Big Data y áreas de oportunidad para la proyección del Sistema Inteligente de Transporte en Bogotá, Colombia
Barra lateral del artículo
Contenido principal del artículo
Resumen
Hoy en día, en las grandes ciudades de Colombia, en especial en Bogotá, y debido al crecimiento de su población (9,3 millones con la llegada de inmigrantes), se exige una demanda de aporte a la proyección de sistemas inteligentes de transporte públicos y privados como un logro de la política de movilidad de la administración de la Bogotá Humana. De ahí surge el interrogante: ¿cuál es el desafío y las áreas de oportunidad de adaptar un Big Data en la proyección de un Sistema Inteligente de Transporte para todos los ciudadanos en Bogotá? A partir de esta pregunta, se propone determinar los aportes que el Big Data ofrece como centro de acopio en la proyección de un sistema inteligente para la ciudad. La indagación se plantea desde un enfoque cualitativo y un estudio descriptivo. Se incluye la revisión de algunos estudios realizados mediante las técnicas del Big Data y del análisis de datos de contenido de la estructura organizada de estos por la Secretaría Distrital de Movilidad en Bogotá. Los resultados permiten orientar los aportes del Big Data después de analizar la estructura de indicadores que ofrecen estos el conjunto de datos. A partir de estos, se encuentran brechas y vacíos preocupantes para el Sistema Inteligente de Transporte que se espera en el futuro para Bogotá.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, después de su publicación en la Revista la reproducción del artículo estará sujeto a la Licencia CC BY NC SA.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
Citas
Álvarez, A., & Patiño, A. (2015). Arquitectura empresarial y metodologías ágiles-Una combinación efectiva para hacer frente a los frecuentes cambios en el negocio. Actas de Ingeniería, 1, 145-152. https://es.scribd.com/document/410099179/Articulo-3-Arquitectura-empresarial-y-metodologias-agiles-Una-combinacion-efectiva-para-hacer-frente-a-los-frecuentes-cambios-en-el-negocio-pdf#
Arango-Serna, M. D., Londoño-Salazar, J. E., & Branch-Bedoya, J. W. (2015). Enfoque de arquitectura de solución, mecanismo para reducir la brecha entre la arquitectura empresarial y la implementación de soluciones tecnológicas. Dyna, 82(193), 117-126. http://dx.doi.org/10.15446/dyna.v82n193.46752 DOI: https://doi.org/10.15446/dyna.v82n193.46752
Aristizábal, J. A. (2016). Analítica de datos de aprendizaje (ADA) y gestión educativa. Gestión de la educación, 6(2), 149-168. https://doi.org/10.15517/rge.v1i2.25499 DOI: https://doi.org/10.15517/rge.v1i2.25499
Asadi, R., & Regan, A. (2019). A Spatial-Temporal Decomposition Based Deep Neural Network for Time Series Forecasting. ArXiv, 1(1), 1–17. http://arxiv.org/abs/1902.00636.
Barba González, C. (2018). Big Data Optimization: Algorithmic Framework for Data Analysis Guided by Semantics. [Tesis doctoral Universidad de Málaga]. https://riuma.uma.es/xmlui/handle/10630/17264?show=full
Bbvaapimarket.com. (2020). Reconocer los diferentes tipos te datos, indispensable la era del Big Data. https://bbvaopen4u.com/es/actualidad/reconocer-los-diferentes-tipos-de-datos-indispensable-en-la-era-del-big-data
Cao, T., Matyas, J. J., Renn, C. L., Faden, A. I., Dorsey, S. G., & Wu, J. (2020). Function and mechanisms of truncated BDNF receptor TrkB. T1 in neuropathic pain. Cells, 9(5), 1194. https://doi.org/10.3390/cells9051194 DOI: https://doi.org/10.3390/cells9051194
Cacho-Elizondo, S., & Lázaro Álvarez, J. D. (2018). Transformación digital de los negocios de network marketing, multinivel y ventas directas. El impacto de nuevas herramientas y plataformas digitales. The Anáhuac Journal, 18(2), 13-41. DOI: https://doi.org/10.36105/theanahuacjour.2018v18n2.01
Chagas, A., & Ferraz, C. (2017). Smart Vehicles for Smarter Cities: ContextAware V2X to Improve QoI. Anais Do XXIII Simpósio Brasileiro de Sistemas. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.inf.ufrgs.br/webmedia2017/wp-content/anaiswebmedia/files/wtd/wtd11.pdf
Chen, Y., Lv, Y., Wang, X., Li, L., & Wang, F. Y. (2018). Detecting Traffic Information from Social Media Texts With Deep Learning Approaches. IEEE Transactions on Intelligent Transportation Systems, 1(1), 1–1. https://doi.org/10.1109/TITS.2018.2871269. DOI: https://doi.org/10.1109/TITS.2018.2871269
Cheng, J., Cheng, J., Zhou, M., Liu, F., Gao, S., & Liu, C. (2015). Routing in internet of vehicles: A review. IEEE Transactions on Intelligent Transportation Systems, 16(5), 2339–2352. https://doi.org/10.1109/TITS.2015.2423667. DOI: https://doi.org/10.1109/TITS.2015.2423667
Chowdhury, M., Apon, A., & Dey, K. (2017). Data Analytics for Intelligent Transportation Systems. Elsevier. https://www.sciencedirect.com/book/9780128097151/data-analytics-for-intelligent-transportation-systems.
