A continuación se muestran las gráficas del comportamiento en el aprendizaje de la red neuronal, modificando el número de capas de la red en cada intento, se puede ver la diferencia en cuanto al número de iteraciones necesarias, para que la red aprenda con un error del 0%, y el tiempo de aprendizaje que tiene. En conclusión se establece un vector deseado, y después la red neuronal aprende a predecirlo.
Se convierte todo el vector binario a un número decimal, de la siguiente manera:
Figura 5-15: Conversión de vector binario, a numero decimal
El cálculo del error se hace de la siguiente manera: se tienen dos vectores, uno de entrada y otro deseado, se resta el valor de entrada del valor deseado y se divide entre el valor deseado.
El siguiente entrenamiento fue realizado con una red neuronal de 100 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 183 segundos, y un total de 12581 muestras
72 PROTOTIPO DE SISTEMA PARA LA GESTIÓN DE OCUPACIÓN DE PARQUEADEROS EN UN CENTRO COMERCIAL
Figura 5-16: Porcentaje de aciertos vs porcentaje de error (100 capas)
El siguiente entrenamiento fue realizado con una red neuronal de 90 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 277 segundos, y un total de 14114 muestras
Capítulo 1 73
El siguiente entrenamiento fue realizado con una red neuronal de 80 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 393 segundos, y un total de 15136 muestras
Figura 5-18: Porcentaje de aciertos vs porcentaje de error (80capas)
El siguiente entrenamiento fue realizado con una red neuronal de 70 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 680 segundos, y un total de 20757 muestras
74 PROTOTIPO DE SISTEMA PARA LA GESTIÓN DE OCUPACIÓN DE PARQUEADEROS EN UN CENTRO COMERCIAL
El siguiente entrenamiento fue realizado con una red neuronal de 60 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 595 segundos, y un total de 20757 muestras
Figura 5-20: Porcentaje de aciertos vs porcentaje de error (60 capas)
El siguiente entrenamiento fue realizado con una red neuronal de 50 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 298 segundos, y un total de 16592 muestras
Capítulo 1 75
El siguiente entrenamiento fue realizado con una red neuronal de 40 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 593 segundos, y un total de 24334 muestras
Figura 5-22: Porcentaje de aciertos vs porcentaje de error (40 capas)
El siguiente entrenamiento fue realizado con una red neuronal de 30 capas ocultas, teniendo como resultado, el aprendizaje en un tiempo de 515 segundos, y un total de 26768 muestras
76 PROTOTIPO DE SISTEMA PARA LA GESTIÓN DE OCUPACIÓN DE PARQUEADEROS EN UN CENTRO COMERCIAL
El mejor comportamiento se evidenció con el aprendizaje de 100 capas ya que tuvo un tiempo de aprendizaje menor que los demás, y con un menor número de iteraciones.
5.3.2 Método MLPRegressor
El siguiente entrenamiento fue realizado con una red neuronal de 100 capas ocultas, teniendo como resultado, el no aprendizaje en un tiempo de 95 segundos, y un total de 12581 muestras
Figura 5-24: Porcentaje de aciertos vs porcentaje de error (100 capas)
Se realizó otro entrenamiento con una red neuronal utilizando la misma cantidad de capas, un total de 100 capas ocultas, teniendo como resultado, que por más tiempo que se deje aprendiendo el sistema, no logra disminuir el erro a cero, por lo tanto este método de entrenamiento de red neuronal, se deja descartado y se utiliza el MLPClassifier, ya que se comportó de la forma esperada en las diferentes pruebas realizadas.
Capítulo 1 77
6
Conclusiones y recomendaciones
6.1 Conclusiones
A partir de la realización de este proyecto se pudieron obtener resultados, que demuestran que se diseñó un prototipo capaz de realizar la gestión de ocupación de los parqueaderos por medio de una red neuronal artificial, creada en Python por medio de la herramienta Scikit learn. Esta red de tipo perceptron fue entrenada con dos métodos diferentes usando un algoritmo de back propagation y se muestra la diferencia entre ellos, se puede identificar cual fue el que arrojo mejor resultado. El sistema es capaz de asignar plazas de parqueo específicas a cada usuario, siguiendo cuatro reglas que la red neuronal ha aprendido previamente, por medio del entrenamiento.
