Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales

Spa: En este proyecto se formula un modelo de predicción de ruido vehicular urbano mediante la aplicación de sistemas computacionales modernos, como lo son las redes neuronales artificiales, facilitando su estudio en áreas como el tránsito y el transporte. La realización del proyecto estuvo sujeta a...

Full description

Bibliographic Details
Main Author:	Castillo Domínguez, Saúl Sebastián
Other Authors:	Poveda D’otero, Juan Carlos
Format:	Trabajo de grado - Pregrado
Language:	spa
Published:	Universidad Pedagógica y Tecnológica de Colombia 2021
Subjects:	Contaminación por ruido Control del ruido Barreras antirruido Ruido por tráfico Ingeniería de Transporte y Vías - Tesis y disertaciones académicas Redes neuronales Ruido vehicular Modelo Predicción
Online Access:	http://repositorio.uptc.edu.co/handle/001/3771

_version_	1801705854833000448
author	Castillo Domínguez, Saúl Sebastián
author2	Poveda D’otero, Juan Carlos
author_facet	Poveda D’otero, Juan Carlos Castillo Domínguez, Saúl Sebastián
author_sort	Castillo Domínguez, Saúl Sebastián
collection	DSpace
description	Spa: En este proyecto se formula un modelo de predicción de ruido vehicular urbano mediante la aplicación de sistemas computacionales modernos, como lo son las redes neuronales artificiales, facilitando su estudio en áreas como el tránsito y el transporte. La realización del proyecto estuvo sujeta al cumplimiento de varias etapas, una revisión bibliográfica, un desarrollo metodológico estableciendo la toma de información y puntos de aforo, un análisis de datos, calibración del modelo, y obtención de resultados acordes a la finalidad del proyecto. La metodología desarrollada se estableció a partir de una revisión bibliográfica y de unos estándares mencionados en la resolución 0627 de 2006 para la toma de información de ruido vehicular, se eligieron 8 puntos de aforo, con un total de 118 registros, cada uno compuesto por 8 variables, incluida la variable objetivo (Leq), empleando información relevante como: velocidad, volumen vehicular, composición y pendiente. Con la información obtenida se establecieron diferentes tipos de arquitecturas de red neuronal artificial, para obtener el modelo más preciso. Para la ejecución de las redes neuronales artificiales se hizo uso de la extensión neuraltoolbox de MATLAB, variando la función de activación, algoritmo de aprendizaje, y número de neuronas ocultas; con 20% de los registros destinados a conjunto de prueba; obteniendo como mejor desempeño una red con función de activación tangente sigmoidea, algoritmo Levenberg-Maquardt y 5 neuronas en la capa oculta. Para la validación de la red, se realizaron 20 ejecuciones, con conjuntos de prueba aleatorios, distribuidos en 5 conjuntos con 4 ejecuciones, la red definitiva obtenida tiene una media de error de 0,8 y 1,74 dB en entrenamiento y prueba, una correlación de Pearson de 0,919 y 0,803 respectivamente. Mediante el algoritmo Garson, las variables de mayor importancia en la predicción de ruido, son: velocidad, volumen, porcentaje de buses y pendiente, finalmente se compara la red neuronal con modelos clásicos y formulados en la ciudad de Tunja, mostrando gran precisión del modelo.