International Conference on Embedded and Ubiquitous Computing (EUC), Guangzhou, China, 2017, pp. 315-320, https://doi.org/10.1109/CSE-EUC.2017.63
Djahel, S., Jabeur, N., Barrett, R., & Murphy, J. (2015). Toward V2I communication technology-based solution for reducing road traffic congestion in smart cities. International Symposium on Networks, Computers and Communications, ISNCC 2015, 1(1), 6. https://doi.org/10.1109/ISNCC.2015.7238584. DOI: https://doi.org/10.1109/ISNCC.2015.7238584
Hafner, M. R., Cunningham, D., Caminiti, L., & Del Vecchio, D. (2013). Cooperative collision avoidance at intersections: Algorithms and experiments. IEEE Transactions on Intelligent Transportation Systems, 14(3), 1162–1175. https://doi doi.org/10.1109/TITS.2013.2252901. DOI: https://doi.org/10.1109/TITS.2013.2252901
Jin, Y., Li, J., Ma, D., Guo, X., & Yu, H. (2017). A Semi-Automatic Annotation Technology for Traffic Scene Image Labeling Based on Deep Learning Preprocessing. IEEE International Conference on Computational Science and Engineering (CSE) and IEEE DOI: https://doi.org/10.1109/CSE-EUC.2017.63
Kitzmann, N., Romanczuk, P., Wunderling, N., & Donges, J. F. (2022). Detecting contagious spreading of urban innovations on the global city network. European Physical Journal - Special Topics, 231(9), 1609-1624. https://doi.org/10.1140/epjs/s11734-022-00470-4 DOI: https://doi.org/10.1140/epjs/s11734-022-00470-4
Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. Y. (2015). Traffic Flow Prediction with Big Data: A Deep Learning Approach. IEEE Transactions on Intelligent Transportation. 16(2), 885-873. https://10.1109/TITS.2014.234566
Molina Araque, F. A., & Espitia Pineda, A. A. (2016). Propuesta de diseño e implementación de una aplicación móvil (App) como plataforma para compartir el uso del carro particular (carpooling) entre empleados de las sucursales en Bogotá de la empresa Claro Colombia SA., para teléfonos inteligentes cuyo sistema operativo sea Android 5.1 [tesis de especialización. Universidad Distrital Francisco José de Caldas]. https://repository.udistrital.edu.co/handle/11349/4536
Massobrio, R., Nesmachnow, S., Tchernykh, A., Avetisyan, A., & Radchenko, G. (2018). Towards a Cloud Computing Paradigm for Big Data Analysis in Smart Cities. Programming and Computer Software, 44(3), 181–189. https://doi.org/10.1134/S0361768818030052. DOI: https://doi.org/10.1134/S0361768818030052
Moovit. (2022). Estadísticas de transporte público en Bogotá. https://moovitapp.com/insights/es/Moovit_Insights_%C3%8Dndice_de_Transporte_P%C3%BAblico_Colombia_Bogota-762.
Piguave Peralta, D. (2022). Estudio de factibilidad de una Data Center para el procesamiento de la información en la carrera de Tecnologías de la Información [tesis grado, Universidad Estatal del Sur de Manabí] https://publications.pik-potsdam.de/pubman/faces/ViewItemOverviewPage.jsp?itemId=item_26817. http://repositorio.unesum.edu.ec/handle/53000/4321
Rincón-García, N., Bamford, D., Mayers, M., Carreño Vargas, J. E., & Roldan Nariño, R. F. (2020). Herramientas de transformación digital para mejorar la planificación urbana mediante el uso de la metodología de caso de negocio de transporte. Revista Espacios, 41(31), 296-304. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.revistaespacios.com/a20v41n31/a20v41n31p24.pdf
Ríos Rodríguez, L. E. (2020). Análisis de datos de sentimientos enfocados al servicio de transporte masivo Transmilenio SA aplicando tecnologías Big Data. http://hdl.handle.net/11371/2907.
