Search

Las ciudades grandes como Madrid en las que hay una gran cantidad de habitantes, y en consecuencia se realizan a diario multitud de trayectos, tienen un alto nivel de congestión del tráfico en muchas ocasiones. Estos atascos generan un mayor nivel de contaminación y dificultan la llegada al destino de muchas personas que viajan a diario. Es por eso que este trabajo tiene como objetivo dar con un modelo que sea capaz de detectar esos atascos y poder así plantear rutas alternativas para evitarlos. Utilizando los datos abiertos sobre tráfico obtenidos mediante sensores y dispositivos IoT, y que habilita el ayuntamiento de Madrid en su portal de datos abiertos, se han estudiado distintas formas de realizar predicciones sobre el nivel de congestión del tráfico, analizando diferentes modelos y evaluando los resultados. Los resultados obtenidos han mostrado algunos límites a la hora de realizar las predicciones, pero se han logrado ciertos valores significativos realizando las predicciones con algunas variables concretas, dejando abiertas algunas puertas a futuros trabajos que pudiesen profundizar más en ciertos aspectos del proyecto. Gracias a este proyecto, se han podido ver las distintas fases que tiene un trabajo de tratamiento de datos, dando una visión detallada de aspectos como la limpieza de datos, la obtención de estos, la aplicación de distintos modelos de aprendizaje automático y el análisis de los resultados., Big cities like Madrid, where the population is large and therefore many trips are made daily, often can experience high levels of traffic congestion. This issue leads to increased pollution levels and makes more difficult the daily movement of many people from one point to other inside the city. This is the main reason of this work, developing a model that can detect such traffic jams and recommend alternative routes to avoid them. Using open data about traffic obtained through sensors and IoT devices (data provided by the Madrid City Council on an open data portal), various methods for predicting traffic congestion have been investigated. Different models were analyzed and their results evaluated. The obtained results show some limitations in making predictions, but important values were obtained by predicting with specific variables. This opens the way for future work that can dig deeper into certain aspects of the project. Through this project, different phases of data processing work were explored, providing detailed insight into aspects such as data cleaning, data collection, application of models, and analyze the results.