Una heurística de densidad para detectar ubicaciones de hogares en comunidades universitarias mediante Big Data

Autores/as

DOI:

https://doi.org/10.17533/udea.redin.20240938

Palabras clave:

Algoritmos, Análisis de datos, Visualización de datos, Procesamiento de datos, Reconocimiento de patrones

Resumen

En la era del Big Data, la abundancia de datos ofrece oportunidades sin precedentes para obtener información valiosa sobre el comportamiento y las actividades humanas. Este estudio se centra en el aprovechamiento de los datos recogidos de las aplicaciones móviles utilizadas por los estudiantes de una universidad local para identificar la ubicación de sus hogares y otros puntos de interés compartidos. A través de esta investigación, se pretende mejorar la comprensión de los patrones de movilidad dentro de las comunidades de estudiantes, proporcionando información valiosa para la toma de decisiones en la planificación del transporte y las cuestiones relacionadas con la movilidad en las zonas circundantes. Este artículo presenta una heurística a partir de clustering basado en densidades para detectar las ubicaciones de los hogares a partir de grandes volúmenes de datos, recopilados en tiempo real por una aplicación móvil. Los resultados demuestran una precisión satisfactoria, con potencial de mejora a medida que se adquieren datos adicionales, evidenciando un potencial de posibles aplicaciones y servicios futuros.

|Resumen
= 130 veces | PDF (ENGLISH)
= 63 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Iván Mendoza, Universidad del Azuay

Professor and Researcher, Science and Technology Department

Andrés Baquero-Larriva, Universidad del Azuay

Professor, Science and Technology Department

Gustavo Andrés Álvarez-Coello, Universidad del Azuay

Professor, Sciences and Technology Department

Citas

J. Osorio-Arjona and J. C. García-Palomares, “Social media and urban mobility: Using twitter to calculate home-work travel matrices,” Cities, vol. 89, pp. 268–280, 2019.

L. Pappalardo, L. Ferres, M. Sacasa, C. Cattuto, and L. Bravo, “Evaluation of home detection algorithms on mobile phone data using individual-level ground truth,” EPJ data science, vol. 10, no. 1, p. 29, 2021.

R. Ahas, S. Silm, O. Järv, E. Saluveer, and M. Tiru, “Using mobile positioning data to model locations meaningful to users of mobile phones,” Journal of urban technology, vol. 17, no. 1, pp. 3–27, 2010.

L. Gauvin, M. Tizzoni, S. Piaggesi, A. Young, N. Adler, S. Verhulst, L. Ferres, and C. Cattuto, “Gender gaps in urban mobility,” Humanities and Social Sciences Communications, vol. 7, no. 1, pp. 1–13, 2020.

M. Vanhoof, F. Reis, T. Ploetz, and Z. Smoreda, “Assessing the quality of home detection from mobile phone data for official statistics,” Journal of Official Statistics, vol. 34, no. 4, pp. 935–960, 2018.

I. Bojic, E. Massaro, A. Belyi, S. Sobolevsky, and C. Ratti, “Choosing the right home location definition method for the given dataset,” in Social Informatics: 7th International Conference, SocInfo 2015, Beijing, China, December 9-12, 2015, Proceedings 7. Springer, 2015, pp. 194–208.

I. Mendoza, G. Alvarez, M. Coello, J. López, and P. Carvallo, “Automatic estimation of demand matrices for universities throughmobiledevices,”in2020IEEEANDESCON. IEEE, 2020, pp. 1–6.

E. Schubert, J. Sander, M. Ester, H. P. Kriegel, and X. Xu, “Dbscan revisited, revisited: why and how you should (still) use dbscan,” ACM Transactions on Database Systems (TODS), vol. 42, no. 3, pp. 1–21, 2017

Descargas

Publicado

2024-09-02

Cómo citar

Mendoza, I., Baquero-Larriva, A., & Álvarez-Coello, G. A. (2024). Una heurística de densidad para detectar ubicaciones de hogares en comunidades universitarias mediante Big Data. Revista Facultad De Ingeniería Universidad De Antioquia, (114), 51–62. https://doi.org/10.17533/udea.redin.20240938

Número

Sección

Artículo de investigación