Modelo de aforo automatizado para estudios de movilidad utilizando reconocimiento facial en el sistema integrado de transporte de Bogotá (sitp)

dc.contributor.advisorLadino Moreno, Edgar Orlando
dc.contributor.authorDíaz Gúzman, Edixon Esteban
dc.contributor.authorGalindo Arevalo, Oscar
dc.contributor.orcidLadino Moreno, Edgar Orlando [0000-0002-7770-452X]
dc.date.accessioned2025-05-29T14:36:00Z
dc.date.available2025-05-29T14:36:00Z
dc.date.created2025-05-13
dc.descriptionEl presente trabajo realiza y desarrolla una metodología para la generación de matrices origen-destino en estudios de movilidad, utilizando herramientas avanzadas de reconocimiento facial. Para ello, se realiza una recopilación bibliográfica que abarca dos temas. En primer lugar, se analizan los modelos de generación de matrices origen-destino, clasificando sus ventajas y desventajas en términos de precisión, tiempo de elaboración para estudios de movilidad. En segundo lugar, se estudian los modelos preentrenados de reconocimiento facial, evaluando sus precisiones y capacidades en distintos contextos. La experimentación propuesta en este trabajo se centra en la aplicación de modelos de reconocimiento facial para el registro de usuarios durante la subida y bajada de los usuarios en el Sistema Integrado de Transporte Público (SITP). A partir de este análisis, se selecciona el modelo más adecuado para este caso, siendo DeepFace el punto de partida para la implementación de códigos que permitan capturar y comparar rostros. Como resultado, se plantea una metodología de captura de información basada en el reconocimiento facial, orientada a la generación de matrices origen-destino en tiempo real. Este enfoque busca proporcionar pares origen-destino, mejorando la eficiencia en los estudios de movilidad urbana y abriendo nuevas posibilidades para la optimización del transporte público.
dc.description.abstractThis work carries out and develops a methodology for the generation of origindestination matrices in mobility studies, using advanced facial recognition tools. For this, a bibliographic compilation is carried out that covers two topics. Firstly, the origin-destination matrix generation models are analyzed, classifying their advantages and disadvantages in terms of precision, preparation time for mobility studies. Secondly, pre-trained facial recognition models are studied, evaluating their precision and capabilities in different contexts. The experimentation proposed in this work focuses on the application of facial recognition models for user registration during the loading and unloading of users in the Integrated Public Transport System (SITP). From this analysis, the most appropriate model is selected for this case, with DeepFace being the starting point for the implementation of codes that allow capturing and comparing faces. As a result, a facial recognition-based information capture methodology is proposed, aimed at generating origin-destination matrices in real time. This approach seeks to provide accurate origin-destination pairs, improving the accuracy and efficiency of urban mobility studies and opening up new possibilities for public transportation optimization.
dc.format.mimetypepdf
dc.identifier.urihttp://hdl.handle.net/11349/95789
dc.relation.referencesR. GIl Romero y M.L Nieto Antolinez, (2017) “Estimación de la matriz Origen- Destino a partir del uso de las Tarjetas Inteligentes: Componente Troncal del SITP” (1st ed.) [online]. Available: https://repositorio.uniandes.edu.co/entities/publication/e14d9adb-baab-416a-915f- 21117c1936d8
dc.relation.referencesL. L. Amézquita, D. F. Durán Matiz, y D. H. Fajardo Morales, “MATRIZ ORIGEN-DESTINO Y EFICIENCIA EN MODOS DE TRANSPORTE URBANO: UN ANÁLISIS DE LA MOVILIDAD DE BOGOTÁ”, Semest. Econ., vol. 19, n.º 39, pp. 91-112, 1
dc.relation.referencesK. Ariza Beltran “Metodología para la construcción de la matriz origen-destino de las rutas de alimentación de las fases I y II de Transmilenio con base en los registros del Sistema Integrado de Recaudo y del Sistema de Ayuda a la Explotación” tesis de maestría en ingeniería civil, UniAndes, Bogotá, 2018.
dc.relation.referencesL. M. Romero Pérez, N. Cáceres Sánchez, F. García Benítez y A. Reyes Gutiérrez, “Estimación de una matriz origen-destino a partir de la telefonía móvil y otros datos de fuentes heterogéneas” en Xll Congreso de ingeniería del transporte, Valencia, España, 2018 pp 1-15.
