Predicción de localización de puestos de trabajo con redes neuronales sobre imágenes satelitales
| dc.catalogador | pva | |
| dc.contributor.advisor | Muñoz Abogabir, Juan Carlos | |
| dc.contributor.advisor | Löbel Díaz, Hans-Albert | |
| dc.contributor.author | Pizarro Kumpf, Paulina Andrea | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2024-10-25T14:47:50Z | |
| dc.date.available | 2024-10-25T14:47:50Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2024 | |
| dc.description.abstract | La localización de trabajos dentro de las ciudades es fundamental para planificar adecuadamente los sistemas de transporte. Al ser el propósito laboral el más cuantioso dentro de los motivos de viaje en horas punta, conocer la ubicación y concentración de estos atractores/generadores de viaje permite evaluar el efecto de modificaciones de servicios, infraestructura, políticas de transporte, entre otros. Entre las metodologías tradicionales empleadas para recabar esta información se encuentra la realización de encuestas, las que son costosas de implementar y, por consecuencia, suelen no realizarse frecuentemente por lo que la información se encuentra desactualizada. A modo de enfrentar estas dificultades, en esta investigación se propone el uso de redes neuronales convolucionales (CNN) sobre imágenes satelitales para predecir la localización de trabajos en la ciudad de Santiago. Utilizando una imagen satelital de Santiago, se georreferencia información de empresas y usos de suelo, y se genera un conjunto de datos que se utiliza para entrenar diferentes arquitecturas de redes neuronales convolucionales. Se utiliza transfer learning para hacer más eficiente el entrenamiento y se comparan modelos de una y dos entradas, obteniendo mejores resultados para el segundo. Se proponen y se evalúan tres modelos de clasificación y uno de regresión, obteniendo un balanced accuracy de 27% para el modelo de 10 clases, 52% para el modelo de 4 clases y 85% para el modelo de clasificación binario. Los resultados obtenidos muestran que es posible utilizar CNN sobre imágenes satelitales para interpretar presencia de actividades laborales y por consecuencia localizarlas. Entre las recomendaciones para trabajos futuros, se propone el uso de base de datos con localización laboral más precisa, información de usos de suelo a nivel de predios que permita asignar los trabajos a un área y no a un punto, y probar otras arquitecturas de red, como modelos de clasificación jerárquicos. | |
| dc.fechaingreso.objetodigital | 2024-10-25 | |
| dc.format.extent | x, 59 páginas | |
| dc.fuente.origen | SRIA | |
| dc.identifier.doi | 10.7764/tesisUC/ING/88365 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/88365 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/88365 | |
| dc.information.autoruc | Escuela de Ingeniería; Muñoz Abogabir, Juan Carlos; 0000-0003-1775-985X; 75822 | |
| dc.information.autoruc | Escuela de Ingeniería; Löbel Díaz, Hans-Albert; 0000-0003-3514-9414; 131278 | |
| dc.information.autoruc | Escuela de Ingeniería; Pizarro Kumpf, Paulina Andrea; S/I; 223155 | |
| dc.language.iso | es | |
| dc.nota.acceso | contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject | Localización de trabajos | |
| dc.subject | Aprendizaje de máquina | |
| dc.subject | Imágenes satelitales | |
| dc.subject | Ciudad inteligente | |
| dc.subject.ddc | 620 | |
| dc.subject.dewey | Ingeniería | es_ES |
| dc.subject.ods | 11 Sustainable cities and communities | |
| dc.subject.odspa | 11 Ciudades y comunidades sostenibles | |
| dc.title | Predicción de localización de puestos de trabajo con redes neuronales sobre imágenes satelitales | |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 75822 | |
| sipa.codpersvinculados | 131278 | |
| sipa.codpersvinculados | 223155 |