FACULTAD DE INGENIERÍA
PROGRAMA DE TITULACIÓN POR TESIS
ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA
TESIS
PARA OBTENER EL TÍTULO PROFESIONAL DE
INGENIERO ELECTRÓNICO
PRESENTADO POR:
LIMA – PERÚ
AÑO: 2015
Dedicatoria
Brenda
Dedicatoria
Felipe
Agradecimientos
A mi amigo y compañero
Felipe por su apoyo, por las
horas de trabajo
intercambiando ideas y sobre
todo por brindarme su
amistad sincera.
Brenda
Agradecimientos
Y también a mi compañera y
amiga Brenda, que ha sido
una gran ayuda en todo el
transcurso de la tesis, gracias
a ella hemos podido
completar nuestros objetivos.
Felipe
INDICE
Resumen
Abstract
Introducción…………………………………………………..………………………… 1
vi
2.3.4 Unidades B-134 ................................................................................................... 27
2.3.5 Procedimiento de despacho de las unidades ............................................. 28
2.3.5.1 Despacho de las unidades (Primer despacho). .......................................... 28
2.3.5.2 Información a las compañías para el despacho. ........................................ 29
2.3.5.3 Recepción del despacho en las compañías. ............................................... 29
2.3.5.4 Unidades Despachadas no disponibles. ...................................................... 29
2.3.5.5 Trayectoria de las unidades despachadas a las Emergencias. ............. 30
2.3.5.6 Llegada de la unidad a la Emergencia. ......................................................... 30
2.4 Otros Algoritmos para el sistema................................................................... 30
2.4.1 Algoritmo de conversión de latitud y longitud ........................................... 30
Capítulo III – Redes Neuronales ..................................................................................... 33
vii
Conclusiones ................................................................................................................... 67
Recomendaciones ........................................................................................................... 69
Bibliografía y Referencias............................................................................................... 70
Anexo ................................................................................................................................ 74
viii
Índice de Imágenes
ix
Imagen 21 Error del cuarto entrenamiento de la red backpropagation
de [100 85 10]………………………………………………….…..…… 52
Imagen 22 Regresión del primer entrenamiento de la red
backpropagation de [100 85 10]…………………………………...…. 53
Imagen 23 Regresión del último entrenamiento de la red backpropagation
de [100 85 10]…………………………………………..………..…… 53
Imagen 24 Posición de entrada y punto de la emergencia……………....….…… 56
Imagen 25 Datos de entrada para la simulación 1………….……………......…… 56
Imagen 26 Gráfico general de salidas de la red para la simulación 1….…..……. 57
Imagen 27 Estado del bit 1 durante la primera simulación………………….….… 57
Imagen 28 Estado del bit 2 durante la primera simulación………..…….…..….... 58
Imagen 29 Estado del bit 5 durante la primera simulación………..………...….... 58
Imagen 30 Posición de entrada y punto de la emergencia Entorno 2…………... 59
Imagen 31 Entradas del tiempo 0 a 1800 de las distintas posiciones y
dirección de la unidad de bomberos……………….……………………60
Imagen 32 Respuesta de la red neuronal para el entorno 2 ……………………... 61
Imagen 33 Salida 5……..…………………………………..…………………………. 61
Imagen 34 Salida 6……………………………………………………………….…… 62
Imagen 35 Salida 8……………………………………………………………………. 62
Imagen 36 Salida 10..………………………………………..……………………….. 62
Imagen 37 Posición de entrada y punto de la emergencia……………………….. 63
Imagen 38 Datos de entrada para caso entorno 3……………..……………....… 64
Imagen 39 Respuesta general de salidas en entorno 3 ………………………….. 65
Imagen 40 Respuesta de salida 1 de salidas en entorno 3…………………….… 65
Imagen 41 Respuesta de salida 2 de salidas en entorno 3…………………….… 65
Imagen 42 Respuesta de salida 3 de salidas en entorno 3…………….…….……66
x
Índice de tablas
xi
Resumen
La presente tesis, tuvo como objetivo mostrar una estrategia a través de redes
neuronales, para los vehículos del Cuerpo General de Bomberos Voluntarios del
Perú (CGBVP) durante una emergencia en el distrito de Surco, contribuyendo a la
fluidez vehicular de las unidades en situaciones de emergencia. A nivel mundial se
puede apreciar que se han desarrollado diferentes estrategias o sistemas que
apoyan a las unidades de emergencia.
xii
Abstract
The following thesis had as objective to show a strategy using neural networks to
help vehicles of the fire fighter brigade in Peru (CGBVP) during emergencies on the
district of Surco, helping with the response times of the unit on emergency situations.
