Repositorio Universidad del Cauca

Algoritmo Greedy para predecir el índice de servicio de pavimento basado en agrupación y regresión lineal o no lineal

Mostrar el registro sencillo del ítem

dc.contributor.author Anacona Campo, Francisco Javier
dc.date.accessioned 2023-10-30T19:55:40Z
dc.date.available 2023-10-30T19:55:40Z
dc.date.issued 2023
dc.identifier.uri http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/8582
dc.description.abstract Uno de los problemas más complejos en la gestión de pavimentos consiste en saber cómo mantener y reparar las carreteras con el menor costo posible y afectando en menor medida el servicio que ellas prestan. Una estrategia muy utilizada para definir cuando una carretera requiere mantenimiento o reparación es la que se basa en el índice de servicio del pavimento (Pavement Serviceability Index, PSI), dicho valor entre más cercano a 5 expresa que la carretera está en óptimas condiciones, mientras que al bajar a 0 quiere decir que la carretera está casi inservible. Predecir el valor del PSI es muy importante en este escenario, ya que esto permite planear a futuro que intervenciones se deben realizar en las carreteras, buscando que sean menos costosas que una rehabilitación completa. Para predecir este valor, en el estado del arte se encuentran diferentes técnicas, entre ellas las basadas en machine learning y más específicamente el modelo de clusterwise linear regresión (CLR) que reporta los mejores resultados. Los trabajos previos muestran que construir este modelo es costoso en tiempo y ese costo crece exponencialmente en la medida que el número de registros de entrenamiento aumenta. En esta investigación se presenta un algoritmo Greedy que crea un modelo CLR con base en un conjunto de muestras de pavimentos tomados del departamento de transporte de Nevada en Estados Unidos. Este algoritmo es más eficiente que los presentados en el estado del arte (menor tiempo de construcción y mayor calidad en la predicción). El algoritmo permite definir grupos de tramos de carreteras con sus respectivos modelos de regresión lineal y los pesos de los atributos del dataset de entrenamiento para que en conjunto con el algoritmo 1-NN se facilite la asignación de un nuevo tramo de carretera al grupo adecuado y de esta forma predecir el valor de PSI con el modelo de regresión de dicho grupo. spa
dc.language.iso spa
dc.publisher Universidad del Cauca spa
dc.rights.uri https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject Algoritmo voraz spa
dc.subject Predicción spa
dc.subject PSI spa
dc.subject Pavimentos spa
dc.subject Agrupación inteligente spa
dc.subject CLR eng
dc.subject CNLR eng
dc.title Algoritmo Greedy para predecir el índice de servicio de pavimento basado en agrupación y regresión lineal o no lineal spa
dc.type Tesis maestría spa
dc.rights.creativecommons https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.type.driver info:eu-repo/semantics/masterThesis
dc.type.coar http://purl.org/coar/resource_type/c_bdcc
dc.publisher.faculty Facultad de Ingeniería Electrónica y Telecomunicaciones spa
dc.publisher.program Maestría en Computación spa
dc.rights.accessrights info:eu-repo/semantics/openAccess
dc.type.version info:eu-repo/semantics/acceptedVersion
dc.identifier.instname
dc.identifier.reponame
oaire.accessrights http://purl.org/coar/access_right/c_abf2
dc.identifier.repourl
oaire.version http://purl.org/coar/version/c_ab4af688f83e57aa


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/ Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/

Buscar en DSpace


Búsqueda avanzada

Listar

Mi cuenta