format	Trabajo de grado - Pregrado
id	repositorio.uptc.edu.co-001-3771
institution	Repositorio Institucional UPTC
language	spa
publishDate	2021
publisher	Universidad Pedagógica y Tecnológica de Colombia
record_format	dspace
spelling	repositorio.uptc.edu.co-001-37712021-11-11T20:11:35Z Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales Castillo Domínguez, Saúl Sebastián Poveda D’otero, Juan Carlos Contaminación por ruido Control del ruido Barreras antirruido Ruido por tráfico Ingeniería de Transporte y Vías - Tesis y disertaciones académicas Redes neuronales Ruido vehicular Modelo Predicción Spa: En este proyecto se formula un modelo de predicción de ruido vehicular urbano mediante la aplicación de sistemas computacionales modernos, como lo son las redes neuronales artificiales, facilitando su estudio en áreas como el tránsito y el transporte. La realización del proyecto estuvo sujeta al cumplimiento de varias etapas, una revisión bibliográfica, un desarrollo metodológico estableciendo la toma de información y puntos de aforo, un análisis de datos, calibración del modelo, y obtención de resultados acordes a la finalidad del proyecto. La metodología desarrollada se estableció a partir de una revisión bibliográfica y de unos estándares mencionados en la resolución 0627 de 2006 para la toma de información de ruido vehicular, se eligieron 8 puntos de aforo, con un total de 118 registros, cada uno compuesto por 8 variables, incluida la variable objetivo (Leq), empleando información relevante como: velocidad, volumen vehicular, composición y pendiente. Con la información obtenida se establecieron diferentes tipos de arquitecturas de red neuronal artificial, para obtener el modelo más preciso. Para la ejecución de las redes neuronales artificiales se hizo uso de la extensión neuraltoolbox de MATLAB, variando la función de activación, algoritmo de aprendizaje, y número de neuronas ocultas; con 20% de los registros destinados a conjunto de prueba; obteniendo como mejor desempeño una red con función de activación tangente sigmoidea, algoritmo Levenberg-Maquardt y 5 neuronas en la capa oculta. Para la validación de la red, se realizaron 20 ejecuciones, con conjuntos de prueba aleatorios, distribuidos en 5 conjuntos con 4 ejecuciones, la red definitiva obtenida tiene una media de error de 0,8 y 1,74 dB en entrenamiento y prueba, una correlación de Pearson de 0,919 y 0,803 respectivamente. Mediante el algoritmo Garson, las variables de mayor importancia en la predicción de ruido, son: velocidad, volumen, porcentaje de buses y pendiente, finalmente se compara la red neuronal con modelos clásicos y formulados en la ciudad de Tunja, mostrando gran precisión del modelo. Eng: In this project, a model of prediction of urban vehicular noise is formulated by enforcement of modern computer systems, such as artificial neural networks, facilitating the study in subjects such as traffic and transportation. The achievement of this paper was bind to the accomplishment of several stages, a bibliographic review, and methodological development, where the information capture and gauging points are established, and analysis of data and calibration of the model, and a obtaining of results according to the goals. The methodology was established based on a literature review and standards mentioned by the resolution 0627 of 2006 for collection of vehicular noise information, 8 gauging points were chosen, and a total of 118 records, each one composed of 8 variables, including the objective variable, (Leq), taking relevant information such as: speed, flow traffic, composition and slope. With the information obtained, different types of artificial neural network architectures were established to obtain the most accurate model. For running of artificial neural networks, the neuraltoolbox extension was used in MATLAB, varying the transfer function, learning algorithm and the number of hidden neurons, with a 20 % of the records destined to the test set; obtaining as best performance a network with sigmoid tangent as transfer function, Levenberg-Maquardt algorithm and 5 neurons in the hidden layer. For the validation of the network, 20 implementation were made, with randomly test sets, distributed in 5 grupo with 4 enforcement, the final network has a mean error of 0,8 and 1,74 dB in training and testing, a Pearson correlation of 0,919 and 0,803 respectively. Using the Garson algorithm, the most important variables in noise prediction are: speed, volume, percentage of buses and slope. Finally the neural network is compared with classic models formulated in Tunja city, showing great precision of the model. Bibliografía y webgrafía: páginas 76-82. Pregrado Ingeniero de Transporte 2021-11-11T20:09:59Z 2021-11-11T20:09:59Z 2019 Trabajo de grado - Pregrado http://purl.org/coar/resource_type/c_7a1f info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion Text https://purl.org/redcol/resource_type/TP http://purl.org/coar/version/c_970fb48d4fbd8a85 Castillo Domínguez, S. S. (2019). Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales. (Trabajo de pregrado). Universidad Pedagógica y Tecnológica de Colombia, Tunja. http://repositorio.uptc.edu.co/handle/001/3771 http://repositorio.uptc.edu.co/handle/001/3771 spa ALCALDÍA MAYOR DE TUNJA. Información general del municipio [online]. Disponible en: http://www.tunja-boyaca.gov.co/informacion_general.shtml. ALCÁNTARA VASCONCELLOS, Eduardo. A. Análisis de la movilidad urbana espacio, medio ambiente y equidad. [Online] Septiembre 2010. Disponible en: https://www.caf.com/media/3155/An%C3%A1lisis_movilidad_urbana. pdf. Bogotá. 2010. 204. p. AL-MUTAIRI, NAYEF. AL-RUKAIBI, F. Neural network models for traffic noise quality prediction: a comparative study. En: Jornal of Civil & Environmental Engineering. [Online] 18 de enero de 2012. Disponible en: https://www.omicsonline.org/open-access/neural-network-models-for-traffic-noise-qualityprediction-a-comparative-study-2165-784x.1000106.php?aid=3842. Kuwait. 2011. 5 p. AUSTROADS. Modelling, Measuring and Mitigating Road Traffic Noise. Project No. TP1085. En: National Library of Australia, Cataloguing-in-Publication data. Austroads Incorporated. Sydney 2005. 94 p. CAMMARATA, G. CAVALEIRI, S. FICHERA, A. a neural network architecture for noise prediction. en: neural networks, vol. 8, no 6. elsevier. [Online] 10 de Noviembre de 2000. Disponible en: https://www.sciencedirect.com/science/article/pii/089360809500016S. 1995. 11. p. CANCHARI GUTIERREZ, Edmundo. Redes Neuronales Artificiales de Base Radial Como Herramienta de Predicción de la Contaminación Acústica Generado por Tránsito Vehicular. Tesis de maestría, para optar el grado de Maestro en ciencias con mención en Ingeniería de transportes. Universidad Nacional de Ingeniería, Facultad de Ingeniería civil, unidad de posgrado. Lima. 2015. 89 p. CARRION ISBERT, ANTONI. Diseño acústico de espacios arquitectonicos. Barcelona: Edicions UPC y Alemany, 1998. 433 p. LEONARDI, Giovanni., CIRIANNI, Francis. M., KUMAR, Narotam. Artificial neural network for traffic noise modelling. En: ARPN Journal of Engineering and Applied Sciences. Vol 10. No 22, [online] 7 de Abril de 2016, Disponible en: http://www.arpnjournals.org/jeas/research_papers/rp_2015/jeas_1215_3079.pdf. 2015. 8 p. CORTES SOSA, Fauri David. Información actualizada de los niveles de ruido por tráfico vehicular en el centro de Tunja. Tesis de pregrado, para optar el grado de Ingeniero de Transporte y Vías. Universidad Pedagógica y Tecnológica de Colombia. Tunja. 2013. 97 p. DIARIO OFICIAL DE LA UNION EUROPEA. Recomendación de la Comisión Europea. Vol. Diario Oficial nº L 212 de 22/08/2003, 16. 2003. EVEREST, F. Alton., & POHLMANN, Ken. Master handbook of acoustics 5 ed. editorial: Mc Graw Hill. 2009. 512 p. FLOREZ LOPEZ, Raquel. FERNANDEZ FERNANDEZ, José. M. Las redes neuronales artificiales, fundamentos teóricos y aplicaciones prácticas 1 ed. Editorial Oleiros. Netbiblo, S.L. 2008. 149 p. FULECOL. Elaboración del mapa de ruido de la zona urbana del municipio de Tunja. Contrato de consultoría No. 2010001 de Octubre de 2010. Dependencia Corporación Autónoma Regional de Boyacá. GARSON, David. Priorization interpreting neural-network connection weights. En: AI Expert. Vol. 6. issue 4. 1991. GENARO GARCIA, Natalia. Sistema de predicción de ruido urbano mediante redes neuronales. Tesis Doctoral, para optar el grado de Doctor en tecnologías de la información y la comunicación. Universidad de Granada, Departamento de ciencias de la Computación. Granada. 2014. 334 p. GHIGNATTI BECKENKAMP , Fábio. A component architecture for artificial neural network systems. En: Computer & Information Science; University of Konstanz. [online] Junio de 2002, Disponible en: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.120.9621&rep=rep1&type=pdf Konstanz. 249 p. GIVARGIS, Sh. KARIMI, H. A basic neural traffic noise prediction model for Tehran’s roads. En: Journal of Environmental Management. Vol. 91, No 12, [online] Diciembre de 2010. Disponible en: https://www.sciencedirect.com/science/article/pii/S0301479710002069. Teherán. 6 p. GONZALEZ, Alice. GAJA, Esteban. JORYSZ, Andres. TORRES, Gonzalo. Desarrollo de un modelo predictivo de ruido urbano adaptado a la realidad de la ciudad de Montevideo, Uruguay. En: TecniAcustica, Referencia PACS: 43.50.Ba. Madrid. 2000. 7 p GUTIÉRREZ BAUTISTA, Diego Armando. LÓPEZ HUERTAS, Yeimy Tatiana. Cuantificación del ruido causado por vehículos de transporte en el centro de Tunja. Tesis de pregrado, para optar el grado de Ingeniero de Transporte y Vías. Universidad Pedagógica y Tecnológica de Colombia. Tunja. 2011. 52 p. HAMAD, Khaled., ALI KHALIL, Mohamad. SHANABLEH, Aabdallah. Modeling roadway traffic noise in a hot climate using artificial neural networks. En: Transportation Research Part D. Vol 53. [Online] 23 de Abril de 2017. Disponible en: https://www.sciencedirect.com/science/article/pii/S1361920916301912. 17 p. HARRIS, Cyril. Manual de medidas acusticas y control de ruido. Editorial: McGraw - Hill / interamericana de España. Madrid. 1995. 1208 p. HARTMANN, William. Signal, sound, and sensation 1 ed. Editorial: Springer. En: Departament of Physics and Astronomy. American Institute of Physics. 1998. 647 p. HAYKIN, Simon. Neural Networks and Learning Machines, Third Edition. Editorial: Pearson Prentice-Hall. Ontario. 2009. 906 p. HERNANDEZ, R. FERNANDEZ, C. BAPTISTA, Lucio. Selección de la muestra. 6ª Edición. Editorial McGraw-Hill. Mexico D.F. 2014. p. 182. HERVAS, Cesar., MARTINEZ, Francisco. J., GUTIERREZ, Pedro., FERNÁNDEZ, Juan, TALLÓN, A. Clasificación mediante la evolución de Modelos Híbridos de Redes Neuronales. En: Departamento de computacion, Universidad de Cordoba, [online]. Disponible en: http://sci2s.ugr.es/keel/pdf/keel/congreso/MAEB07HibridacionModelos.pdf. 8 p. IMMERS, L. H., & LOGGE, S. Traffic Flow Theory Course H111 Verkeerskunde Basis. En: Sectie Verkeer en Infrastructuur, Departement Burgerlijke Bouwkunde, Katholieke Universiteit Leuven. Heverlee, Germany. 2003. p 6. JIMENEZ CISNEROS, BLANCA ELENA. La contaminación ambiental en México. Ciudad de México: Editorial Limusa S.A., 2001. 39 p. KALANSURIYA, C. M., PANNILA, A., & SONNADARA, U. Traffic composition and variability of road traffic noise levels in the vicinity of Colombo, Sri Lanka. Revista ResearchGate, [online]. 2014. Disponible en: https://www.researchgate.net/publication/279497421_Traffic_composition_and_variability_ of_road_traffic_noise_levels_in_the_vicinity_of_Colombo_Sri_Lanka. 6 p. KARLIK, Berik, OLGAC, Vehbi. Performance Analysis of Various Activation Functions in Generalized MLP Architectures of Neural Networks. Revista International Journal of Artificial Intelligence and Expert Systems vol. I En: Engineering Faculty, Computer Engineering, Mevlana University, [online]. Konya . 2011. 12 p. KRENKER, Andrej, BEšTER, Janez, KOS, Andrej. Introduction to the Artificial Neural Networks. En: Artificial Neural Networks - Methodological Advances and Biomedical Applications. Faculty of Electrical Engineering, University of Ljubljana. [online] Abril de 2011. Disponible en: http://cdn.intechweb.org/pdfs/14881.pdf. 17 p. KRIESEL, D. A brief introduction to neural networks. En: University of Bonn [online], 27 de Mayo de 2005, Disponible en: dkriesel. http://www.dkriesel.com/en/science/neural_networks. 226 p. KUMAR, Paras., NIGAM, S.P., KUMAR, Narotam. Vehicular traffic noise modeling using artificial neural network approach. En: Transportation Research Part C. Vol 40. [Online] 7 de Febrero de 2014. Disponible en: https://www.sciencedirect.com/science/article/pii/S0968090X14000102. 2012. 12 p. LEARNED-MILLER, Erik. Introduction to Supervised Learning. En: Department of Computer Science, University of Massachusetts, [online]. Disponible en: https://people.cs.umass.edu/~elm/Teaching/Docs/supervised2014a.pdf. 2014. 5 p LOZANO MURCIA, Catalina. Modelo de predicción de daños, una aplicación de redes neuronales artificiales a riesgos en el seguro de naranja. Trabajo de grado para optar el master en Ciencias Actuariales y Financieras. Universidad Carlos lll de Madrid. Madrid. 2015. 64 p. MAVDT. UNAL. Estudios para la formulación de los planes de movilidad de Tunja y Zipaquirá, y adelantar el acompañamiento al proceso de socialización. Contrato interadministrativo No 603. [online]. Septiembre de 2009. Disponible en: http://tunjaboyaca.gov.co/apc-aa-files/36333466623464306563366161643537/estudios-plan-demovilidad-de-tunja.pdf. Bogotá. 164 p. MIHĂIESCU, Tania. MIHĂIESCU, Radu. Traffic Noise Pollution in Urban Areas. Case Study – Bistrita Town. [online], 25 de Diciembre de 2009. Revista ProEnvironment. Disponible en: https://www.researchgate.net/publication/47641904_Traffic_Noise_Pollution_in_ Urban_Areas_Case_Study_-_Bistrita_Town. Romania. p. 222-225. MINISTERIO DE AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIAL. Resolución 0638 de 2006 - Norma Nacional de Emisión de Ruido y Ruido Ambiental. [online], 12 de Abril de 2006. Disponible en: Alcaldía de Bogotá: http://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=19982. 29 p. MOSER, Michael. Engineering Acoustics: An Introduction to Noise Control. Editorial: Springer. Berlin. 2004. 289p. NEDIC, Vladimir. DESPOTOVIC, Danijela. CVETANOVIC, Slobodan. DESPOTOVIC, Milan. BABIC, Sasa. Comparison of classical statistical methods and artificial neural network in traffic noise prediction. En: Environmental Impact Assessment Review, Vol 49. [Online] 15 de Julio de 2014. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0195925514000560. 7 p. OBSOCIAL TUNJA. Política pública de la juventud, municipio de Tunja. Editorial: Alpha Editores. Cartagena de Indias. 2015. p. 13. OH, Se-Young, CHOI, Doo-Hyun, LEE, In-Sook. hybrid learning neural network architecture with locally activated hidden layer for fast and accurate mapping. Revista Elsevier, Theoretical computer science. En: Dept. of Electrical Engineering, Pohang Institute of Science and Technology. [online] 3 de Febrero de 1994. Disponible en: https://www.sciencedirect.com/science/article/pii/092523129400004C. 14 p. OJA, Erkki. Unsupervised learning in neural computation. Revista Elsevier, Theoretical computer science. En: Neural Networks Research Centre, Helsinki University of Technology. [online] 25 Septiembre de 2002. Disponible en: https://www.sciencedirect.com/science/article/pii/S0304397502001603. 21 p. OMS. Guidelines for Community Noise. [Online]. En: Occupational and Environmental Health Tea.m Disponible en: http://www.who.int/docstore/peh/noise/guidelines2.html. 1999. PARBAT, D. K. NAGARNAIK, P.B. MOHITKAR, V. M. Application of ANN for modelling noise descriptors at interrupted traffic flow. En: world applied sciences journal, vol. 12, no 2. ISSN 1818-4952. [Online] Disponible en: https://pdfs.semanticscholar.org/5532/ad39a1cd918b599800cdcc0d15a0bebc455f.pdf. 2011. 7 p. PARRONDO GAYO, Jorge Luis. VELARDE SUAREZ, Sandra. GONZALEZ PEREZ, José. BALLESTEROS TAJADURA, Rafael. SANTOLARIA MORROS, Carlos. Acústica Ambiental. Ediciones de la Universidad de Oviedo. En: Área de mecánica de fluidos, Universidad de Oviedo. Oviedo. 2006. 153 p. QIAO, Fengxiang. LI, Quin. Yu, Lei. Neural Network Modeling of In-Vehicle Noises with Different Roadway Roughness. En: Conferencia the 11th Asia Pacific Transportation Development Conference and 29th ICTPA Annual. Vol. 29. [Online] Mayo 2016. Disponible en:https://www.researchgate.net/publication/292437143_Neural_Network_Modeling_of_InVehicle_Noises_with_Different_Roadway_Roughness. Hsinchu, Taiwan. 8 p QUARTIERI, J. MASTORAKIS, Nikos. IANNONE, G. GUARNACCIA, C. D'AMBROSIO, S. TROISI, A. LENZA, TLL. A Review of Traffic Noise Predictive Models. [online], Enero de 2009. Recent Advances in Applied and Theoretical. Disponible en: https://www.researchgate.net/publication/239729871_A_Review_of_Traffic_Noise_Predicti ve_Noise_Models. 8 p. QUINTERO GONZÁLEZ, Julián Rodrigo. Formulación plan estratégico para el control de la contaminación acústicas vehicular-caso de estudio Tunja. Tesis de Maestría, para optar el grado de Magíster en Ingeniería Ambiental. Universidad Pedagógica y Tecnológica de Colombia. Tunja. 2012. RAICHEL, D. R. The science and applications of acoustics. New York: Spinger. 2006. 56 p. RAMIREZ GONZALEZ, Alberto., DOMINGUEZ CALLE, Efraín, BORRERO MARULANDA, Isabel. El ruido vehicular urbano y su relación con medidas de restricción del flujo de automóviles. [online], Junio de 2011. Rev. acad. colomb. cienc. vol.35, n.137. Disponible en: http://www.scielo.org.co/pdf/racefn/v35n135/v35n135a03.pdf. 14 p. RODRIGUEZ PONCE, Héctor Uriel. Perceptrón Multicapa para Reconocimiento de Objetos sobre Planos. Trabajo de grado. Licenciatura en Ingeniería Electrónica y Comunicaciones, Departamento de Ingeniería, Universidad de las Américas Puebla. Cholula. 2004. SAZLI, Murat. H. A brief review of feed-forward neural networks. En: Communications, Faculty Of Science, University of Ankara - ResearchGate. [online], vol. 50. Disponible en:https://www.researchgate.net/publication/228394623_A_brief_review_of_feedforward_ neural_networks. 2006. 7 p SELTMAN, Howard. Experimental Design and Analysis. En: Universidad Carnegie Mellon, Statistics & Data Sciences. [Online] 11 de Julio de 2018. Disponible en: https://www.stat.cmu.edu/~hseltman/309/Book/Book.pdf. 408 p. SHARMA, Bhavna. VENUGOPALAN, K. Comparison of Neural Network Training Functions for Hematoma Classification in Brain CT Images. En: IOSR Journal of Computer Engineering (IOSR-JCE). Vol 16, Issue 1, Ver. II. Disponible en: https://pdfs.semanticscholar.org/14ac/e90f795e7b463d0168883d671e044f5c8375.pdf. 2014. 5 p. STASTNY, Jiri., & SKORPIL, Vladislav. Neural Networks Learning Methods Comparison. Revista ResearchGate vol. 4. [online]. En: Department of Telekommunications, Brno University of Technology. Disponible en: https://www.researchgate.net/publication/292636184_ Neural_networks_learning_methods_comparison. Brno. 2005. 6 p. TORAL B. Jaime Areli. Redes neuronales. En: Universidad de Guadalajara. [online]. Disponible en: http://www.cucei.udg.mx/sites/default/files/pdf/toral_barrera_jamie_areli.pdf. 13 p. TORIJA, Antonio. GENARO, N. RUIZ, Diego. RAMOS, A. ZAMORANO, M. REQUENA, I. Priorization of acoustic variables: Environmental decision support for the physical characterization of urban sound environments. En: Building and Environment. Vol 45 No 6. [Online] 4 de Enero de 2010. Disponible en: https://www.sciencedirect.com/science/article/pii/S0360132309003643. 2009. 13 p. VALENCIA ALAIX, V. G. Ingeniería de Transito - Guías de clase. [online]. En: Escuela de Ingeniería Civil, Facultad de Minas, Universidad Nacional de Colombia sede Medellín. Disponible en: http://www.docentes.unal.edu.co/vgvalenc/docs/GUIA%20Ingenieria%20 de%20Transito%2001-07.pdf. 2007. 179 p. YEGNANARAYANA, B., Artificial Neural Networks. Editorial: Prentice-Hall of India Pvt.Ltd. Nueva Delhi. 2005. p. 479 p. Copyright (c) 2019 Universidad Pedagógica y Tecnológica de Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ info:eu-repo/semantics/openAccess Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 1 recurso en línea (106 páginas) : ilustraciones, cuadros, figuras. application/pdf application/pdf application/pdf Universidad Pedagógica y Tecnológica de Colombia Facultad Ingeniería Tunja Ingeniería de Transporte y Vías
spellingShingle	Contaminación por ruido Control del ruido Barreras antirruido Ruido por tráfico Ingeniería de Transporte y Vías - Tesis y disertaciones académicas Redes neuronales Ruido vehicular Modelo Predicción Castillo Domínguez, Saúl Sebastián Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title	Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title_full	Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title_fullStr	Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title_full_unstemmed	Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title_short	Modelo de predicción de ruido producido por el tráfico vehicular urbano mediante redes neuronales artificiales
title_sort	modelo de prediccion de ruido producido por el trafico vehicular urbano mediante redes neuronales artificiales
topic	Contaminación por ruido Control del ruido Barreras antirruido Ruido por tráfico Ingeniería de Transporte y Vías - Tesis y disertaciones académicas Redes neuronales Ruido vehicular Modelo Predicción
url	http://repositorio.uptc.edu.co/handle/001/3771
work_keys_str_mv	AT castillodominguezsaulsebastian modelodeprediccionderuidoproducidoporeltraficovehicularurbanomedianteredesneuronalesartificiales