Detección y conteo de evasores en el sistema de transporte Transmilenio
Archivos
Autores
Rodríguez Peraza, César Ivan
Director
Pedraza Bonilla, César Augusto
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2024
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Bogotá se encuentra entre las veinte ciudades con peor tráfico del mundo de acuerdo con el Ranking del Índice de Tráfico. Además, carece de un sistema de transporte público robusto; el sistema TransMilenio, en particular, presenta deficiencias operativas y económicas que agravan los problemas de movilidad en la ciudad. La más destacada de estas deficiencias es la evasión de pago, un fenómeno que hasta ahora ha sido difícil de cuantificar y, por consiguiente, de mitigar. Por esta razón, el objetivo de este trabajo es detectar y cuantificar a los evasores en los torniquetes del sistema TransMilenio. Para lograrlo, se exploraron diversas técnicas de procesamiento de imágenes y video, así como aprendizaje automático e inteligencia artificial. Este trabajo enfrenta varios retos, entre los que destacan el marcado desequilibrio en el conjunto de datos (3 de cada 100 personas son evasores), la sutileza en algunos eventos de evasión y los complejos entornos de las estaciones. El modelo con mejores resultados es capaz de identificar el 95% de los evasores, gracias a la aplicación de conceptos de vanguardia en aprendizaje no supervisado y auto-supervisado. (Texto tomado de la fuente).
Abstract
Bogotá ranks among the top 20 cities with the worst traffic according to Traffic Index. Furthermore, Bogotá lacks a robust public transportation system; TransMilenio has significant operational and financial shortcomings, which worsen the mobility issues in the city. One of the most prominent issues is fare evasion, a phenomenon that has been difficult to quantify. The primary objective of this study is to detect and quantify fare evaders at the turnstiles of TransMilenio. To achieve this, a variety of techniques were explored across fields such as image and video processing, machine learning, and artificial intelligence. This work faces several challenges, mainly the heavily imbalanced dataset (3 out of 100 people are evaders), the subtlety of some evasion events, and the complex environments in the stations. The model that yielded the best results can detect approximately 95% of fare evaders through the application of cutting-edge concepts in unsupervised and self-supervised learning.
Descripción Física/Lógica/Digital
ilustraciones, diagramas, fotografías