control.

INTRODUCCIÓN

Los índices de inseguridad, las continuas fallas en los sistemas de monitoreo y el descontrol en la circulación del tránsito y peatones es un fenómeno que aqueja a cualquier grupo social en cualquier país del mundo; debido a la mala planeación e incorrecta adaptación de controles de tránsito, los accidentes vehiculares son cada vez más frecuentes, los actuales sistemas de control de tráfico no dan prioridad a quien cruza la calle, las personas de la tercera edad no disponen de una herramienta tecnológica que les permita ser visualizados de manera preventiva, así mismo, las personas con discapacidad y niños están en constante peligro, por lo que las calles se han convertido en una selva de hierro y cemento en la que dia a dia se lucha por el acceso y viabilidad de vehículos y personas, haciendo inevitable la incursión en accidentes y lesionados debido a peripecias indebidas por parte de los involucrados..

A nivel regional en el departamento de Nariño y específicamente en la ciudad de pasto, según cifras que dio a conocer la Secretaria de Transito del Municipio de Pasto, en el 2.016 fueron 1.267 personas las que resultaron heridas en hechos de accidentes relacionados con movilidad vial. A partir del diseño e incorporación de un prototipo Clasificador de Datos para el Control de Parámetros PID en Semáforos Inteligentes, es posible desarrollar una alternativa eficaz que permita minimizar los niveles de accidentalidad actualmente presentes en las ciudades por la mala distribución de tiempos y espacios de acceso a las vías por parte de los vehículos y peatones transeúntes.

La presente investigación se ha desarrollado teniendo en cuenta parámetros y estrategias contempladas en la consecución de tecnológicas disponibles dentro del procesamiento digital, bajo un control autómata basado en herramientas de machine learning, Control de Parámetros PID y algoritmos de reconocimiento de patrones de acuerdo a las especificaciones presentes en el manejo y control de semáforos inteligentes.

Se presentan dificultades en la predecibilidad para la interacción entre peatón, vía y vehículos, las limitaciones en cuanto a exactitud y margen de error aceptable han hecho que el dispositivo presente variaciones de acuerdo a los índices de caos dispuestos, la variabilidad de los resultados obtenidos depende del comportamiento y disposición de los entes involucrados.

METODOLOGÍA

Para dar inicio a esta investigación, se parte con el reconocimiento de parámetros y teorías relacionadas con el desarrollo del prototipo en mención, para ello se consultan y citan libros y temáticas relacionadas que sirven de entrada como contexto respecto al desarrollo de la técnica aplicada, algunos de los conceptos aplicados en la presente investigación son:

Mecanismos por realimentación (PID). Proporcional, acción Integral y acción Derivativa. Para el correcto funcionamiento de un controlador PID que regule un proceso o sistema se necesita, al menos:

Un sensor, que determine el estado del sistema

Un controlador, que genere la señal que gobierna al actuador.

Un actuador, que modifique al sistema de manera controlada

De igual forma se presentan tres parámetros distintos en el algoritmo PID:

El proporcional: El valor Proporcional depende del error actual.

El integral: El Integral depende de los errores pasados

El derivativo:el Derivativo es una predicción de los errores futuros.

Mecanismos de Machine Learning, pueden ser ampliamente definidos como métodos computacionales que usan la experiencia para mejorar el desempeño de las predicciones, logrando ser estas más precisas. Cuando nos referimos a experiencias hablamos específicamente de la información histórica recolectada que se utiliza para los procesos de entrenamiento. (Mehryar Mohri, Afshin Rostamizadeh, & Ameet Talwalkar, 2012).

Big Data. Como concepto ha sido, de hecho por más tiempo que la tecnología informática, que sorprendería a un número de personas. Gartner (2012). Manifiesta como definición, “Son activos de información caracterizados por su alto volumen, velocidad y variedad, que demandan soluciones innovadoras y eficientes de procesado para la mejora del conocimiento y toma de decisiones en las organizaciones.” Estamos en una época con grandes volúmenes de datos su almacenamiento y análisis requiere de herramientas automatizadas que dinamicen los procesos y ayuden al quehacer diario de las personas en la utilización de herramientas tecnológicas cada veza más complejas.

Pather Recornition. Durante los últimos veinte años, ha habido Un interés considerable en los problemas de reconocimiento de patrones y procesamiento de imágenes. Este interés Ha creado una creciente necesidad de métodos teóricos, hardware y Software experimental que permita el uso para el diseño y reconocimiento de patrones en sistemas de procesamiento de imágenes. Se puede decir entonces que algunos ejemplos de patrones se pueden encontrar en: un píxel, una imagen, un gesto facial, un rostro humano, la voz de un individuo o la forma de un animal, por otra parte según K. Kpalma and J. Ronsin (2007) un sistema de reconocimiento de patrones “es un sistema automático que tiene como objetivo clasificar el patrón de entrada en una clase espec´ıfica. Est´a compuesto t´ıpicamente de una etapa de preprocesamiento donde se acondiciona y se digitaliza la se˜nal. Luego de la digitalización, se procede con la extracci´on de las caracter´ısticas del modelo en estudio, este proceso es llamado etapa de identificación. La clasificación por su parte, permite reconocer un objeto (o un patrón) mediante el uso de algunas características de la etapa de extracción”.

Algoritmos K-Means K-Means Clustering, es un método utilizado para clasificar Conjuntos de datos estructurados o no estructurados. Este es uno de los Métodos comunes y efectivos para clasificar datos debido a su Simplicidad y capacidad para manejar voluminosos conjuntos de datos. Acepta el número de clusters y el conjunto inicial de Centroides como parámetros. La distancia de cada elemento en los datos

PAM (Partitioning Around Medoids) es un algoritmo típico de agrupación K-medoides. Aborda el problema de una manera iterativa. Al igual que el algoritmo k-means, los objetos representativos iniciales (llamados semillas) son elegidos arbitrariamente. K-medoides usa medianas en lugar de promedios para representar a los clusters. Ochoa, L., & Marisol, L. (2017).

...