2026-04-17T06:42:44Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4494652025-12-20T12:44:44Zcom_2072_1033col_2072_452951

2025-12-20T12:44:44Z urn:hdl:2117/449465 Exploring the potential of machine learning models for urban mobility Gaya Gili, Guillem Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic Residential mobility Machine learning Detectors Mobilitat residencial Aprenentatge automàtic Detectors Les tècniques d'aprenentatge automàtic (Machine Learning) són cada cop més potents i s'apliquen en una gran varietat de camps, com ara la medicina o les finances. Tanmateix, el seu potencial encara està poc explorat en l'àmbit de la mobilitat urbana, un sector que afronta reptes cada vegada més complexos a les grans ciutats. Àrees urbanes com Barcelona experimenten una densitat de població creixent que provoca congestió viària, més contaminació, un augment del temps de desplaçament i una reducció de la qualitat de vida. Aquests problemes també tenen conseqüències econòmiques i ambientals importants. Actualment, hi ha un treball de fi de màster realitzat per Gerard Caravaca que analitza aquests aspectes, però el conjunt de dades que ell utilitza només conté sensors d'Android. Aquest projecte busca estudiar la mobilitat urbana de la ciutat per fer un model classificatori que sigui capaç de detectar el mode de transport a partir de tres sensors del mòbil: l'acceleròmetre, el magnetòmetre i el giroscopi. No obstant això, aquest estudi es planteja mitjançant l'ús exclusiu de dades de mòbils amb iOS per veure si hi ha una diferència significativa entre els sensors dels dispositius d'un sistema operatiu o l'altre, i si aquesta diferència pot afectar el resultat final del model classificatori. També es descriuen mètodes per fer un bon ús del model resultant, per maximitzar la precisió i evitar crides innecessàries que augmentarien el consum elèctric. Machine learning (ML) techniques are becoming increasingly powerful and are applied in a wide variety of fields, such as medicine and finance. However, their potential is still underexplored in the field of urban mobility, a sector facing increasingly complex challenges in large cities. Urban areas like Barcelona are experiencing a growing population density that causes traffic congestion, more pollution, increased travel time, and a decrease in quality of life. These problems also have significant economic and environmental consequences. Currently, there is a master's thesis by Gerard Caravaca [5] that analyzes these aspects, but the dataset he uses only includes Android sensors. This project aims to study the city's urban mobility by building a classification model capable of detecting the mode of transport using three smartphone sensors: the accelerometer, the magnetometer, and the gyroscope. However, this study is conducted exclusively with data from iOS devices to determine whether there is a significant difference between the sensors of devices from one operating system or another, and whether this difference may affect the final result of the classification model. Methods are also described to ensure efficient use of the resulting model, in order to maximize accuracy and avoid unnecessary calls that would lead to higher power consumption Las técnicas de aprendizaje automático (Machine Learning) son cada vez más potentes y se aplican en una gran variedad de campos, como la medicina o las finanzas. Sin embargo, su potencial todavía está poco explorado en el ámbito de la movilidad urbana, un sector que afronta retos cada vez más complejos en las grandes ciudades. Áreas urbanas como Barcelona experimentan una creciente densidad de población que provoca congestión vial, mayor contaminación, un aumento del tiempo de desplazamiento y una reducción de la calidad de vida. Estos problemas también tienen consecuencias económicas y medioambientales importantes. Actualmente, existe un trabajo de fin de máster realizado por Gerard Caravaca [6] que analiza estos aspectos, pero el conjunto de datos que utiliza solo contiene sensores de Android. Este proyecto busca estudiar la movilidad urbana de la ciudad para crear un modelo clasificador capaz de detectar el modo de transporte a partir de tres sensores del móvil: el acelerómetro, el magnetómetro y el giroscopio. No obstante, este estudio se plantea mediante el uso exclusivo de datos de móviles con iOS para comprobar si existe una diferencia significativa entre los sensores de los dispositivos de un sistema operativo u otro, y si esta diferencia puede afectar al resultado final del modelo clasificador. También se describen métodos para hacer un buen uso del modelo resultante, maximizando la precisión y evitando llamadas innecesarias que aumentarían el consumo eléctrico. 2025-12-20T12:44:44Z 2025-12-20T12:44:44Z 2025-06-25 Bachelor thesis http://hdl.handle.net/2117/449465 Open Access Universitat Politècnica de Catalunya