2. Antecedentes
La congestión y los accidentes de tráfico son los retos más difíciles a los que se enfrentan las agencias de gestión
del tráfico en todo el mundo. Con la rápida urbanización mundial, la creciente cantidad y tipo de vehículos ha
provocado cada año más problemas relacionados con las carreteras. Según un informe de Markets and Markets,
el número global de automóviles y vehículos comerciales en la carretera casi se duplicará para 2040, lo que
ejercerá una enorme presión sobre la infraestructura urbana existente.
Gracias a la aparición de tecnologías como IA, IoT y sensores, ha habido soluciones de ITS que ofrecen una
nueva vitalidad en la aplicación del tráfico y resolver problemas que afectan a la seguridad y eficiencia de este.
Por ejemplo, se ha desarrollado una solución integral de gestión de tráfico inteligente que combina la video
vigilancia con IA, ANPR, fusión de imágenes, AR y otras tecnologías de vanguardia para satisfacer los numerosos
requisitos de la presente ley de tráfico y optimizar significativamente su funcionamiento y gestión.
Esta solución integra el sistema de control de tráfico, el sistema de control de señal inteligente, el sistema de
liberación de información de tráfico, el sistema de predicción y recopilación de flujo de tráfico, así como el
comando de gestión de tráfico y el centro de despacho. Ayuda a los organismos de gestión del tráfico a mejorar la
seguridad vial, reducir las congestiones, responder a las emergencias con mayor eficacia y hacer predicciones
sobre futuras situaciones de tráfico basadas en datos en tiempo real.
3. • Redes neuronales
Las redes neuronales están encargadas de obtener los pesos ponderados que permiten medir
la importancia que tienen los distintos criterios de priorización dentro de las zonas de
mercado, y así poder, de alguna manera, emular el comportamiento de dichas zonas.
Para el desarrollo de la metodología se presenta una breve descripción de las redes
neuronales y el comportamiento que muestra tanto en el ámbito biológico como en la
aplicación en el área de mercadeo y logística. El mapa auto-organizado es la herramienta
visual que emplean las redes neuronales para visualizar el comportamiento de acuerdo a los
pesos ponderados.
Según Caicedo y López (2009) las redes neuronales artificiales (RNA) surgen como un intento
para emular el funcionamiento de las neuronas de nuestro cerebro. En este sentido las RNA
siguen una tendencia diferente a los enfoques clásicos de la inteligencia artificial que tratan de
modelar la inteligencia humana buscando imitar los procesos de razonamiento que ocurren en
nuestro cerebro.
La estructura clásica de una red neuronal se puede apreciar en la Figura 1, donde el vector de
entrada se define como X = [x1, x2,..., xn]. La información recibida por la neurona es
modificada por un vector de pesos sinápticos cuyo papel es de emular la sinapsis existente
entre las neuronas biológicas. El parámetro θj se conoce como el bias o umbral de una
neurona, y finalmente el parámetro yj es la salida o resultado final de la red neuronal.
4.
5. Dentro del modelo artificial de la neurona existe:
Enlace de Conexión: Parámetros de los Pesos Sinápticos
𝑊
𝑗𝑛
Si 𝑊
𝑗𝑛 > 0 la conexión es Excitadora
Si 𝑊
𝑗𝑛 < 0 la conexión es Inhibidora
Punto de Suma: Es la suma ponderada entre las entradas y
sus pesos sinápticos
Función de Activación: Función de transformación no
lineal, donde se transforma el valor de la suma en una señal
digital
Polarización o Función de Red: También conocido como
umbral, permite desplazar el valor de las entradas.
6. En nuestro post sobre Machine Learning, hemos hablado de manera superficial de las redes
neuronales. A continuación, vamos a explicar qué es y cómo funciona una red neuronal.
Las redes neuronales artificiales están basadas en el funcionamiento de las redes de neuronas
biológicas. Las neuronas que todos tenemos en nuestro cerebro están compuestas de dendritas, el
soma y el axón: Las dendritas se encargan de captar los impulsos nerviosos que emiten otras
neuronas. Estos impulsos, se procesan en el soma y se transmiten a través del axón que emite un
impulso nervioso hacia las neuronas contiguas.
7.
8. • Machine Learning supervisado
En esta modalidad de Machine Learning se podría entender como algoritmos que “aprenden” de los datos
introducidos por una persona. En este caso:
• Se necesita la intervención humana para etiquetar, clasificar e introducir los datos en el algoritmo.
• El algoritmo genera datos de salida esperados, ya que en la entrada han sido etiquetados y clasificados por
alguien.
Existen dos tipos de datos que pueden ser introducidos en el algoritmo:
• Clasificación: clasifican un objeto dentro de diversas clases. Por ejemplo, para determinar si un paciente está
enfermo o si un correo electrónico es spam.
• Regresión: predicen un valor numérico. Sería el caso de los precios de una casa al escoger diferentes
opciones o la demanda de ocupación de un hotel.
Algunas aplicaciones prácticas de este tipo de Machine Learning:
• La predicción de coste de un siniestro en el caso de las compañías de seguros.
• La detección de fraude bancario por parte de entidades financieras.
• La previsión de avería en la maquinaria de una compañía.
9. Algoritmo Backpropagation
Dependiendo de la RNA existen varias topologías de conexión y algoritmo de aprendizaje, dependiendo de su utilización; para este caso el modelo
que se va a revisar es el Modelo Backpropagation.
