Cookies
El sitio web de la UCLM utiliza cookies propias y de terceros con fines técnicos y de análisis.
Aviso de Cookies
El sitio web de la UCLM utiliza cookies propias y de terceros con fines técnicos y de análisis.
Aviso de Cookies
Nuestro compañero Luis Enrique Sánchez Crespo del Grupo GSyA de la Universidad de Castilla-la Mancha, en colaboración con David Eneko Ruiz de Gauna y Almudena Ruiz-Iniesta de la Universidad Internacional de la Rioja, han publicado el artículo “eFLEET: a framework in federated learning for enhanced electric transportation”, en la revista International Journal of Web Information Systems (IF 2.5, Q2). DOI: https://doi.org/10.1108/IJWIS-09-2024-0281
Resumen
El artículo propone eFLEET, un marco basado en aprendizaje federado (federated learning) diseñado para optimizar la movilidad eléctrica urbana mediante la gestión inteligente de rutas para vehículos eléctricos autónomos (EAV), tomando como caso de estudio el distrito Madrid Central. La propuesta utiliza algoritmos de visión por computador para analizar imágenes generadas a partir de datos de tráfico, permitiendo así decisiones más precisas sobre la selección de rutas en tiempo real. Además, el sistema incorpora una capa de seguridad basada en tecnología DAG (IOTA Tangle) que protege la privacidad de los datos sin necesidad de compartir información sensible entre dispositivos. La selección del vehículo óptimo para realizar un servicio se realiza mediante algoritmos ResNet, entrenados con imágenes que representan el coste de las rutas en distintos momentos. El sistema emplea datos de geolocalización, tráfico en tiempo real y especificaciones técnicas de los vehículos, como autonomía o eficiencia energética. La arquitectura de datos se apoya en PostgreSQL y extensiones geoespaciales como PostGIS y PG Routing para manejar la información cartográfica. A través de consultas en streaming y simulaciones horarias, se calculan los costes de las rutas y se generan imágenes clasificadas con redes neuronales. Finalmente, el sistema demuestra que el uso de imágenes y FL mejora la precisión en la predicción de rutas y en la asignación del mejor EAV disponible, promoviendo una movilidad más eficiente y sostenible.
