Defensa de la tesis "Deep learning para la predicción continua de la ocupación de aparcamientos en un entorno urbano".

Jurado

Sra. Florence Sèdes, Profesora, Univ. Paul Sabatier, Toulouse 3, Francia, Ponente
M. Nicolas Saunier, Profesor, CIRRELT, Polytechnique Montréal, Canadá, Ponente
Mr. Marian Scuturici, Profesor, INSA Lyon, Francia, Examinador Karine Zeitouni, Profesora, Université de Versailles Saint-Quentin-en-Yvelines, Francia, Examinadora Thierry Delot, Profesor, LAMIH, UPHF, Francia, Co-supervisor de tesis
Martin Trépanier, Profesor, LAMIH, UPHF, Francia, Co-supervisor de tesis Sr. Martin Trépanier, Profesor, CIRRELT, Polytechnique Montréal, Canadá, Co-supervisor de tesis
Sr. Abdessamad Ait EL Cadi, Profesor, LAMIH, UPHF/INSA, Codirector de tesis

Parte 1

Resumen:

El aprendizaje profundo ha sido ampliamente adoptado en diversos campos debido a su capacidad para extraer características complejas a partir de grandes cantidades de datos. En esta tesis, proponemos un enfoque basado en deep learning para la predicción continua de la ocupación de aparcamientos. Para ello, hemos recopilado un gran conjunto de datos sobre la ocupación de aparcamientos (tanto para aparcamientos cubiertos como para aparcamientos en acera) de diferentes ciudades de Francia y Canadá . Nuestros experimentos demuestran que el método propuesto supera a los modelos convencionales y a los basados en el aprendizaje automático en cuanto a precisión de las previsiones y rendimiento en tiempo real. Además, nuestro enfoque puede integrarse fácilmente en los sistemas de aparcamiento inteligente existentes para mejorar su eficiencia y comodidad. Para el despliegue en toda la ciudad, también proponemos un marco para compartir modelos entre diferentes aparcamientos mediante el análisis de su similitud espacial y temporal. Al identificar las características espaciales y temporales relevantes de cada aparcamiento (perfil de aparcamiento) y agruparlas en consecuencia, nuestro enfoque permite el desarrollo de modelos precisos de predicción de ocupación para un conjunto de aparcamientos, reduciendo los costes de despliegue y mejorando la transferibilidad de los modelos. Nuestros experimentos demuestran la eficacia de la estrategia propuesta en términos de reducción de los costes de despliegue de los modelos, manteniendo al mismo tiempo una buena calidad de las previsiones. En conclusión, este trabajo demuestra la eficacia del aprendizaje profundo para resolver el problema de la predicción continua de la ocupación de aparcamientos y pone de relieve su potencial para futuras aplicaciones de aparcamiento inteligente.

Parking inteligente.

Palabras clave:

Predicción de ocupación de aparcamientos, perfil de aparcamiento, agrupación espaciotemporal, aprendizaje profundo, aprendizaje automático, modelo compartido