Este modelo trata de combinar varios perceptrones en un tipo de red multicapa y realizar el aprendizaje utilizando un algoritmo de retro
propagación hacia atrás del error, el término hace referencia al método de cálculo sobre un ambiente de error de una red hacia adelante.
Es un algoritmo de aprendizaje supervisado, el cual espera conocer la salida esperada, y está asociada a cada entrada, actualizando los pesos y
ganancias mediante la regla de pasos descendientes; para supervisar el control del error cometido, se redefine la función de error, quedando una
nueva función de error y es la siguiente:
𝐸
𝑊
≡
1
2 𝑑 ∈ 𝐷 𝑘 ∈ 𝑠𝑎𝑙𝑖𝑑𝑎𝑠 𝑡𝑘𝑑 − 𝑜𝑘𝑑
Donde cada parámetro representa:
𝑊
Es el vector de pesos.
𝐷 Conjunto de pesos de entrenamiento.
𝑑 Entrenamiento concreto.
𝑆𝑎𝑙𝑖𝑑𝑎𝑠 Vector de Neuronas de salida.
𝑘 Neurona de salida.
𝑡𝑘𝑑 Salida correcta que debería dar la neurona de salida 𝑘 al aplicarle a la red el ejemplo
entrenamiento 𝑑.
𝑂𝑘𝑑 Salida que calcula la neurona de salida 𝑘 al aplicarle a la red el ejemplo de entrenamiento d.
10. 1. Proceso de Aprendizaje
Para el proceso de aprendizaje se debe ajustar los pesos por medio de una interacción entre las neuronas y el medio ambiente, este proceso es
conocido debido a que “una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen
durante el mismo se reducen a la destrucción, modificación y creación de conexiones entre las neuronas”. En este contexto, en los sistemas
biológicos existen una continua destrucción y creación de conexiones entre las neuronas.
Los modelos RNA, para la creación de una nueva conexión su peso pasa a tener un valor distinto de cero. Una conexión se destruye cuando el
peso es igual a cero. El algoritmo Backpropagation admite una propagación de errores, proporcionando un método eficiente para calcular las
derivadas de error
𝛿𝐸
𝛿𝑦
, lo cual convierte las discrepancias entre la salida de la derivada y la salida de la red.
11. Machine Learning no supervisado
A diferencia del caso anterior, no existe la intervención humana en este tipo de Machine Learning. Aquí los
algoritmos aprenden de datos con elementos no etiquetados buscando patrones o relaciones entre ellos. En este
caso:
• Se introducen datos de entrada sin etiquetar.
• No necesita la intervención humana.
• Existen dos tipos de algoritmos para Machine Learning no supervisado:
• Clustering: clasifica en grupos los datos de salida. Es el caso de las segmentaciones de clientes según qué
hayan comprado.
• Asociación: descubre reglas dentro del conjunto de datos. Por ejemplo, aquellos clientes que compran un
coche también contratan un seguro, por lo que el algoritmo detecta esta regla.
Existen otros casos prácticos en los que se utiliza este tipo de Machine Learning:
• La segmentación del tipo de clientes en un banco.
• La clasificación del tipo de pacientes en un hospital.
• El sistema de recomendaciones de contenido según el consumo del usuario en plataformas de streaming de
vídeo.
12. Mapas auto-organizados de Kohonen
Los mapas Auto-Organizados (SOM, por su nombre en inglés Self-Organizing Maps) fueron presentados por
Teuvo Kohonen en 1982, por lo que también reciben el nombre de Mapas Auto-organizados de Kohonen o
Redes Neuronales de Kohonen, estos mapas están inspirados en la capacidad del cerebro humano de
reconocer y extraer rasgos o características relevantes del mundo que los rodea (Caicedo y López, 2009).
La idea básica del SOM es crear una imagen de un espacio multidimensional de entrada en un espacio de
salida de menor dimensión. Se trata de un modelo de dos capas de neuronas, como se observa en la Figura 2.
La primera capa de entrada y la segunda de procesamiento. Las neuronas de la capa de entrada se limitan a
recoger y canalizar la información. La capa de salida o procesamiento está ligada a la capa de entrada a través
de los pesos sinápticos de las conexiones.
Aplicaciones
• Agrupamiento (clustering).
• Proyección.
• Interpolación.
• Visualización.
• Recuperación de Información
• Resolución de problemas de optimización
13.
14. Mapas auto-organizados de Kohonen
Los mapas Auto-Organizados (SOM, por su nombre en inglés Self-Organizing Maps) fueron presentados
por Teuvo Kohonen en 1982, por lo que también reciben el nombre de Mapas Auto-organizados de
Kohonen o Redes Neuronales de Kohonen, estos mapas están inspirados en la capacidad del cerebro
humano de reconocer y extraer rasgos o características relevantes del mundo que los rodea (Caicedo y
López, 2009).
La idea básica del SOM es crear una imagen de un espacio multidimensional de entrada en un espacio de
salida de menor dimensión. Se trata de un modelo de dos capas de neuronas, como se observa en la
Figura 2. La primera capa de entrada y la segunda de procesamiento. Las neuronas de la capa de entrada
se limitan a recoger y canalizar la información. La capa de salida o procesamiento está ligada a la capa de
entrada a través de los pesos sinápticos de las conexiones.
Aplicaciones
Agrupamiento (clustering).
Proyección.
Interpolación.
Visualización.
Recuperación de Información
Resolución de problemas de optimización