Worldwide can be seen that strategies or systems are being used to help lower the
problems of traffic.
The development of the proposed system consist on preparing the traffic lights
previous the arrival of the unit to the intersection. For this 2 type of data is being
considered, location and direction, in order to activate the lights time before the
vehicle arrives to the intersection.
The present study analyzed the LVQ (Learning Vector Quantization) and 2 types of
backpropagation networks in order to determine which of them is the most fitting for
the situation to handle.
Finally, going through the simulations it was determined that the [100 85 10]
backpropagation network had the best response, being the regression 0.99 and
showing error on the range of 10^-5 or lowers.
The algorithm by backpropagation [100 85 10] showed during the 3 simulations that
works property on all 3 situations. It showed small variations on some of the
simulations but nothing out of the acceptable values of a logic 1 or 0.
xiii
Introducción
1
redes, y se determinará la red que será trabajada en las simulaciones del capítulo
siguiente.
2
Capítulo I – Antecedentes y Estado del Arte
3
1.5 Marco Situacional
Durante el 2014, y a pesar del intento por reducir dicha cifra, la Policía Nacional
del Perú registro un total de 101,104 denuncias por accidentes de tránsito [2],
donde la tasa por cada 100,000 habitantes fue de 328.1 personas [3],
convirtiéndose así, el Perú en uno de los países con mayor tasa de accidentes y
muertes causadas por accidentes de tránsito en Latinoamérica, y todo ello, a
pesar de tener la menor cantidad de vehículos que existe por habitante (108
vehículos por cada 1,000 habitantes de Lima Metropolitana) [4].
4
El tiempo que demora en trasladarse un vehículo de emergencia, al lugar en que
se produce un incidente tiene un impacto significativo en el ciudadano que se
encuentra en situación de emergencia. La reducción en el tiempo de respuesta
por parte de los servicios que brinda el CGBVP, supone una reducción en el
número de víctimas mortales y/o en el número de lesiones graves que pudieran
ocurrir como resultado de un incidente; ya que muchas de estas lesiones pasan
a ser leves o menos graves mientras más rápido sean atendidas por parte del
personal que les brinde el servicio de ayuda. Si bien es cierto no existe un criterio
establecido para el desarrollo de indicadores de cuánto tiempo puede demorar
un vehículo del CGBVP cuando se produce un incidente, este debe realizarse
en el menor tiempo posible.
5
1.5.1.1.1 Tesis Pontificia Universidad Católica del Perú
Esta Tesis llamada “Diseño de un sistema de control por auto
organización para semáforos de una intersección vial simple usando
redes neuronales” [6] consiste en lograr que los semáforos se auto
organicen en base a la cantidad de vehículos detectados mediante el
uso de sensores.
6
Para efectos de simulación se consideró:
Duración: 200u
Autos generados en pista 4 carriles: 205
Autos generados en pista de 2 carriles: 114
Total de autos: 319
7
aprendizaje y resistencia a errores, sin embargo la aplicación sigue
siendo para vehículos particulares, y no considera una solución para los
vehículos de emergencia del CGBVP.
8
1.5.1.2 Ámbito Internacional
1.5.1.2.1 Escuela Politécnica Nacional (Ecuador)
Esta tesis llamada “Control de tráfico vehicular usando un sistema neuro-
difuso tipo ANFIS” [7] consiste en controlar el tiempo y sincronizar la
secuencia de semáforos evitando el congestionamiento vehicular mediante
un sistema de interferencia difusa basado en redes neuronales adaptativas
ANFIS (Adaptative neuro fuzzy interference system).
9
Se mejoraron las velocidades medidas por sección.
