Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/14630| Tipo de material: | masterThesis |
| Título : | Neural Network with Graph Convolutional Network and Long Short TermMemory for Predicting Average Urban Traffic Speed |
| Autor : | Corella Medina, Paul Santiago |
| Director de Tesis : | Pineda, Israel, dir. |
| Descriptores : | Inteligencia artificial - Redes - Tesis y disertaciones académicas |
| Fecha de publicación : | 1-dic-2024 |
| Editorial : | Quito |
| Citación : | Tesis (Magíster en Ciencia de Datos), Universidad San Francisco de Quito, Colegio de Posgrados; Quito, Ecuador, 2024 |
| Páginas : | 20 h. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | La gestión del tráfico urbano enfrenta desafíos crecientes debido al aumento poblacional, la saturación vial y las deficiencias en la infraestructura. Este proyecto presenta un modelo híbrido que combina Redes Convolucionales de Grafos (GCN) y Memoria a Largo y Corto Plazo (LSTM) para predecir la velocidad promedio del tráfico en intersecciones urbanas, aprovechando las dependencias espaciales y temporales... |
| Descripción : | Urban traffic management faces growing challenges due to population growth, road saturation, and infrastructure deficiencies. This project presents a hybrid model that combines Graph Convolutional Networks (GCN) and Long Short-Term Memory (LSTM) to predict the average traffic speed at urban intersections, leveraging spatial and temporal dependencies... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/14630 |
| Aparece en las colecciones: | Tesis - Maestría en Ciencia de Datos |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 339073.PDF | Texto completo | 3.25 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
