Saavedra Mondaca, Gabriel AlejandroSerón Guzmán, Javier Andrés2024-11-072024-11-072024https://repositorio.udec.cl/handle/11594/6744Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones.La presente memoria de título tiene como objetivo resolver problema originado en el Citylab, centrándose en el uso de datos de telefonía móvil para visualizar patrones de desplazamiento de las personas. Se diseñó y desarrolló un sistema capaz de procesar datos de telefonía móvil, visualizar patrones de movimiento y obtener conclusiones utilizando teoría de grafos. Para las distintas etapas del sistema, se implementaron varios algoritmos. En primer lugar, se utilizó un algoritmo para la extracción y limpieza de los datos, obteniendo un conjunto depurado, libre de errores y actualizado. Posteriormente, se aplicó un segundo algoritmo para procesar estos datos, usando como entrada el conjunto limpio. En esta fase, se consideraron factores como la posición de la torre de antena a la que se conectaba cada dispositivo, la hora, el número de dispositivo, la tecnología utilizada y el consumo de datos. Para determinar el rango de alcance de las torres de antena, se empleó el diagrama de Voronoi, una herramienta matemática. A continuación, se distribuyeron las personas proporcionalmente al área de la zona en la que se encontraban, identificando su posible ubicación. Las siguientes etapas del sistema se ejecutaron en paralelo. Ambas utilizaron información proporcionada por Google Maps. La primera consistió en la creación de un conjunto de datos que incluyó todas las combinaciones posibles de puntos aleatorios en el Gran Concepción, obteniendo información sobre rutas, distancias, tiempos de viaje y modos de transporte utilizados. Estos datos fueron fundamentales para entrenar un modelo de machine learning supervisado que predijo el posible medio de transporte de las personas. En la segunda etapa, se generó un grafo en el que las zonas se representaron como nodos y las posibles rutas entre ellas como aristas. Estas rutas se obtuvieron de manera similar a la creación del dataset y se utilizaron para identificar las trayectorias de las personas entre zonas, proporcionando también datos sobre las distancias recorridas. Tras procesar los datos con el grafo, el modelo estuvo listo para predecir los modos de transporte de las personas. Finalmente, el grafo permitió obtener conclusiones como la distancia y velocidad medias, el modo de transporte más utilizado, así como las zonas y rutas más transitadas. Además, se visualizó la información de manera que facilitara su comprensión, logrando un sistema capaz de procesar datos de telefonía móvil, visualizar patrones de movimiento y predecir modos de transporte mediante machine learning.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalMovilidad socialTelefonía celularAlgoritmosThesis