10
El sistema incluye la utilización de 8 sensores (para un cruce de 4
esquinas con doble vía) con la finalidad de verificar cuantos vehículos
transitan en diferentes horas; y si la densidad vehicular aumenta,
resolver el problema en tiempo real.
Para este sistema, los semáforos poseen cámaras, la cuales sirven para
verificar el tráfico, accidentes e infractores, estos semáforos son
manipulados de manera individual.
El sistema además utiliza una herramienta llamada Tiberius que está
hecha en base a un modelo Matemático para la toma de decisiones, la
cual utilizarán los semáforos inteligentes basados en diferentes
ecuaciones y en la cantidad de carros identificados por los sensores.
El algoritmo propuesto señala que puede reducir la congestión vehicular
hasta en un 28% el tiempo de espera en los cruces durante hora punta
y un 6,5% las emisiones de CO2. Sin embargo requiere de la utilización
de un servidor, Switch, firewall, router ADSL, sistema de cámaras,
internet, una computadora, Servidor NAS y Wifi para el control y
centralización de los semáforos.
En las conclusiones de esta tesis indican:
11
presentan mejores respuestas durante su entrenamiento y requieren
incluir de menos herramientas adicionales para la solución al problema
de tráfico.
12
en las tecnologías de semaforización, haciendo más costoso el sistema
de adaptación de cada uno de los dispositivos a la tecnología con la que
cuenta cada semáforo. Adicionalmente encontramos una limitante en el
alcance de un enlace inalámbrico, siendo el caso que este se encuentre
a una mayor distancia de la zona de alcance.
Por otra parte, resulta interesante a considerar el sistema de
posicionamiento global, el cual puede aplicarse en el modelo aquí
expuesto, puesto que determinar la posición del vehículo y cuál sería la
posible ruta a tomar activando los semáforos que se encuentren en la
ruta del vehículo de emergencia.
14
Capítulo II - Marco Teórico
15
Imagen 1 Similitud entre neuronas [22]
16
La neurona artificial pretende imitar las características más importantes de las
neuronas biológicas. Cada neurona i-ésima está caracterizada en cualquier
instante por un valor numérico denominado valor o estado de activación ai (t)
asociado a cada unidad. Finalmente existe una función de salida, fi, que
transforma el estado actual de activación en una señal de salida. Dicha señal es
enviada a través de los canales de comunicación unidireccionales a otras
unidades de la red; en estos canales la señal se modifica de acuerdo con la
sinapsis (el peso, wji) asociada a cada uno de ellos según determinada regla. Las
señales moduladas que han llegado a la unidad j-ésima se combinan entre ellas,
generando así la entrada total Net j
17
Con la idea de tomar las características esenciales de la estructura neuronal del
cerebro es que crean las redes neurales, con la finalidad de dar solución a
problemas complejos. [26]
18
continuando con este proceso hasta llegar a la primera capa. De esta manera
se han modificado los pesos de las conexiones de la red para cada patrón
de aprendizaje del problema, del que conocíamos su valor de entrada y la
salida deseada que debería generar la red ante dicho patrón. [24]
Pasos para aplicar el Algoritmo de entrenamiento:
Paso 1. Inicializar los pesos de la red con valores pequeños aleatorios.
Paso 2. Presentar un patrón de entrada y especificar la salida deseada que
debe generar la red.
Paso 3. Calcular la salida actual de la red. Para ello se presentan las
entradas a la red y se calcula la salida de cada capa hasta llegar a la capa
de salida, ésta será la salida de la red. Los pasos son los siguientes: Se
calculan las entradas netas para las neuronas ocultas procedentes de las
neuronas de entrada. [25]
Para una neurona j oculta:
nethpj = ∑ whji xpi + Өhj (II-2)
en donde el índice h se refiere a magnitudes de la capa oculta; el subíndice
p, al p-ésimo vector de entrenamiento, y j a la j-ésima neurona oculta. El
término θ puede ser opcional, pues actúa como una entrada más. Se
calculan las salidas de las neuronas ocultas: ypj = fhj (nethpj ) (II-3)
Se realizan los mismos cálculos para obtener las salidas de las neuronas de
salida: [25]
Net0pk = ∑ w0kj ypi + Ө0k (II-4)
ypk = f0k (net0pk ) (II-5)
19
La expresión obtenida en este caso es: δhpj = f h
j (nethpj ) ∑δ0pk w0kj donde
observamos que el error en las capas ocultas depende de todos los términos
de error de la capa de salida. De aquí surge el término propagación hacia
atrás.