dc.relation.referencesM. L. Dorado Pineda, A. Mendoza Diaz, J. L. Gutiérrez Hernández y E. Abarca Pérez, “Matrices Origen-Destino (O-D) multiproducto para el autotransporte nacional de carga”
dc.relation.referencesL. D. G. Bernal, C. Quiroga y L. K. Q. Gómez, “DFSS PARA LA ESTIMACIÓN EFICIENTE DE LA MATRIZ ORIGEN-DESTINO DEL SISTEMA BRT DE BOGOTÁ”, Rev. Latinoamericana Inovacao Eng. Prod., vol. 7, n.º 12, p. 101, diciembre de 2019. [En línea]. Disponible: https://doi.org/10.5380/relainep.v7i12.70711
dc.relation.referencesM. L. Jiménez Narváez y J. A. Soto Mejía, “Utilización de tarjetas inteligentes para estimar matrices origen-destino. Aplicación al sistema Megabús, Pereira”, Cienc. Ing. Neogranadina, vol. 26, n.º 2, pp. 73–93, agosto de 2016. Accedido el 28 de febrero de 2024. [En línea]. Disponible: https://doi.org/10.18359/rcin.1661
dc.relation.referencesC. Pineda, D. Schwarz, E. Godoy “Comparación y validación de matrices origen-destino de viajes en Metro de Santiago obtenidas a partir de encuestas y de transacciones de pago”, Estud. Transp. (EDTR), vol. 19, n. º 01: 55-72, 2015.
dc.relation.referencesJ. J. Barry, R. Newhouser, A. Rahbee y S. Sayeda, “Origin and Destination Estimation in New York City with Automated Fare System Data”, Transp. Res. Rec.: J. Transp. Res. Board, vol. 1817, n.º 1, pp. 183–187, enero de 2002. [En línea]. Disponible: https://doi.org/10.3141/1817-24
dc.relation.referencesH. Cirqueira Mesquita y M. J. Amaral, “Matriz o/d com base nos dados do sistema de bilhetagem eletrônica”, tesis, Universidade Federal de Goiás, goiânia, Brazil, 2016.
dc.relation.referencesN. G. Partha Sarathi y C. Obed Otto, «Fare management system for transport corporation using face recognition based on principal component analysis», 2014, pp. 1- 5.
dc.relation.referencesE. M. Clavijo Rosa, “Construcción de una matriz origen-destino para el transporte público en Montevideo”, Tesis, Facultad de ingeniera, Universidad ORT Uruguay, Montevideo, Uruguay, (2018). Disponible: https://rad.ort.edu.uy/handle/20.500.11968/3765
dc.relation.referencesG. Ortega and S. Armando, “Prototipo para el conteo de personas mediante la detección de rostros en el transporte público.,” Recursos Electronicos, nov. 2019, [Online]. Available: http://erecursos.uacj.mx/handle/20.500.11961/5720
dc.relation.referencesG.T. Oliveira y C.D. Nassi, “Estimación de matriz origen-destino a partir de datos de tarjetas inteligentes: una revisión bibliográfica” Estudios de transporte vol. 19 n.°01: 76-86, 2015.
dc.relation.referencesY. Cañon-Lozano, A. Melo-Castillo, C. A. Gomez-Perilla, K. Banse and L. F. Herrera-Quintero, "Web service platform for automatic generation of O/D matrix for mass transportation systems," 2013 13th International Conference on ITS Telecommunications (ITST), Tampere, Finland, 2013, pp. 462-467, doi: 10.1109/ITST.2013.6685589.
dc.relation.referencesJ. -W. Perng, T. -Y. Wang, Y. -W. Hsu and B. -F. Wu, "The design and implementation of a vision-based people counting system in buses," 2016 International Conference on System Science and Engineering (ICSSE), Puli, Taiwan, 2016, pp. 1-3, doi: 10.1109/ICSSE.2016.7551620.
dc.relation.referencesJ. S. Lumentut, F. E. Gunawan,et al., “Evaluation of recursive back-ground subtraction algorithms for real-time passenger counting at busrapid transit system,”Procedia Computer Science, vol. 59, pp. 445–453,2015.
dc.relation.referencesC. Labit-Bonis, J. Thomas, and F. Lerasle, “Visual and automatic buspassenger counting based on a deep tracking-by-detection system.”working paper or preprint, oct. 2021.
