Search

Trabajo presentado en: R-Evolucionando el transporte, XIV Congreso de Ingeniería del Transporte (CIT 2021), realizado en modalidad online los días 6, 7 y 8 de julio de 2021, organizado por la Universidad de Burgos, La seguridad y calidad de la movilidad de los peatones en un ámbito urbano donde conviven con otros modos de desplazamiento debe ser una de las prioridades para cualquier gestor público. Para ello es fundamental disponer de una caracterización precisa de los recorridos peatonales y de los elementos urbanos que forman parte de estos recorridos, como pueden ser los pasos de cebra o los bordillos de separación entre diferentes espacios de movilidad, por ejemplo. El presente trabajo presenta los avances en la clasificación y caracterización de algunos de estos elementos gracias al análisis de los datos obtenidos mediante un escaneado terrestre realizado por un Mobile LiDAR Scanner (MLS) en las calles cercanas a un colegio de la ciudad de A Coruña. Estos análisis se enmarcan dentro de las actividades desarrolladas en el proyecto BIG-GEOMOVE para el análisis de indicadores BIG GeoDATA sobre viarios urbanos para el diseño dinámico de caminos escolares seguros, y que fue financiado en 2017 por la Dirección General de Tráfico. En este texto se muestran los procesos de tratamiento realizados sobre los datos LiDAR y los diferentes algoritmos desarrollados para clasificar la nube de puntos y diferenciar elementos urbanos importantes en los recorridos peatonales, en especial pasos de cebra y bordillos. Además, se presentan los procesos de identificación, cálculo y análisis estadísticos de las caracterizaciones geométricas de los pasos de cebra reconocidos mediante los datos LiDAR. También se avanza en nuevas líneas de trabajo para analizar la calidad y el estado del firme de los recorridos. Los resultados alcanzados muestran un extraordinario potencial para definir con rapidez el estado de los elementos en los recorridos peatonales e identificar lugares y puntos donde es necesario realizar una actuación o mejora en comparación con el resto de elementos caracterizados., Debemos agradecer la financiación conseguida en la convocatoria de subvenciones a proyectos de investigación 2017 de la DGT con el proyecto de referencia SPIP2017-02340 con el título de “Análisis de indicadores big geo-data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros (BIG-GEOMOVE)” que ha servido de base para gran parte de los análisis mostrados en esta comunicación.

Se han utlizado técnicas actuales derivadas de la estadística (inteligencia artificial, minería de datos y aprendizaje computacional) para construir un software que clasifique los trabajos de un CPD según como se espera que sea su terminación (estado final de la ejecución). Dicho software toma información a través de SLURM (software para la gestión de trabajos utilizado en el CPD) y la transforma a un formato adecuado (CSV) para la aplicación del algoritmo C5.0, de manera que se extraigan reglas de clasificación a partir del conjunto de datos. Dichas reglas de clasificación son utilizadas por el software para realizar las predicciones/clasificaciones de los trabajos, que además también soporta una serie de consultas sobre los datos (para poder filtrarlos según el interés concreto) y tiene un pequeño sistema de notificaciones configurable donde se pueden consultar las predicciones de interés. Applied modern techniques (related to Artificial Intelligence, Machine Learning and Data Mining) based in statistics to build a software capable of classifying jobs running in a Data Center attending to its termination/exit status. The software takes data from a SLURM (Simple Linux Utility for Resource Management) environment and then transforms it into an adequate format (CSV) to use in combination with C5.0 algorithm, in order to extract classification rules from the data set. Obtained classification rules are used by the software to classify/predict jobs. Also, it is capable of performing certain queries that work as filters that can be applied over data. Furthermore, it has a notification system which can be configured using the aforementioned queries to consider predictions of interest. S'han utilitzat tècniques actuals derivades de l'estadística (intel·ligència artificial, mineria de dades i aprenentatge computacional) per construir un programari que classifiqui els treballs d'un CPD segons com s'espera que sigui la seva terminació (estat final de l'execució). Aquest programari pren informació a través de SLURM (programari per a la gestió de treballs utilitzat en el CPD) i la transforma a un format adequat (CSV) per a l'aplicació de l'algorisme C5.0, de manera que s'extreguin regles de classificació a partir del conjunt de dades. Aquestes regles de classificació són utilitzades pel programari per realitzar les prediccions/classificacions dels treballs, que a més també suporta una sèrie de consultes sobre les dades (per poder filtrar-los segons l'interès concret) i té un petit sistema de notificacions configurable on es poden consultar les prediccions d'interès.