Estas capas ocultas son internas a la red y no tienen contacto directo con el
entorno exterior. El número de niveles ocultos puede estar entre cero y un
número elevado. Las neuronas de las capas ocultas pueden estar
interconectadas de distintas maneras, lo que determina, junto con su
número, las distintas topologías de redes neuronales [13].
20
Para determinar el número de neuronas ocultas interviene la eficiencia de
aprendizaje de generación de la red. No hay ninguna regla que indique el
número óptimo, cada problema se debe ensayar.
21
Así, la neurona cuyo vector de pesos este cercano al vector de entrada
tendrá salida 1 y las otras neuronas, tendrán salida 0; en este aspecto la red
LVQ se comporta igual a las redes competitivas, la única diferencia consiste
en la interpretación, mientras que en las redes competitivas la salida no cero
representa una clase del vector de entrada, para el algoritmo LVQ, índica
más bien una sub-clase, y de esta forma muchas neuronas (subclases),
conforman una clase.
Una vez generada la matriz W2 ha sido definida, nunca será alterada. Los
pesos ocultos W1 son actualizados por medio de la regla de Kohonen [16].
22
3. a1 es multiplicada por W2para obtener la salida final a 2, la cual tiene
solamente un elemento no cero, k*, indicando que el patrón está siendo
asignado a la clase k*
Surco tiene una extensión de 42 km2 (con otras zonas en disputa llegaría a 45
km2) y una población de 338.509 habitantes, según estimaciones del INEI al
2014. Por el distrito transitan al menos un millón de personas al día [17].
23
Av. Caminos del Inca con Av. Tomas Marsano (Bolichera)
Av. Velasco Astete con Av. Primavera
2.3 CGBVP
2.3.1 Evolución Histórica del CGBVP
24
compuestas por carpinteros, barberos, autoridades civiles, entre otros; las
cuales acudían al llamado de un incendio al oír las campanas de las iglesias
[18].
25
El CGBVP, actualmente cuenta con la siguiente capacidad operativa: 184
compañías, distribuidas en 25 comandancias en el ámbito nacional. En
provincias se encuentran ubicadas 126 compañías, las cuales representan
el 69.35% del total; y en Lima y El Callao, 58 compañías, las cuales
representan el 30.65% del total; además, el CGBVP cuenta con 8,553
efectivos distribuidos en todo el ámbito nacional, de los cuales 4,332
(50.65%) brindan servicio en provincias y 4,221 (49.35%) en Lima y El
Callao. Tan solo el 20% del total de bomberos presta continuamente su
servicio voluntario, existiendo gran ausentismo. [27]
26
Av. Monte de los Olivos cdra. 9, Urb. Prolongación Benavides 2da Etapa.
Para mayor referencia ver Imagen 4.
Ambulancia
Médica
Máquina de Rescate
Máquina de Agua
Spartan
27
Snorkell
Auxiliar
Categoría: SE CAMION
Año de fabricación: 2014
Marca: SPARTAN
Modelo: METRO STAR
Placa: EUD462
28
2.3.5.2 Información a las compañías para el despacho.
El (la) operador(a) al despachar las unidades, deberá activar las selectivas
(RADIOS) y comunicar a las compañías la siguiente información: la
denominación del vehículo, el tipo de emergencia (Tipo principal) y la
dirección. Ejemplo: Atención Máquina 134 – 4, Ambulancia 134, Rescate
134 Accidente Vehicular en Av. Benavides cuadra 45 Surco.
29
que no pudieron asistir a la emergencia, ya sea por fuera de servicio o no
dieron su comprendido en el lapso establecido. [20]
30
Imagen 5 Latitud y longitud para un círculo en el algoritmo
31
Imagen 6 Ejemplo de situación de ubicación del vehículo dentro y fuera del círculo
32
Capítulo III – Redes Neuronales
Bits de
Latitud Algoritmo de ubicación
Determinación (2 bits) Red Neuronal
Salida
Longitud de posición de la red
(Teórico) 44 Entradas (10 bits) Salida a
10 Salidas Semáforos
Bits de dirección (2 bits)
(Aplicación)
33
está considerando 15 círculos que ayudarán a delimitar la posición de cada
vehículo, los cuales abarcan ambos carriles (subida y bajada) entre las
intersecciones de Av. Benavides, Jirón Morro Solar, Av. Circunvalación y Av.