dc.relation.referencesD. E. Espinoza Olguín and P. I. Jorquera Guillen “Reconocimiento Facial”, Tesis, Facultad de ingeniera, Pontificia Universidad Católica de Valparaíso, Valparaíso, Chile, (2015). Disponible: Reconocimiento facial (ucv.cl).
dc.relation.referencesR. González Lozano, “Sistema de Reconocimiento Facial con Deep Learning”, Tesis, UC3M, Leganés, España, 2020.
dc.relation.referencesJ. A. Cadena Moreano, R. H. Montaluisa Pulloquinga, G. A. Flores Lagla, J. C. Chancúsig Chisag, y O. A. Guaypatín Pico, «Reconocimiento facial con base en imágenes», bol.redipe, vol. 6, n.º 5, pp. 143–151, may 2017.
dc.relation.referencesG. M. Scarel, "Sistema de reconocimiento facial." Proyecto final de carrera ingeniera en informática, Universidad Nacional del Litoral, Santa fe, Argentina, 2010.
dc.relation.referencesL. L. Amézquita, D. F. Durán Matiz, y D. H. Fajardo Morales, «MATRIZ ORIGEN-DESTINO Y EFICIENCIA EN MODOS DE TRANSPORTE URBANO: UN ANÁLISIS DE LA MOVILIDAD DE BOGOTÁ», Semest. Econ., vol. 19, n.º 39, pp. 91-112, 1.
dc.relation.referencesD. D. Verastegui Rayo, “estimación de matrices origen-destino y calibración de parámetros en el problema de asignación de tráfico en redes congestionadas”, Tesis doctoral, UCLM, Cuenca, España, 2011
dc.relation.references“SDM entrega resultados de la encuesta movilidad de Bogotá 2011”, secretaria Distrital de Movilidad, Bogotá, Anexo técnico, 01, 2012.
dc.relation.references“Encuesta de movilidad 2023”, Bogotá, diciembre de 2023. [En línea]. Disponible: https://observatorio.movilidadbogota.gov.co/sites/observatoriodes.movilidadbogota. gov.co/files/2024-05- 29/encuesta/Cartilla%20Encuesta%20de%20Movilidad%202023.pdf
dc.relation.referencesA. Ibeas, F. Gonzalez, L. dell Olio, y J. L. Moura, “Manual de Encuestas de Movilidad”. Escuela técnica Superior de Ingenieros de Caminos, Canales y Puertos de Santander, Primera Edición, diciembre 2007.
dc.relation.referencesIntroducción a NumPy. (2024)., Tomado de, https://www.w3schools.com/python/numpy/numpy_intro.asp
dc.relation.references“Conoce SQLite, el popular motor de bases de datos”. SoftZone. [En línea]. Disponible: https://www.softzone.es/programas/lenguajes/que-es-sqlite/
dc.relation.references“Deep Face Detection with RetinaFace in Python - Sefik Ilkin Serengil”. Sefik Ilkin Serengil. [En línea]. Disponible: https://sefiks.com/2021/04/27/deep-facedetection- with-retinaface-in-python/
dc.relation.references“deepface”. PyPI. Accedido el 22 de marzo de 2025. [En línea]. Disponible: https://pypi.org/project/deepface/
dc.relation.referencesD. Cochard. “ArcFace : A Machine Learning Model for Face Recognition.” Medium. [En línea]. Disponible: https://medium.com/axinc-ai/arcface-a-machinelearning- model-for-face-recognition-5f743cdac6fa
dc.relation.referencesD. Cochard. “RetinaFace: A Face Detection Model for High Resolution Images”. Medium. [En línea]. Disponible: https://medium.com/axinc-ai/retinaface-aface- detection-model-designed-for-high-resolution-6c3900771a01
dc.relation.references“¿Qué es Pandas (librería de Python): cómo funciona y para qué sirve? | LovTechnology”. LovTechnology. [En línea]. Disponible: https://lovtechnology.com/que-es-pandas-libreria-de-python-como-funciona-y-paraque- sirve/
dc.relation.referencesdatetime -- Basic date and time types”. Python documentation. [En línea]. Disponible: https://docs.python.org/es/3/library/datetime.html
dc.relation.references“Módulo random en Python: Cómo usarlo”. KeepCoding Bootcamps. [En línea]. Disponible: https://keepcoding.io/blog/modulo-random-enpython/#:~: text=El%20módulo%20random%20en%20Python%20es%20una%20he rramienta,introducir%20un%20elemento%20de%20azar%20en%20tu%20código.
