Cargando...
Fecha
2025-09
Editor/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Citas
0 citas en 
0 citas en 
Resumen
El tráfico urbano se ha convertido en un problema crítico con muchas implicaciones en diferentes áreas. El principal reto a la hora de estudiarlo está en la enorme cantidad de datos que se generan en muy poco tiempo, lo que sitúa su análisis dentro del ámbito del big data. En este trabajo exploramos marcos computacionales escalables y técnicas avanzadas de modelado para el análisis y la predicción automatizada del tráfico. Nos apoyamos en arquitecturas basadas en contenedores que permiten un despliegue flexible, aislamiento de recursos y escalabilidad horizontal en entornos cloud-native, integrando Apache Spark como motor principal para el procesamiento distribuido de datos. Esta combinación resulta especialmente adecuada para manejar flujos de información en tiempo real. Sobre esta infraestructura, implementamos y evaluamos modelos de Deep Learning para predecir el tráfico, tomando Madrid como ejemplo de ciudad occidental moderna.
Descripción
Categorías UNESCO
Palabras clave
Big Data, Contenedores, Sistemas distribuidos, Deep Learning, Predicción de tráfico, Spark, Docker, Big Data, Containers, Distributed Systems, Deep Learning, Traffic Prediction, Spark, Docker
Citación
Frías Lobillo, Juan Manuel. Trabajo Fin de Máster: "Diseño y despliegue de modelos de aprendizaje profundo para la predicción de flujo de tráfico mediante Spark y Docker". Universidad Nacional de Educación a Distancia (UNED), 2025
Centro
E.T.S. de Ingeniería Informática