La Grevillea.
Seguidamente, se considera 2 bits para la posición del vehículo la cual será
definida por norte-sur y este-oeste.
34
Para poder determinar la posición del vehículo de emergencia, se considerará
que la posición proporcionada por el GPS brindará las coordenadas de latitud y
longitud, las cuales serán procesadas mediante un algoritmo que compare si
dicha posición sobrecae o no dentro de los círculos establecidos. De ser el caso,
esto determinará si la unidad se encuentra cerca a algún semáforo o debajo del
mismo. Así mismo el GPS nos brinda el sentido del flujo del vehículo, ya que
como se mencionó anteriormente los círculos abarcan el sentido de ambos
carriles.
Una tabla detallada con el orden de las distintas entradas remarcando en amarillo
la que corresponde a la intersección se encuentra en la tabla 3.
35
Av. Benavides con Av. Caminos del Inca
Av. Benavides con el Puente Benavides (2 cruces)
36
Imagen 10 Foto de Google Maps del área de trabajo con la delimitación
de círculos y determinación de bit según entradas
1 10 19
2 11 20
Av. 3 12 Av. 21
Av.
Velasco - 4 13 Benavides 22
Velasco -
Av. 5 14 - Av. 23
Av.
Caminos 6 15 Caminos 24
Benavides
del Inca 7 16 del Inca 25
8 17 26
9 18 27
N/S 43
E/O 44
37
28
29
30
31
32
33
Av. Benavides 34
- Carr. 35
Panamericana 36
37
38
39
40
41
42
38
3.3 Definición de tablas de supervisión
En la generación de las tablas de supervisión se generaron 169 combinaciones
diferentes, en este número se están considerando 4 casos (nor-este, nor-oeste,
sur-este, sur-oeste) debido al cruce en los cuales el vehículo está en el centro,
y 4 casos también por circulo (que no sea intersección) en los cuales se analiza
la dirección en la cual se moviliza la unidad. Se puede apreciar un ejemplo a
continuación.
39
de la intersección (es decir para todos aquellos casos en los cuales el vehículo
no se encuentre en la intersección).
En el caso en la que la unidad se encuentre en la intersección, la respuesta se
define a través de la dirección del vehículo.
40
Capítulo IV - Entrenamiento de la red
Algoritmo de
determinación
de posición
(teórico)
Red Neuronal
44 Entradas
10 Salidas
(Aplicación)
Salida a
semáforos
41
Una red Backpropagation de 100 neuronas ocultas de entrada y 85 neuronas en
la segunda capa.
42
momentum. Y finalmente se definen 3 capas indicando los números de
neuronas de [85 50] para las dos primeras con tangente sigmoidea y la última
capa ya está definida por el número de salidas según la matriz “NNsalidas”.
43
50 neuronas ocultas en la segunda capa
Neuronas ocultas tipo tangenciales
44
Neuronas ocultas tipo tangenciales
Para esta red las características son similares a la red backpropagation de [85
50 10], se mantienen “NNentradas” y “NNsalidas” como las matrices de
entradas y salidas correspondientes, “TRAINLM” como la función de
entrenamiento y la función de aprendizaje será también “LEARNGDM”. Los
cambios que se ven en esta red se encuentran en el número de neuronas para
cada una de las capas, teniendo en la red en esta situación [100 85] en las dos
primeras capas y las 10 salidas de la misma manera están definidas por la
matriz de salida.
45
4.2 Entrenamiento de la Red
Durante los entrenamientos de las redes seleccionadas para este estudio (Red
LVQ de 85 neuronas ocultas, red backpropagation de [85 50] y red
backpropagation [100 85]) se buscó obtener el mejor resultado, motivo por el
cual cada uno de los algoritmos anteriormente descritos se entrenó hasta en
cuatro oportunidades, obteniendo el menor margen de error.