dc.relation.references“▷ Que Es La Libreria Os En Python”. Programación Desde Cero. [En línea]. Disponible: https://programacion.top/python/que-es-la-libreria-os-en-python/
dc.relation.references“os -- Interfaces misceláneas del sistema operativo — documentación de Python - 3.10.16”. 3.13.2 Documentation. [En línea]. Disponible: https://docs.python.org/es/3.10/library/os.html
dc.relation.referencesE. Grisales Londoño “Sistema de reconocimiento de rostros a traves del clasificador Haarcascade,” Trabajo de grado, Facultad de ingenieria, Institucion Universitaria Pascual Bravo, Colombia, Medellin, (2022).
dc.relation.referencesL. GOmez “Control de acceso con reconocimiento facial usando Arduino,” CECyTEA, Mexico, Aguascalientes, (2024).
dc.relation.referencesY. J. Allen Ramirez, L. K. Tucker Knight “Sistema de reconocimiento facial de control de entrada y salida de los empleados de la universidad BICU recinto Bluefields,” Trabajo de grado, Escuela de informatica, Facultad de ciencias de la educacion y humanidades (FACEYH), Nicaragua, (2020).
dc.relation.referencesW. R. Asanza, B. M. Olivo “Redes nuronales artificiales aplicadas al reconocimiento de patrones” Primera edicion, Machala, Ecuador: Editorial Utmach, (2018).
dc.relation.references“Redes neuronales residuales - Lo que necesitas saber (ResNet) — DATA SCIENCE”. DATA SCIENCE. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://datascience.eu/es/aprendizaje-automatico/una-vision-generalde- resnet-y-sus-variantes/https://datascience.eu/es/aprendizaje-automatico/unavision- general-de-resnet-y-sus-variantes/
dc.relation.references“Librería openpyxl en python para manipular archivos excel | Concentra”. Concentra. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://concentra.com.ar/libreria-openpyxl-python/
dc.relation.references“csv â CSV File Reading and Writing”. Python documentation. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://docs.python.org/es/3/library/csv.html es/3/library/csv.html
dc.relation.references“OpenCV, Instalación en Python y ejemplos básicos”. Canal Informática y TICS. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://www.inesem.es/revistadigital/informatica-y-tics/opencv/
dc.relation.references“¿Qué es TensorFlow y para qué sirve?” Incentro. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://www.incentro.com/es-ES/blog/que-estensorflow
dc.relation.referencesEBIS Business Techschool. “Keras: Qué es, Para qué sirve, Características y Ejemplos”. EBIS Education. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://www.ebiseducation.com/keras-que-es-para-que-sirve-caracteristicas-yejemplos
dc.relation.references“¿Qué es Matplotlib y cómo funciona? | KeepCoding Bootcamps”. KeepCoding Bootcamps. Accedido el 25 de abril de 2025. [En línea]. Disponible: https://keepcoding.io/blog/que-es-matplotlib-y-como-funciona/
dc.rights.accesoAbierto (Texto Completo)
dc.rights.accessrightsOpenAccess
dc.subjectMovilidad
dc.subjectMatrices origen-destino
dc.subjectSITP
dc.subjectReconocimiento facial
dc.subject.keywordMobility
dc.subject.keywordOrigin-destination matrices
dc.subject.keywordSITP
dc.subject.keywordFacial recognition
dc.subject.lembIngeniería Civil -- Tesis y disertaciones académicas
dc.titleModelo de aforo automatizado para estudios de movilidad utilizando reconocimiento facial en el sistema integrado de transporte de Bogotá (sitp)
dc.title.titleenglishAutomated capacity model for mobility studies using facial recognition in the Bogotá integrated transportation system (sitp)
dc.typebachelorThesis
dc.type.degreeMonografía

Archivos

Bloque original

Mostrando 1 - 2 de 2
Cargando...
Miniatura
Nombre:
GalindoArevaloOscar2025.pdf
Tamaño:
1.37 MB
Formato:
Adobe Portable Document Format
No hay miniatura disponible
Nombre:
Licencia de uso y publicacion.pdf
Tamaño:
122.02 KB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
7 KB
Formato:
Item-specific license agreed upon to submission
Descripción: