Autonomous Vehicle Research Papers - Academia.edu (original) (raw)

En el periodo de la democratizacion de la informacion y la masicacion de datos, donde
cada aparato electronico genera datos de varios tipos y estructuras, sean estos sobre nuestra posicion geografica, nuestros gustos, nuestra informacion personal, familiar, profesional, entre otros. La curiosidad humana ha llegado mas lejos de lo que hace unas decadas atras se hubiese imaginado, de manera similar el aumento y mejora constante de la potencia del hardware de procesamiento para esta masificacion de datos, nos ha llevado a utilizar algoritmos de manera mas eficiente a cuando estos algoritmos fueron desarrollados, llevandonos a procesar millones datos historicos para predecir el comportamiento futuro de algun sistema natural o articial, esto ha motivado la realizacion de este trabajo, el cual consiste en definitiva evitar colisiones o accidentes en los vehiculos, prediciendo los puntos geograficos donde ocurriran estas colisiones, con la ayuda de datos previos de ubicacion GPS, de los accidentes y las redes neuronales profundas DNN por sus siglas en ingles. El desarrollo de este trabajo tiene como base el estudio realizado en el paper \Predicting Traffic Accidents Through Heterogeneous UrbanData: A Case Study". (Zhuoning Yuan, 2017), muestra exploraciones de tecnicas efectivas para abordar los desafios de la prediccion de accidentes de trafico, y obtener mejores resultados de prediccion, lo formula como un problema de clasicacion binaria. Para cada segmento de la carretera en cada hora, predice si ocurrira o no un accidente, para ello compara varios algoritmos, demostrando que el modelo que mejor funciona es el DNN. Los autores del paper consideran muchas caracteristicas en su modelo, incluyen varios atributos de tiempo, clima, carretera y factores humanos, para este trabajo se consideran pocas caracterirsticas, se utiliza el DNN modelado en el paper original, ademas se utiliza el metodo geohashes para agrupar la geo ubicacion de los incidentes. Se utiliza la arquitectura de red completamente conectada con 3 capas ocultas, con las conguraciones predeterminadas sugeridas por los autores, utilizando dropout regularization para prevenir sobreajustes, y una salida binaria.