46
Imagen 15 Error de la red LVQ, primer entrenamiento
47
resultado obtenido fue de 1.414 x 10^-6 de error conseguido durante su
cuarto y último entrenamiento. (Ver Imagen 18)
Hay que considerar que para el entrenamiento de este tipo de red el sistema
divide aleatoriamente los datos para que se cumpla la siguiente condición:
70% de los datos son para entrenamiento
15% de los datos son para validación de la red
15% de los datos son para prueba de la red
En las imágenes a continuación 17, 18 y 19 se puede ver el inicio y el fin de
los entrenamientos de la red. Por definición una red por backpropagation
entre sus tres graficas tiene subidas a nivel del error de validación cuando
se está cerca de le resultado más óptimo de la misma, esto se puede apreciar
en la imagen 18, así mismo se agregó la tabla 7 para demostrar a nivel de
error y regresión el proceso de la red durante los cuatro entrenamientos.
48
Imagen 17 Error del 1er entrenamiento de la red
backpropagation [85 50 10]
49
Imagen 19 Regresión del último entrenamiento de la red
Backpropagation de [85 50 10]
50
4.2.3 Entrenamiento de la red Backpropagation de 100 neuronas ocultas en la
primera capa y 85 en la segunda capa
La red Backpropagation de 100-85-10 en su entrenamiento demostró tener
el mejor desempeño entre las redes trabajadas después de cada
entrenamiento, durante este proceso el mejor resultado obtenido fue de
6.341 x 10^-9 de error el cual fue conseguido durante su cuarto y último
entrenamiento.
Al igual que en el caso de entrenamiento anterior al tratarse de una red
backpropagation los entrenamientos presentan las 3 diferentes gráficas
correspondientes al entrenamiento, validación y prueba.
En esta red el entrenamiento inicial presentó una mejor respuesta desde el
primer entrenamiento (ver imagen 20, 21, 22 y 23)
En la imagen 21 se puede ver la gráfica del estado final del entrenamiento,
se puede apreciar que los números son bastante bajos para los tres tipos de
errores generados, también en la imagen 23 se aprecia la regresión en 0.99
para los dos de los tres tipos de datos y 0.95 en la validación.
La tabla 8 también demuestra todo el proceso de evolución de esta red
durante su entrenamiento, a nivel de error y regresión.
51
Imagen 20 Error del primer entrenamiento de
la red backpropagation de [100 85 10]
52
Imagen 22 Regresión del primer entrenamiento de la red
backpropagation de [100 85 10]
53
Al comparar los resultados los resultados obtenidos de las redes anteriores con
la red backpropagation de [100 85 10] se concluye que la red backpropagation
es la más adecuada para nuestro análisis de estudio, sin embargo esto deberá
ser comprobado con las simulaciones del sistema. En la tabla 9 se puede
apreciar un comparativo de los resultados de las redes trabajadas.
Red LVQ [85 10]
Primer Segundo Tercer Cuarto
Entrenamient Entrenamient Entrenamient Entrenamient
o o o o
Error 0.07633 0.07633 0.07633 0.077515
Red Backpropagation [85 50 10]
Primer Segundo Tercer Cuarto
Entrenamient Entrenamient Entrenamient Entrenamient
o o o o
Error
Entrenamient 5.269 x 10^-9 4.621 x 10^-5 2.55 x 10^-5 1.414 x 10^-6
o
Error
0.03199 0.01114 0.01687 0.03059
Validación
Error
0.02074 0.003795 0.04268 0.01495
Prueba
Regresión 0.96 0.96 0.96 0.96
Red Backpropagation [100 85 10]
Primer Segundo Tercer Cuarto
Entrenamient Entrenamient Entrenamient Entrenamient
o o o o
Error
Entrenamient 3.029 x 10^-9 1.321 x 10^-9 1.401 x 10^-9 2.67 x 10^-10
o
Error
0.02534 0.00414 9.158 x 10^-7 0.009217
Validación
Error
8.606 x 10-5 0.004896 7.452 x 10^-7 5.512 x 10^-6
Prueba
Regresión 0.98 0.98 0.98 0.99
Tabla 9 Tabla comparativa de resultados de las redes entrenadas
54
Capítulo V - Simulación y pruebas de la red
Por los entrenamientos del capítulo anterior se definió que entre las redes
entrenadas la red backpropagation de 3 capas con 100 neuronas en la primera
capa, 85 en la segunda y 10 en la salida dio el mejor resultado.