Cuando ocurre un accionamiento del pulsador el sistema publica en una pantalla un código alfanumérico, que representa la plaza de parqueo asignada .También se publica en la pantalla un código QR, el código contiene una dirección web, en la cual se visualiza un plano de visa superior del parqueadero y una ruta desde la entrada hasta la plaza asignada,
La implementación del código QR es una ayuda en el ingreso a la página web ya que el celular toma la dirección web automáticamente y el usuario no tiene que hacer el tedioso procedimiento de digitarla, con esto, no se afecta el comportamiento normal de como opera el parqueadero, sino que se agrega un beneficio, y el usuario tiene la posibilidad de usarlo o no, sin afectar de ninguna forma el estacionamiento normalmente, la decisión está en el administrador del parqueadero si quiere que las reglas sean opcionales u obligatorias .
Por medio de la cámara digital de video se identifica si cada plaza de parqueo se encuentra libre u ocupada, esto se logra por medio del procesamiento digital de las imágenes, usando la técnica de sustracción de fondo, así como diferente herramientas que permiten el procesamiento de imágenes en Python, esto también permite la
80 PROTOTIPO DE SISTEMA PARA LA GESTIÓN DE OCUPACIÓN DE PARQUEADEROS EN UN CENTRO COMERCIAL
identificación de bloqueo en los pasillos, para un cálculo acertado de la ruta que se muestra al usuario.
6.2 Recomendaciones
Para el aprendizaje de la red neuronal se recomienda usar valores de entrada que varíen entre 0 y 1, así como intentar optimizar de la mejor forma el código, los algoritmos y las reglas que aprende la red neuronal, todas estas recomendaciones en conjunto se verán reflejadas en una disminución del tiempo de aprendizaje de la red neuronal y del tiempo de procesamiento de todo el sistema.
En investigaciones o desarrollos futuros se recomienda usar una cámara de video con mayor resolución, ya que tendrá más cantidad de datos disponibles para el procesamiento y análisis de la sección que se desee, esta recomendación es útil siempre y cuando la unidad procesadora también sea aumentada en capacidad de procesamiento, el sistema adquirirá mejores prestaciones, como por ejemplo, más exactitud, y una capacidad mayor de monitoreo en cuanto a plazas de parqueo se refiere.
Bibliografía
Algoritmo, E. (n.d.). Máquinas Estocásticas
___________________________________________________________________ ___.
Du, F., Zhao, Y., Gao, L., & Wang, W. (2017). Evaluation of the autonomous parking system based on bp neural network. Proceedings - 9th International Conference on Intelligent Human-Machine Systems and Cybernetics, IHMSC 2017, 2, 324–327.
https://doi.org/10.1109/IHMSC.2017.185
Gervasoni, L., D’amato, J. P., & Barbuzza, R. (2014). Aplicación de un método de sustracción de fondo a partir de imágenes de vídeo-vigilancia. XLIII Jornadas Argentinas de Informática E Investigación Operativa (43JAIIO)-XV Argentine Symposium on Technology (AST)(Buenos Aires, 2014), 25–36. Retrieved from
http://43jaiio.sadio.org.ar/proceedings/AST/Paper3_AST_Gervasoni.pdf
Jiménez, A. F., Pelayo, M. C., & Ramírez, Á. (2015). Enseñanza del Procesamiento de Imágenes en Ingeniería usando Python. Vaep-Rita, 3(4), 179–186.
Lara, F. (n.d.). Fundamentos De Redes Neuronales Artificiales. Unam. Retrieved from http://conceptos.sociales.unam.mx/conceptos_final/598trabajo.pdf
Mityakov, A. V., Varankin, V. K., & Tatarinov, Y. S. (2017). Application of modern
architectures of deep neural networks for solving practical problems. Proceedings of 2017 20th IEEE International Conference on Soft Computing and Measurements, SCM 2017, 389–390. https://doi.org/10.1109/SCM.2017.7970594
scikit-learn developers, & Developers, S. (2017). Scikit-Learn User Guide.
82 PROTOTIPO DE SISTEMA PARA LA GESTIÓN DE OCUPACIÓN DE PARQUEADEROS EN UN CENTRO COMERCIAL
http://books.google.at/books?id=YJo3AgAAQBAJ
Valipour, S., Siam, M., Stroulia, E., & Jagersand, M. (2017). Parking-stall vacancy indicator system, based on deep convolutional neural networks. 2016 IEEE 3rd World Forum on Internet of Things, WF-IoT 2016, 655–660.