Rocha Tamayo, E., & Villarreal Vásquez, C. (2018). Impacto del uso de Big Data en la gestión de movilidad vehicular en el cantón de la libertad [Tesis de grado, Universidad de Guayaquil]. http://repositorio.ug.edu.ec/handle/redug/27297
Rogelez, F. J., Molina Hernández, I., & Marín, A. M. (2013). Sistema de semaforización inteligente en la ciudad de Bogotá para mejorar los tiempos de recorrido del sistema Transmilenio. Traza, 1(7), 10-29. https://ciencia.lasalle.edu.co/tr/vol1/iss7/2/
Secretaría Distrital de Movilidad – SDM. (2019). Encuesta de movilidad en Bogotá. https://observatorio.movilidadbogota.gov.co/encuestas_de_movilidad
Serrano-Cobos, J. (2013). Microsoft Big Data y not so Big Data. Anuario ThinkEPI, 7, 161-163.
Suat-Rojas N. (2021). Extracción y análisis de información de accidentes de tránsito desde redes sociales. http://repositorio.unal.edu.co/handle/unal/80927
Tabares, L. F., & Hernández, J. F. (2014). ISAM. Big Data Analytics: Oportunidades, Retos y Tendencias. Universidad de San Buenaventura. https://gc.scalahed.com/recursos/files/r161r/w25569w/Big%20Data%20Analytics.pdf
Tian, Y., Hu, W., Du, B., Hu, S., Nie, C., & Zhang, C. (2019). IQGA: A Route Selection Method Based on Quantum Genetic Algorithm - Toward Urban Traffic Management Under Big Data Environment. World Wide Web, 22(5), 2129–2151. https://doi.org/10.1007/s11280-018-0594-x. DOI: https://doi.org/10.1007/s11280-018-0594-x
Vásquez Ardila J., M. (20 de julio del 2021.) National Transportation Systems Center. Tránsito de Bogotá tomará decisiones a partir de datos, tecnología e innovación. https://bogota.gov.co/mi-ciudad/movilidad/tecnologia-e-innovacion-nuevo-aliado-del-transito-de-bogota
Vásquez García, D. M. (2015). Diseño de la Arquitectura Empresarial para el Sistema Inteligente de Transporte de Bogotá. Oracle. https://repository.udistrital.edu.co/handle/11349/2378.
Villalobos Fonseca, H. (2020). O desenvolvimento tecnológico em matéria policial: uma receita de sucesso para prevenir o delito. Revista de Relaciones Internacionales, Estrategia y Seguridad, 15(1), 79-97. https://doi.org/10.18359/ries.4243
Wang, S., Djahel, S., Zhang, Z., & McManis, J. (2016). Next Road Rerouting: A Multiagent System for Mitigating Unexpected Urban Traffic Congestion. IEEE Transactions on Intelligent Transportation Systems, 17(10), 2888–2899. https://doi.org/10.1109/TITS.2016.2531425. DOI: https://doi.org/10.1109/TITS.2016.2531425
Wu, Y., & Tan, H. (2016). Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework. School of Mechanical Engineering, Beijing Institute of Technology, 1(1), 1–14.: http://arxiv.org/abs/1612.01022.
Xiao, Z., Ponnambalam, L., Fu, X., & Zhang, W. (2017). Maritime Traffic Probabilistic Forecasting Based on Vessels’ Waterway Patterns and Motion Behaviors. IEEE Transactions on Intelligent Transportation Systems, 18(11), 3122–3134. https://doi.org/10.1109/TITS.2017.2681810. DOI: https://doi.org/10.1109/TITS.2017.2681810
Zanoon, N., Al-Haj, A., & Khwaldeh, S. M. (2017). Cloud Computing and Big Data is there a Relation between the Two: A Study. International Journal of Applied Engineering Research, 12(17), 973–4562. http://www.ripublication.com.
Zhu, M., Chen, W., Xia, J., Ma, Y., Zhang, Y., Luo, Y., Zhaosong, H., & Liu, L. (2019). Location2vec: a situation-aware representation for visual exploration of urban locations. IEEE Transactions On Intelligent Transportation Systems, 20(10), 3981-3990. DOI - 10.1109/TITS.2019.2901117 DOI: https://doi.org/10.1109/TITS.2019.2901117