55
Imagen 24 Posición de entrada y punto de la emergencia
56
Para estas entradas el sistema ha respondido de la siguiente manera (ver
imagen 26):
Viendo más a detalle se puede ver que los bits 1,2 y 5 de los bits de salida
son los que se están activando. El bit 5 en el cruce de Av. Benavides con Av.
Caminos del inca en las primeras etapas del recorrido y los bits 1 y 2 a finales
primero dejando el paso en el bit 2 por el sentido hacia el Noroeste y en el
momento que cambia la dirección hacia Av. Velasco Astete, el semáforo
cambia a el bit 1 en sentido al noreste.
Las imágenes 27, 28 y 29 separan por salidas los bits 1, 2 y 5 para poder
apreciar mejor el resultado.
58
Imagen 30 Posición de entrada y punto de la emergencia Entorno 2
La simulación desarrollada en el simulink divide los tiempos por segundo, por lo que
este caso tendrá un tiempo equivalente de 1800 segundos (60segundos x
30minutos)
Para convertir estos puntos al tiempo correcto se realiza una regla de tres para
determinar el tiempo que le tomará pasar por cada punto a la unidad. Después de
ello, en el signal builder del simulink se ingresaran los datos según los tiempos
calculados (ver imagen 31).
59
Imagen 31 Entradas del tiempo 0 a 1800 de las distintas posiciones y dirección de
la unidad de bomberos
60
Imagen 32 Respuesta de la red neuronal para el entorno 2
Este resultado demuestra leves irregularidades pero que para un sistema binario
son consideradas aun como 1 o 0 lógico. Para poder apreciar a mayor detalle esto
se procede a visualizar en las imágenes 33, 34, 35 y 36 donde se encuentran estas
irregularidades.
Imagen 33 Salida 5
61
Imagen 34 Salida 6
Imagen 35 Salida 8
Imagen 36 Salida 10
62
Debido a estas irregularidades se procedió a analizar si con más
entrenamientos la red mejoraba su respuesta ante este caso, el resultado
fue que al 6to entrenamiento la red corregía estas irregularidades.
63
Los datos de entrada se ingresan a través el signal builder (ver imagen 38),
estos datos han sido escalados considerando 26 puntos del primer punto del
área de reconocimiento hasta la ubicación de la emergencia.
Los datos de salida para este caso demuestran respuestas sin errores y
tiempos precisos para el movimiento de la unidad según los puntos. En la
imagen 39 se puede ver la respuesta general del sistema. En esta los colores
indican que solo se ha levantado un solo bit para cada uno de los cambios. Las
imágenes 40, 41 y 42 también muestran la misma respuesta, pero para cada
salida activada independientemente.
64
Imagen 39 Respuesta general de salidas en entorno 3
65
Imagen 42 Respuesta de salida 3 de salidas en entorno 3
66
Conclusiones
68
Recomendaciones
69
Bibliografía y Referencias
70
[8] C.O. Natareno, “Inteligencia Artificial aplicada al tránsito en la Ciudad de
Guatemala utilizando redes neuronales”, Tesis para obtener el grado de
Ingeniero, Ing. en Ciencias y Sistemas, Universidad de San Carlos de
Guatemala, Guatemala, 2011
71
http://www.virtual.unal.edu.co/cursos/ingenieria/2001832/lecciones/cap_4/intr
o_rna.htm
72
[24] TSS Transport Simulation System, “Aisun”, Acceso Octubre 2015 [Online].
Disponible: http://www.aimsun.com/wp/?page_id=2019&lang=es
73
Anexo
74
Anexo 2 Víctimas de accidentes de tránsito fatales 2005-2013
75
Anexo 3 Accidentes de Tránsito 2003-2014
76
Anexo 4 Tasa de accidentes de Tránsito por cada 10,000 habitantes
77
Anexo 5 Estadística de emergencias atendidas por el CGBVP a nivel nacional
78