Lizarbe Alarcón, HemersonTenorio Huarancca, Diego Omar2025-07-102025-07-102025TESIS CIV607_Tenhttps://repositorio.unsch.edu.pe/handle/20.500.14612/7855La presente investigación desarrolló un modelo de tráfico vehicular basado en redes neuronales artificiales para reducir la congestión en el Jirón Carlos F. Vivanco, Ayacucho, una zona crítica debido a su diseño colonial incompatible con el tránsito moderno. La investigación se estructuró en tres objetivos específicos: El diseño de una arquitectura robusta para detección vehicular en condiciones heterogéneas que incluyen tráfico variable, diversas condiciones ambientales (precipitaciones, iluminación solar variable, sombras proyectadas) y entornos nocturnos con visibilidad limitada; la optimización del entrenamiento del modelo para lograr alta precisión clasificatoria; y el desarrollo de un algoritmo de optimización dinámica de ciclos semafóricos. Metodológicamente, se implementó la arquitectura YOLO (You Only Look Once), entrenada durante 126 épocas mediante la técnica de Early Stopping, y se utilizaron herramientas como LabelMe para el etiquetado del conjunto de datos. El modelo alcanzó métricas sobresalientes: Precisión del 88.7%, valores de recall de 0.832 (validación) y 0.834 (evaluación), con tiempos de procesamiento ultrarrápidos. El sistema optimizó los ciclos semafóricos según la densidad vehicular, asignando tiempos diferenciados para densidades bajas, medias y altas. Los resultados demostraron la eficacia del modelo integrado para mejorar la movilidad urbana, reducir el impacto ambiental y optimizar infraestructura vial existente, estableciendo un precedente metodológico para implementar sistemas de transporte inteligente en contextos locales específicos.application/pdfspainfo:eu-repo/semantics/openAccessRedes neuronales artificialesCongestión vehicularSemáforos inteligentesIngeniería del transporteParque automotorAyacuchoinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.01.05