Detección vehicular con yolov11l para estimación del factor de hora pico
DOI:
https://doi.org/10.35381/i.p.v8i15.5199Palabras clave:
Automatización, planificación del transporte, vehículo automotor, inteligencia artificial, análisis estadístico, (Tesauro UNESCO)Resumen
Este estudio tuvo como objetivo evaluar la efectividad de un sistema automatizado de aforo vehicular basado en inteligencia artificial para la determinación del volumen y factor horario de máxima demanda. Metodológicamente, se implementó un sistema de visión por computadora utilizando el algoritmo YOLOv11l para la detección y clasificación vehicular, procesando secuencias de video de 12 horas diarias (06:00–18:00) durante 7 días consecutivos. Con respecto a los resultados, el VHMD registrado fue de 1,698 vehículos (Día 2, entre 17:00–18:00), con un FHP que varió entre 0.65 y 0.84 según el día analizado. En conclusión, el sistema de aforo vehicular automatizado constituye una herramienta confiable y eficiente para la determinación del volumen y factor horario de máxima demanda, superando las limitaciones de los métodos manuales tradicionales y proporcionando información detallada sobre los patrones de movilidad en diferentes días de la semana.
Descargas
Citas
Ahn, H., & Lee, Y. H. (2022). Vehicle Classification and Tracking Based on Deep Learning. Journal of Web Engineering, 21(4), 1283–1294. https://doi.org/10.13052/jwe1540-9589.21412
Alawaji, K., Hedjar, R., & Zuair, M. (2024). Traffic Sign Recognition Using Multi-Task Deep Learning for Self-Driving Vehicles. Sensors, 24(11). https://doi.org/10.3390/s24113282
Avianto, D., Harjoko, A., & Afiahayati. (2022). CNN-Based Classification for Highly Similar Vehicle Model Using Multi-Task Learning. Journal of Imaging, 8(11). https://doi.org/10.3390/jimaging8110293
Bai, T., Luo, J., Zhou, S., Lu, Y., & Wang, Y. (2024). Vehicle-Type Recognition Method for Images Based on Improved Faster R-CNN Model. Sensors, 24(8), 1–14. https://doi.org/10.3390/s24082650
Berwo, M. A., Khan, A., Fang, Y., Fahim, H., Javaid, S., Mahmood, J., Abideen, Z. U., & M.S, S. (2023). Deep Learning Techniques for Vehicle Detection and Classification from Images/Videos: A Survey. Sensors, 23(10), 1–35. https://doi.org/10.3390/s23104832
Chaman, M., Maliki, A. El, Dahou, H., & Hadjoudja, A. (2026). Benchmarking YOLO-based deep learning models for real-time object detection in hybrid ADAS and intelligent transportation systems. Results in Engineering, 29(October 2025), 108942. https://doi.org/10.1016/j.rineng.2025.108942
Cuervo, L. G., Villamizar, C. J., Cuervo, D., Zapata, P., Ospina, M. B., Valencia, S. M., Polo, A., Suárez, Á., Bula, M. O., & Miranda, J. J. (2024). Improving accessibility to radiotherapy services in Cali , Colombia : cross ‑ sectional equity analyses using open data and big data travel times from 2020. 1–27. https://doi.org/10.1186/s12939-024-02211-6
Dávila Romero, C., Winy, M. V., Nivin Vargas, L., & Medina Villacorta, A. (2025). Inteligencia artificial, prueba judicial y el impacto en el derecho de defensa en el Perú. Revista de La Fundación Koinomia. https://doi.org/https://doi.org/10.35381/r.k.v11i21.4997
Gonzalez, M. (2025). Desafios y beneficios del uso de inteligencia artificial en docentes de educación secundaria: Revisión sistemática. Revista de La Fundación Koinomia. https://doi.org/http://doi.org/10.59659/revistatribunal.v5i11.153
Mahum, R., Irshad, U., El-Sherbeeny, A. M., Shehab, M., & Lee, S. M. (2026). YOLO-O: An Improved YOLO-Based Framework for Vehicle Detection. IET Image Processing, 20(1). https://doi.org/10.1049/ipr2.70337
Neupane, B., Horanont, T., & Aryal, J. (2022). Real-Time Vehicle Classification and Tracking Using a Transfer Learning-Improved Deep Learning Network. Sensors, 22(10), 1–21. https://doi.org/10.3390/s22103813
Pan, Y. A., Li, F., Li, A., Niu, Z., & Liu, Z. (2025). Urban intersection traffic flow prediction: A physics-guided stepwise framework utilizing spatio-temporal graph neural network algorithms. Multimodal Transportation, 4(2), 100207. https://doi.org/10.1016/j.multra.2025.100207
Yan, G., & Chen, Y. (2021). The Application of Virtual Reality Technology on Intelligent Traffic Construction and Decision Support in Smart Cities. Wireless Communications and Mobile Computing, 2021. https://doi.org/10.1155/2021/3833562
Ye, J., Xue, S., & Jiang, A. (2022). Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction. Digital Communications and Networks, 8(3), 343–350. https://doi.org/10.1016/j.dcan.2021.09.007
Yu, D., Yuan, Z., Wu, X., Wang, Y., & Liu, X. (2024). Real-Time Monitoring Method for Traffic Surveillance Scenarios Based on Enhanced YOLOv7. Applied Sciences (Switzerland), 14(16). https://doi.org/10.3390/app14167383
Zhang, H., Liang, M., & Wang, Y. (2025). YOLO-BS: a traffic sign detection algorithm based on YOLOv8. Scientific Reports, 15(1), 1–11. https://doi.org/10.1038/s41598-025-88184-0
Zhang, J., Cheng, J., & Li, F. (2025). Traffic flow prediction based on temporal attention and multi-graph adjacency fusion using DynamicChebNet. Scientific Reports, 15(1), 1–16. https://doi.org/10.1038/s41598-025-12598-z
Zhou, Y., He, Z., Chen, J. Y., Ni, L., & Dong, J. (2022). Investigating Travel Flow Differences between Peak Hours with Spatial Model with Endogenous Weight Matrix Using Automatic Vehicle Identification Data. Genetics Research, 2022. https://doi.org/10.1155/2022/7729068
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Marco Antonio Tacuri-Rivas, José Luis Ordónez-Fernández, Hiroe Naomi Ordónez-Barreto, Kevin Edú Naranjo-Zumba
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://fundacionkoinonia.com.ve/ojs/index.php/ingeniumetpotentia/oai
