«Utilización de Deep Learning y Software de Movilidad Urbana para la predicción de ́variables del tráfico en la zona de Ybera – San Lorenzo», se denomina la presentación del Trabajo Final de Grado (TFG) que presentaron los ahora ingenieros Elvia Patricia Martínez Martínez y Walter Guillermo Daniel Gamarra, como última prueba para egresar de la carrera de Ingeniería Electrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La exitosa defensa del trabajo se realizó el viernes 28 de Agosto en el Auditorio de CITEC, ubicado en Isla Bogado – Luque.

El tráfico, ası como la congestión y el colapso del mismo son fenómenos que a la fecha de hoy han sido largamente ́estudiados. La razón de esto es la enorme importancia que tiene el tráfico en el bienestar de los que viven en cierta zona o la ́transitan y en el interés económico de los diversos sectores que ven cómo su productividad o ganancias son afectadas, directa o indirectamente, por las condiciones del tráfico. No menos ́relevante es el hecho de que la fluidez del tráfico puede resultar determinante en situaciones de emergencia, en el caso de que el tiempo de respuesta a determinada situación sea un factor crıtico.

Hay un consenso general de que tanto el crecimiento de la población como el crecimiento de la economía (relacionado con el número de vehıculos y necesidad de traslados) se desarrollan a un ritmo que sobrepasa las posibilidades de crecimiento de la infraestructura vial de una población dada, por lo tanto, todas ́las grandes ciudades son propensas a experimentar problemas de congestión de tráfico. Debido a la enorme importancia que tiene el tráfico, existen numerosas publicaciones que analizan ́las causas que llevan a su congestión y profundizan en el ́estudio de sus distintos tipos de colapsos.

El Trabajo Final de Grado presentado propone la utilización de métodos de inteligencia artificial para la predicción de ́variables de tráfico que miden la congestión vehicular en la zona de Ybera – San Lorenzo. Se utilizan ́redes neuronales profundas para determinar cuánto tiempo pierden los vehıculos, dependiendo de las cantidades de automotores que se estima circulan en la red de tráfico y las configuraciones de ́los semáforos de dicha zona. Con dichas redes, se obtiene una reducción del tiempo de cálculo de alrededor de mil veces con respecto al simulador con una pérdida de precisión menor al 10 %. ́Se utilizan además algoritmos genéticos para demostrar la utilidad de dichos métodos a la hora de ́buscar estrategias para lidiar con la ralentización del flujo vehicular. Finalmente, se implementa ́una interfaz gráfica de usuario para manipular el sistema completo de una manera amigable.